Net Promoter Score

Net Promoter Score (или NPS) — широко распространённая метрика для оценки успешности продукта или сайта. Она измеряется с помощью одного простого вопроса:

Насколько вероятно, что вы порекомендуете этот продукт или сайт другу или коллеге?

Пользователи отвечают по шкале от 0 до 10, где 0 означает «совершенно не готов рекомендовать», а 10 — «готов рекомендовать с полной уверенностью».

NPS

Какое из следующих описаний наиболее точно характеризует NPS?

Это упражнение является частью курса

Наука о данных для бизнеса

Посмотреть курс

Практическое интерактивное упражнение

Превратите теорию в практику с помощью одного из наших интерактивных упражнений

Начать упражнение

Это упражнение является частью курса

Наука о данных для бизнеса

SkillTag.level.beginnerSkillTag.label

4.8+

Начать курс бесплатно

Мы начнём курс с определения понятия «наука о данных». Вы познакомитесь с процессом работы с данными и узнаете, как наука о данных применяется для решения реальных бизнес-задач. В конце главы мы рассмотрим подходы к формированию команды по работе с данными в соответствии с потребностями вашей организации.

Exercise 1: Что такое наука о данных?Exercise 2: Процесс сегментации клиентов Exercise 3: Создание чат-бота для службы поддержки Exercise 4: Улучшение OKR Exercise 5: Применение науки о данных Exercise 6: Распределение проектов по направлениям науки о данных Exercise 7: Инвестиционное исследование Exercise 8: Формирование команды по науке о данных Exercise 9: Анализ спринта команды Exercise 10: Редактирование вакансии Exercise 11: Соответствие навыков должностям Exercise 12: Распределение задач по специалистам

Разобравшись с процессом работы с данными, мы подробнее остановимся на первом шаге — сборе данных. Вы узнаете об источниках данных, которые может использовать ваша компания, а также о способах их хранения после получения.

Exercise 1: Источники данных и риски Exercise 2: Классификация данных по уровню безопасности Exercise 3: Создание событий на основе веб-данных Exercise 4: Защита персональных данных Exercise 5: Запрашиваемые данные Exercise 6: Определение цели вопросов Exercise 7: Проверка результатов фокус-группы Exercise 8: Net Promoter Score

Текущее упражнение

Exercise 9: Сбор дополнительных данных Exercise 10: Сортировка источников данных Exercise 11: Частота заболеваемости астмой Exercise 12: Хранение и извлечение данных Exercise 13: Облачные платформы Exercise 14: Запрос к базе данных Exercise 15: Какой тип базы данных?

В этой главе мы обсудим методы исследования и визуализации данных с помощью дашбордов. Вы узнаете, из каких элементов состоит дашборд и как правильно формулировать запрос на его создание. Также мы рассмотрим разовые запросы к данным и A/B-тесты — мощный инструмент аналитики, который помогает снизить риски при принятии решений.

Exercise 1: Дашборды Exercise 2: Классификация элементов дашборда Exercise 3: Улучшение дашборда Exercise 4: Выбор подходящего дашборда Exercise 5: Ситуативный анализ Exercise 6: Оформление разового запроса на анализ Exercise 7: Классификация запросов Exercise 8: A/B-тестирование Exercise 9: Создание рабочего процесса A/B-теста Exercise 10: Размер выборки Exercise 11: Промежуточные результаты

В этой заключительной главе мы обратимся к одной из самых обсуждаемых тем в науке о данных — машинному обучению! Вы изучите обучение с учителем и без учителя, а также кластеризацию. Затем перейдём к специальным темам: прогнозированию временных рядов, обработке естественного языка, глубокому обучению и объяснимому ИИ.

Exercise 1: Обучение с учителем Exercise 2: Когда применять обучение с учителем Exercise 3: Признаки и метки Exercise 4: Оценка модели Exercise 5: Кластеризация Exercise 6: Обучение с учителем и без учителя Exercise 7: Выбор количества кластеров Exercise 8: Специальные темы в машинном обучении Exercise 9: Классификация задач машинного обучения Exercise 10: Анализ тональности Exercise 11: Глубокое обучение и объяснимый ИИ Exercise 12: Выбор подходящего решения Exercise 13: Стоит ли использовать глубокое обучение?