Scorul net de promovare

Net Promoter Score (sau NPS) este o metrică frecvent utilizată de companii pentru a măsura succesul unui produs sau site web. Se calculează întrebând cât de probabil este ca o persoană să recomande un brand, un site, un serviciu sau un produs unui prieten sau coleg.

Utilizatorii răspund pe o scală de la 0 la 10. Folosește instrumentul interactiv pentru a vedea cum sunt grupate de obicei aceste scoruri, apoi decide cum se descrie tipul de date colectate prin NPS.

Acest exercițiu face parte din cursul

Înțelegerea științei datelor

Exercițiu interactiv practic

Transformă teoria în practică cu unul dintre exercițiile noastre interactive

Începe exercițiul

Acest exercițiu face parte din cursul

Înțelegerea științei datelor

SkillTag.level.beginnerSkillTag.label

4.8+

Începe cursul gratuit

Vom începe cursul prin a defini ce este știința datelor. Vom parcurge fluxul de lucru specific acestui domeniu și modul în care știința datelor se aplică problemelor reale. La final, vom afla despre diferitele roluri existente în cadrul acestui domeniu.

Exercise 1: Ce este știința datelor?Exercise 2: Date științifice peste tot!Exercise 3: Importanța științei datelor Exercise 4: Aplicații ale științei datelor Exercise 5: Doza zilnică de știința datelor Exercise 6: Știința asistenților inteligenți Exercise 7: Roluri și instrumente în știința datelor Exercise 8: Alegerea candidatului potrivit Exercise 9: Rolul unui om de știință al datelor

Acum că înțelegem fluxul de lucru din știința datelor, vom aprofunda primul pas: colectarea și stocarea datelor. Vom afla despre diferitele surse de date disponibile, cum arată aceste date, cum se stochează după colectare și cum o conductă de date poate automatiza acest proces.

Exercise 1: Surse de date Exercise 2: Clasificarea surselor de date Exercise 3: Frecvența astmului Exercise 4: Tipuri de date Exercise 5: Clasificarea tipurilor de date Exercise 6: Scorul net de promovare

Exercițiul curent

Exercise 7: Tracker de activitate Exercise 8: Stocarea și regăsirea datelor Exercise 9: Platforme cloud Exercise 10: Interogarea unei baze de date Exercise 11: Ce tip de bază de date?Exercise 12: Pipeline-uri de date Exercise 13: Caracteristicile conductelor de date Exercise 14: Extragere, Transformare, Încărcare

Pregătirea datelor este esențială: oamenii de știință al datelor petrec 80% din timp curățând și prelucrând date și doar 20% analizându-le efectiv. Acest capitol îți va arăta cum să identifici problemele din datele tale și cum să gestionezi valorile lipsă și valorile extreme. Vei învăța apoi despre vizualizare, un instrument indispensabil atât pentru explorarea datelor, cât și pentru comunicarea rezultatelor.

Exercise 1: Pregătirea datelor Exercise 2: Adevărul există undeva acolo Exercise 3: Ești pregătit?Exercise 4: Analiza exploratorie a datelor Exercise 5: Analiza exploratorie a datelor numerice Exercise 6: EDA vizuală Exercise 7: Vizualizare Exercise 8: Tablouri de bord interactive Exercise 9: Îmbunătățirea unui dashboard

În acest capitol final, vom discuta despre experimentare și predicție! Vom începe cu experimentele și vom acoperi testarea A/B, apoi vom trece la prognoza seriilor de timp, unde vom afla cum se anticipează evenimentele viitoare. Vom încheia cu învățarea automată, explorând învățarea supervizată și clusterizarea.

Exercise 1: Testare A/B Exercise 2: Crearea unui flux de lucru pentru testarea A/B Exercise 3: Semnificația statistică Exercise 4: Rezultate intermediare Exercise 5: Previzionarea seriilor de timp Exercise 6: Clasificarea datelor de tip serie temporală Exercise 7: Interpretează un grafic de serie temporală Exercise 8: Învățare automată supervizată Exercise 9: Când să folosești învățarea automată supervizată Exercise 10: Caracteristici și etichete Exercise 11: Evaluarea modelelor Exercise 12: Clustering Exercise 13: Supervizat vs. nesupervizat Exercise 14: Selectarea numărului de clustere Exercise 15: Felicitări!