Net promoter score

Net Promoter Score (atau NPS) adalah metrik umum yang digunakan perusahaan untuk melacak keberhasilan suatu produk atau situs web. Nilainya diukur dengan menanyakan satu pertanyaan sederhana:

Seberapa besar kemungkinan Anda akan merekomendasikan [masukkan merek/situs web/layanan/produk] kepada teman atau kolega?

Pengguna merespons dengan memberi nilai skala 0–10, dengan 0 berarti sangat tidak mungkin merekomendasikan dan 10 berarti sangat mungkin merekomendasikan.

NPS

Mana dari hal berikut ini yang paling tepat menggambarkan data NPS?

Latihan ini adalah bagian dari kursus

Memahami Ilmu Data

Lihat Kursus

Latihan interaktif praktis

Ubah teori menjadi tindakan dengan salah satu latihan interaktif kami.

Mulai berolahraga

Latihan ini adalah bagian dari kursus

Memahami Ilmu Data

SkillTag.level.beginnerSkillTag.label

4.8+

5503 reviews

Mulai Kursus Gratis

Kita akan memulai kursus dengan mendefinisikan apa itu ilmu data. Kita akan membahas alur kerja ilmu data dan bagaimana ilmu data diterapkan pada masalah dunia nyata. Kita akan menutup bab ini dengan mempelajari berbagai peran dalam bidang ilmu data.

Exercise 1: Apa ilmu data itu?Exercise 2: Ilmu data di mana-mana!Exercise 3: Pentingnya ilmu data Exercise 4: Penerapan ilmu data Exercise 5: Dosis harian ilmu data Exercise 6: Ilmu di balik asisten pintar Exercise 7: Peran dan alat dalam ilmu data Exercise 8: Memilih kandidat yang tepat Exercise 9: Peran ilmuwan data

Setelah memahami alur kerja ilmu data, kita akan menyelami lebih dalam langkah pertama: pengumpulan dan penyimpanan data. Kita akan mempelajari beragam sumber data yang dapat Anda gunakan, seperti apa bentuk data tersebut, bagaimana menyimpan data setelah dikumpulkan, dan bagaimana saluran data dapat mengotomatisasi prosesnya.

Exercise 1: Sumber data Exercise 2: Mengelompokkan sumber data Exercise 3: Frekuensi asma Exercise 4: Tipe data Exercise 5: Mengklasifikasikan tipe data Exercise 6: Net promoter score

Latihan Saat Ini

Exercise 7: Pelacak aktivitas Exercise 8: Penyimpanan dan pengambilan data Exercise 9: Platform cloud Exercise 10: Melakukan kueri pada basis data Exercise 11: Tipe basis data yang mana?Exercise 12: Saluran Data Exercise 13: Karakteristik saluran data Exercise 14: Extract Transform Load

Persiapan data adalah hal mendasar: ilmuwan data menghabiskan 80% waktunya untuk membersihkan dan memanipulasi data, dan hanya 20% waktunya untuk benar-benar menganalisis. Bab ini akan menunjukkan cara mendiagnosis masalah pada data Anda, menangani nilai hilang dan pencilan. Anda kemudian akan mempelajari visualisasi, alat penting lainnya untuk mengeksplorasi data dan menyampaikan temuan Anda.

Exercise 1: Persiapan data Exercise 2: Kebenaran itu ada di luar sana Exercise 3: Apakah Anda sudah siap?Exercise 4: Analisis Data Eksploratif Exercise 5: EDA numerik Exercise 6: EDA Visual Exercise 7: Visualisasi Exercise 8: Dasbor interaktif Exercise 9: Meningkatkan sebuah dasbor

Pada bab terakhir ini, kita akan membahas eksperimen dan prediksi! Dimulai dengan eksperimen, kita akan mengulas pengujian A/B, lalu berlanjut ke peramalan deret waktu untuk mempelajari cara memprediksi kejadian di masa depan. Terakhir, kita akan menutup dengan Pembelajaran Mesin, mencakup pembelajaran dengan pengawasan dan pengelompokan data tidak berlabel.

Exercise 1: Pengujian A/B Testing Exercise 2: Membuat alur kerja pengujian A/B Exercise 3: Signifikansi statistik Exercise 4: Hasil sementara Exercise 5: Peramalan deret waktu Exercise 6: Mengklasifikasikan data deret waktu Exercise 7: Menginterpretasikan plot deret waktu Exercise 8: Pembelajaran mesin yang diawasi Exercise 9: Kapan menggunakan pembelajaran dengan pengawasan Exercise 10: Fitur dan label Exercise 11: Evaluasi Model Exercise 12: Pengelompokan data yang tidak berlabel Exercise 13: Dengan Pengawasan vs. Tanpa Pengawasan Exercise 14: Pemilihan ukuran klaster Exercise 15: Selamat!