Net Promoter Score

Net Promoter Score (eller NPS) är ett vanligt mått för att följa upp hur väl en produkt eller webbplats presterar. Det mäts genom en enkel fråga:

Hur troligt är det att du skulle rekommendera den här produkten eller webbplatsen till en vän eller kollega?

Användarna svarar på en skala från 0 till 10, där 0 betyder inte alls troligt och 10 betyder mycket troligt.

NPS

Vilket av följande beskriver NPS bäst?

Den här övningen är en del av kursen

Data Science för verksamheter

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

Data Science för verksamheter

SkillTag.level.beginnerSkillTag.label

4.8+

Starta kursen gratis

Vi börjar kursen med att definiera vad data science är. Vi går igenom arbetsflödet inom data science och hur det tillämpas på verkliga affärsproblem. Kapitlet avslutas med att vi tittar på hur du kan strukturera ditt datateam för att möta organisationens behov.

Exercise 1: Vad är datavetenskap?Exercise 2: Arbetsflöde för kundsegmentering Exercise 3: Bygga en kundtjänstchattbot Exercise 4: Förbättra OKR:er Exercise 5: Tillämpningar av datavetenskap Exercise 6: Tilldela datavetenskapliga projekt Exercise 7: Investeringsanalys Exercise 8: Att bygga ett datascience-team Exercise 9: Tolka ett teams sprint Exercise 10: Redigera en jobbannonss Exercise 11: Matcha kompetenser med roller Exercise 12: Klassificera datauppgifter

Nu när vi förstår arbetsflödet inom data science går vi djupare in på det första steget: datainsamling. Vi lär oss om de olika datakällor ditt företag kan använda och hur du lagrar datan när den väl har samlats in.

Exercise 1: Datakällor och risker Exercise 2: Klassificera data för säkerhet Exercise 3: Skapa webbdatahändelser Exercise 4: Skydda personuppgifter (PII)Exercise 5: Insamlad data på begäran Exercise 6: Identifiera frågors syfte Exercise 7: Validera feedback från fokusgrupp Exercise 8: Net Promoter Score

Aktuell övning

Exercise 9: Samla in ytterligare data Exercise 10: Sortera datakällor Exercise 11: Astmafrekvens Exercise 12: Datalagring och datahämtning Exercise 13: Molnplattformar Exercise 14: Ställa frågor mot en databas Exercise 15: Vilken typ av databas?

I det här kapitlet diskuterar vi hur du utforskar och visualiserar data med hjälp av dashboards. Vi går igenom vad ett dashboard består av och hur du formulerar en välriktad förfrågan om ett dashboard. Kapitlet behandlar också ad hoc-dataförfrågningar och A/B-tester – ett kraftfullt analysverktyg som minskar risken i beslutsfattandet.

Exercise 1: Dashboards Exercise 2: Klassificera dashboardelement Exercise 3: Förbättra en dashboard Exercise 4: Välj rätt typ av dashboard-element Exercise 5: Ad hoc-analys Exercise 6: Fylla i en ad hoc-förfrågan Exercise 7: Klassificera förfrågningar Exercise 8: A/B-testning Exercise 9: Skapa ett arbetsflöde för A/B-testning Exercise 10: Urvalsstorlek Exercise 11: Preliminära resultat

I det här sista kapitlet tar vi upp det mest omdiskuterade ämnet inom data science: maskininlärning! Vi går igenom övervakad och oövervakad maskininlärning samt klustring. Sedan går vi vidare till specialområden inom maskininlärning, bland annat tidsserieprediktering, naturlig språkbehandling, djupinlärning och förklarbar AI!

Exercise 1: Övervakad maskininlärning Exercise 2: När ska övervakad inlärning användas?Exercise 3: Särdrag och etiketter Exercise 4: Modellutvärdering Exercise 5: Klustring Exercise 6: Övervakad vs. oövervakad inlärning Exercise 7: Val av klusterstorlek Exercise 8: Specialämnen inom maskininlärning Exercise 9: Klassificera maskininlärningsuppgifter Exercise 10: Sentimentanalys Exercise 11: Djupinlärning och förklarbar AI Exercise 12: Hitta rätt lösning Exercise 13: Ska jag använda djupinlärning?