Net Promoter Score

Il Net Promoter Score (o NPS) è una metrica comune che le aziende usano per monitorare il successo di un prodotto o di un sito web. Si misura chiedendo quanto sia probabile che qualcuno consigli un brand, un sito, un servizio o un prodotto a un amico o a un collega.

Gli utenti rispondono su una scala da 0 a 10. Usa l'esploratore interattivo per vedere come questi punteggi vengono spesso raggruppati, poi decidi come descrivere il tipo di dati che l'NPS raccoglie.

Questo esercizio fa parte del corso

Capire 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

Capire la Data Science

InicianteNível de habilidade

4.8+

Inizia il corso gratuitamente

Inizieremo definendo che cos'è la data science. Vedremo il flusso di lavoro della data science e come viene applicata a problemi reali. Concluderemo il capitolo esplorando i diversi ruoli all'interno del campo della data science.

Exercise 1: Che cos'è la data science o scienza dei dati?Exercise 2: Data science ovunque!Exercise 3: Perché la data science è importante Exercise 4: Applicazioni della data science Exercise 5: Dose giornaliera di data science Exercise 6: La scienza degli assistenti smart Exercise 7: Ruoli e strumenti della data science Exercise 8: Selezionare la persona giusta Exercise 9: Un ruolo da data scientist

Ora che conosciamo il flusso di lavoro della data science, approfondiremo il primo passo: la raccolta e l'archiviazione dei dati. Vedremo le diverse fonti da cui puoi attingere, l'aspetto che possono avere i dati, come conservarli una volta raccolti e come una data pipeline può automatizzare il processo.

Exercise 1: Fonti di dati Exercise 2: Ordinamento delle fonti di dati Exercise 3: Frequenze dell'asma 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: Interrogare un 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 trascorrono l'80% del tempo a pulire e manipolare i dati e solo il 20% ad analizzarli davvero. Questo capitolo ti mostrerà come diagnosticare i problemi nei tuoi dati e gestire valori mancanti e outlier. Poi passerai alla visualizzazione, un altro strumento essenziale sia per esplorare i dati sia per comunicare i 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: EDA visiva Exercise 7: Visualizzazione Exercise 8: Dashboard interattivi Exercise 9: Migliorare una dashboard

In questo capitolo finale parleremo di sperimentazione e previsione! Partendo dagli esperimenti, tratteremo l'A/B testing, per poi passare al forecasting su serie temporali, dove impareremo a prevedere eventi futuri. Infine, concluderemo con il Machine Learning, concentrandoci sul supervised learning e sul clustering.

Exercise 1: Test A/B Exercise 2: Creare un flusso di lavoro per i test A/B Exercise 3: Significatività statistica Exercise 4: Risultati intermedi Exercise 5: Previsione di serie temporali Exercise 6: Classificazione dei dati di serie temporali Exercise 7: Interpreta un grafico di serie temporale Exercise 8: Machine Learning supervisionato Exercise 9: Quando utilizzare l'apprendimento supervisionato Exercise 10: Feature ed etichette Exercise 11: Valutazione del modello Exercise 12: Clustering Exercise 13: Supervisionato vs. Non supervisionato Exercise 14: Scelta della dimensione del cluster Exercise 15: Congratulazioni!