Net promoter score

O Net Promoter Score (ou NPS) é uma métrica comum que as empresas usam para monitorar o sucesso de um produto ou site. Isso é medido por meio de uma pergunta simples:

Qual é a probabilidade de você recomendar [inserir marca/site/serviço/produto] a um amigo ou colega?

Os usuários respondem em uma escala de 0 a 10, sendo 0 pouco provável de recomendar e 10 extremamente provável de recomendar.

NPS

Qual das opções a seguir descreve melhor os dados de NPS?

Este exercício faz parte do curso

Entendendo a ciência de dados

Exercício interativo prático

Transforme a teoria em ação com um de nossos exercícios interativos

Comece o exercício

Este exercício faz parte do curso

Entendendo a ciência de dados

InicianteNível de habilidade

4.8+

Iniciar curso gratuitamente

Iniciaremos o curso definindo o que é ciência de dados. Abordaremos o fluxo de trabalho da ciência de dados e como ela é aplicada a problemas do mundo real. Finalizaremos o capítulo aprendendo sobre as diferentes funções no campo da ciência de dados.

Exercise 1: O que é ciência de dados?Exercise 2: Ciência de dados em todos os lugares!Exercise 3: Importância da ciência de dados Exercise 4: Aplicações da ciência de dados Exercise 5: Dose diária de ciência de dados Exercise 6: A ciência dos assistentes inteligentes Exercise 7: Funções e ferramentas da ciência de dados Exercise 8: Selecionando o candidato certo Exercise 9: Uma função de cientista de dados

Agora que entendemos o fluxo de trabalho da ciência de dados, vamos nos aprofundar na primeira etapa: coleta e armazenamento de dados. Aprenderemos sobre as diferentes fontes de dados que podem ser utilizadas, a aparência desses dados, como armazená-los depois de coletados e como um pipeline de dados pode automatizar o processo.

Exercise 1: Fontes de dados Exercise 2: Classificação de fontes de dados Exercise 3: Frequências de asma Exercise 4: Tipos de dados Exercise 5: Classificação de tipos de dados Exercise 6: Net promoter score

Exercício atual

Exercise 7: Monitor de atividades Exercise 8: Armazenamento e recuperação de dados Exercise 9: Plataformas de nuvem Exercise 10: Consulta a um banco de dados Exercise 11: Que tipo de banco de dados?Exercise 12: Pipeline de dados Exercise 13: Características do pipeline de dados Exercise 14: Extrair Transformar Carregar

A preparação dos dados é fundamental: os cientistas de dados passam 80% do tempo limpando e manipulando dados e apenas 20% do tempo analisando-os de fato. Este capítulo mostrará como diagnosticar problemas em seus dados e lidar com valores faltantes ou discrepantes. Em seguida, você aprenderá sobre visualização, outra ferramenta essencial para explorar seus dados e comunicar suas descobertas.

Exercise 1: Preparação de dados Exercise 2: A verdade está lá fora Exercise 3: Está preparado?Exercise 4: Análise exploratória de dados Exercise 5: Numérico EDA Exercise 6: Visual EDA Exercise 7: Visualização Exercise 8: Painéis interativos Exercise 9: Aprimoramento de um painel

Neste capítulo final, discutiremos a experimentação e a previsão. Começando com experimentos, abordaremos o teste A/B e passaremos para a previsão de séries temporais, onde aprenderemos a prever eventos futuros. Por fim, terminaremos com o aprendizado de máquina, analisando o aprendizado supervisionado e o agrupamento.

Exercise 1: Teste A/B Exercise 2: Criação de um fluxo de trabalho de teste A/B Exercise 3: Significância estatística Exercise 4: Resultados intermediários Exercise 5: Previsão de séries temporais Exercise 6: Classificação de dados de séries temporais Exercise 7: Interpretar um gráfico de série temporal Exercise 8: Aprendizado de máquina supervisionado Exercise 9: Quando usar o aprendizado supervisionado Exercise 10: Atributos e rótulos Exercise 11: Avaliação do modelo Exercise 12: Agrupamento Exercise 13: Supervisionado vs. não supervisionado Exercise 14: Seleção do tamanho do grupo Exercise 15: Parabéns!