Net promoter score

Net Promoter Score (or NPS) is a common metric companies use to track the success of a product or website. It is measured by asking how likely someone is to recommend a brand, website, service, or product to a friend or colleague.

Users respond on a scale from 0 to 10. Use the interactive explorer to see how those scores are often grouped, then decide how to describe the kind of data NPS collects.

Questo esercizio fa parte del corso

Comprendere la Data Science

Visualizza corso

esercizio interattivo pratico

Trasforma la teoria in pratica con uno dei nostri esercizi interattivi

Inizia esercizio

Questo esercizio fa parte del corso

Comprendere la Data Science

InicianteNível de habilidade

4.8+

Inizia il corso gratuitamente

Inizieremo il corso chiarendo cos'è la data science. Esploreremo il suo flusso di lavoro e come può essere applicata a problemi reali. Concluderemo il capitolo imparando a conoscere i principali ruoli professionali all'interno di questo settore.

Exercise 1: Che cos'è la data science o scienza dei dati?Exercise 2: Data science everywhere!Exercise 3: L’importanza della data science Exercise 4: Applicazioni della data science Exercise 5: Dose giornaliera di data science Exercise 6: The science of smart assistants Exercise 7: Ruoli e strumenti della data science Exercise 8: Selezionare il candidato giusto Exercise 9: Un ruolo da data scientist

Ora che abbiamo compreso il flusso di lavoro della data science, approfondiamo la prima fase: la raccolta e l'archiviazione dei dati. Scopriremo quali sono le diverse fonti di dati a cui puoi attingere, come si presentano i dati, come archiviarli una volta raccolti e come una pipeline di dati può automatizzare il processo.

Exercise 1: Fonti di dati Exercise 2: Ordinamento delle fonti di dati Exercise 3: Asthma frequencies Exercise 4: Tipi di dati Exercise 5: Classificare i tipi di dati Exercise 6: Net promoter score

Esercizio attuale

Exercise 7: Activity tracker Exercise 8: Archiviazione e recupero dei dati Exercise 9: Piattaforme cloud Exercise 10: Querying a database Exercise 11: Quale tipo di database?Exercise 12: Pipeline di dati Exercise 13: Caratteristiche della pipeline di dati Exercise 14: Estrazione, Trasformazione e Caricamento

La preparazione dei dati è fondamentale: i data scientist dedicano l'80% del loro tempo alla pulizia e alla manipolazione dei dati e solo il 20% del loro tempo all'analisi effettiva. Questo capitolo ti mostrerà come diagnosticare i problemi nei tuoi dati, come gestire i valori mancanti e gli outlier o valori anomali. Imparerai poi a conoscere la visualizzazione, un altro strumento essenziale per esplorare i tuoi dati e comunicare i tuoi risultati.

Exercise 1: Data Preparation Exercise 2: La verità è là fuori Exercise 3: Sei pronto?Exercise 4: Analisi esplorativa dei dati Exercise 5: Analisi esplorativa dei dati numerica Exercise 6: Visual EDA Exercise 7: Visualizzazione Exercise 8: Interactive dashboards Exercise 9: Improving a dashboard

In questo capitolo finale, parleremo di sperimentazione e previsione! Iniziando con gli esperimenti, parleremo dei test A/B e passeremo alla previsione di serie temporali, dove impareremo a prevedere eventi futuri. Infine, concluderemo con il machine learning, esaminando l'apprendimento supervisionato e il clustering.

Exercise 1: Test A/B Exercise 2: Creare un flusso di lavoro per i test A/B Exercise 3: Significatività statistica Exercise 4: Intermediate results Exercise 5: Previsione di serie temporali Exercise 6: Classificazione dei dati di serie temporali Exercise 7: Interpret a time series plot Exercise 8: Machine Learning supervisionato Exercise 9: Quando utilizzare l'apprendimento supervisionato Exercise 10: Features and labels Exercise 11: Valutazione del modello Exercise 12: Clustering Exercise 13: Supervisionato vs. Non supervisionato Exercise 14: Cluster size selection Exercise 15: Congratulazioni!