OKR's verbeteren

OKR staat voor Objective/Key Result. Een Objective is een doel, en een Key Result is een numerieke maat voor dat doel.

Het bedrijf van Justina stelt elk kwartaal OKR's op om doelen te bepalen en voortgang te volgen. Haar team heeft de dia met Data Science-OKR's rechts samengesteld. Ze heeft de eerste twee OKR's afgerond, maar werkt nog aan OKR 3. Ze wil voor OKR 3 een Key Result kiezen uit de onderstaande lijst.

Welke van de volgende Key Results is een voorbeeld van "Predicting and Experimenting with Data", de derde stap in de data science-workflow?

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: Wat is data science?Exercise 2: Workflow voor klantsegmentatie Exercise 3: Een klantenservice-chatbot bouwen Exercise 4: OKR's verbeteren

Huidige oefening

Exercise 5: Toepassingen van data science Exercise 6: Data science-projecten toewijzen Exercise 7: Investeringsonderzoek Exercise 8: Een data science-team opbouwen Exercise 9: Een teamsprint interpreteren Exercise 10: Een vacaturetekst aanpassen Exercise 11: Vaardigheden koppelen aan functies Exercise 12: Datataken classificeren

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: Classifying dashboard elements Exercise 3: Improving a dashboard Exercise 4: Choosing the right dashboard Exercise 5: Ad hoc analysis Exercise 6: Filling out an ad hoc request Exercise 7: Classifying requests Exercise 8: A/B Testing Exercise 9: Creating an A/B testing workflow Exercise 10: Sample size Exercise 11: Intermediate results

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?