Steekproefgrootte

Jason beheert het webdesign voor een sieradensite, BuyBangles.com. Hij wil een A/B-test uitvoeren waarin hij de oude website-indeling (A) vergelijkt met de nieuwe indeling (B) en bijhoudt welk percentage bezoekers uiteindelijk een armband koopt.

Jason heeft een widget om de ideale steekproefgrootte voor een A/B-test te bepalen; de benodigde steekproefgrootte verandert als je het uitgangsconversiepercentage en het minimaal detecteerbare effect aanpast. Het uitgangsconversiepercentage is het huidige percentage bezoekers dat een armband koopt na het bezoeken van de site en het minimaal detecteerbare effect is de minimale procentuele verbetering die we willen kunnen detecteren.

Hoe beïnvloeden het uitgangsconversiepercentage en het minimaal detecteerbare verschil de steekproefgrootte? Maak de volgende zin af: Als het uitgangsconversiepercentage toeneemt, ____ de steekproefgrootte. Als het minimaal detecteerbare verschil toeneemt, ____ de steekproefgrootte.

Deze oefening maakt deel uit van de cursus

Data Science voor het bedrijfsleven

Cursus bekijken

Praktische interactieve oefening

Zet theorie om in actie met een van onze interactieve oefeningen.

Begin met trainen

Deze oefening maakt deel uit van de cursus

Data Science voor het bedrijfsleven

SkillTag.level.beginnerSkillTag.label

4.8+

Begin de cursus gratis

We'll start the course by defining what data science is. We'll cover the data science workflow, and how data science is applied to real-world business problems. We'll finish the chapter by learning about ways to structure your data team to meet your organization's needs.

Exercise 1: What is Data Science?Exercise 2: Customer Segmentation Workflow Exercise 3: Building a customer service chatbot Exercise 4: Improving OKRs Exercise 5: Applications of Data Science Exercise 6: Assigning data science projects Exercise 7: Investment research Exercise 8: Building a data science team Exercise 9: Interpreting a team sprint Exercise 10: Editing a job posting Exercise 11: Matching skills to jobs Exercise 12: Classifying data tasks

Now that we understand the data science workflow, we'll dive deeper into the first step: data collection. We'll learn about the different data sources your company can draw from, and how to store that data once it's collected.

Exercise 1: Data sources and risks Exercise 2: Classifying data for security Exercise 3: Creating web data events Exercise 4: Protecting PII Exercise 5: Solicited data Exercise 6: Identifying question purpose Exercise 7: Validating focus group feedback Exercise 8: Net Promoter Score Exercise 9: Collecting additional data Exercise 10: Sorting data sources Exercise 11: Asthma frequency Exercise 12: Data storage and retrieval Exercise 13: Cloud platforms Exercise 14: Querying a database Exercise 15: Which type of database?

In this chapter, we'll discuss ways to explore and visualize data through dashboards. We'll discuss the elements of a dashboard and how to make a directed request for a dashboard. This chapter will also cover making ad hoc data requests and A/B tests, which are a powerful analytics tool that de-risk decision-making.

Exercise 1: Dashboards Exercise 2: Dashboardelementen classificeren Exercise 3: Een dashboard verbeteren Exercise 4: Het juiste dashboard kiezen Exercise 5: Ad-hocanalyse Exercise 6: Een ad-hocverzoek invullen Exercise 7: Verzoeken classificeren Exercise 8: A/B-testen Exercise 9: Een A/B-testworkflow opzetten Exercise 10: Steekproefgrootte

Huidige oefening

Exercise 11: Tussenresultaten

In this final chapter, we'll discuss the buzziest topic in data science: machine learning! We'll cover supervised and unsupervised machine learning, and clustering. Then, we'll move on to special topics in machine learning, including time series prediction, natural language processing, deep learning, and explainable AI!

Exercise 1: Supervised machine learning Exercise 2: When to use Supervised Learning Exercise 3: Features and labels Exercise 4: Model evaluation Exercise 5: Clustering Exercise 6: Supervised vs. unsupervised Exercise 7: Cluster size selection Exercise 8: Special topics in Machine Learning Exercise 9: Classifying machine learning tasks Exercise 10: Sentiment Analysis Exercise 11: Deep Learning and Explainable AI Exercise 12: Finding the correct solution Exercise 13: Should I use Deep Learning?