Net tavsiye skoru

Net Tavsiye Skoru (NPS), şirketlerin bir ürün veya web sitesinin başarısını izlemek için kullandıkları yaygın bir metriktir. Basit bir soru sorarak ölçülür:

Bir dostunuza veya iş arkadaşınıza [marka/web sitesi/hizmet/ürün adı girin] tavsiye etme olasılığınız nedir?

Kullanıcılar 0-10 aralığındaki bir ölçekte yanıt verirler: 0 tavsiye etme olasılığının hiç olmadığı, 10 ise tavsiye etme olasılığının son derece yüksek olduğu anlamına gelir.

NPS

Aşağıdakilerden hangisi Net Tavsiye Skoru verilerini en iyi şekilde tanımlar?

Bu egzersiz

Veri Bilimini Anlamak

kursunun bir parçasıdır

Kursu Görüntüle

Uygulamalı interaktif egzersiz

İnteraktif egzersizlerimizden biriyle teoriyi pratiğe dökün

Egzersizi başlat

Bu egzersiz

Veri Bilimini Anlamak

kursunun bir parçasıdır

InicianteNível de habilidade

4.8+

3483 reviews

Kursa Ücretsiz Başlayın

Kursa veri biliminin ne olduğunu tanımlayarak başlayacağız. Veri bilimi iş akışını ve veri biliminin gerçek hayattaki sorunlara nasıl uygulandığını ele alacağız. Bölümü, veri bilimi alanındaki farklı rolleri öğrenerek bitireceğiz.

Exercise 1: Veri bilimi nedir?Exercise 2: Veri bilimi her yerde!Exercise 3: Veri biliminin önemi Exercise 4: Veri bilimi uygulamaları Exercise 5: Günlük veri bilimi dozu Exercise 6: Akıllı asistanlar bilimi Exercise 7: Veri bilimi rolleri ve araçları Exercise 8: Doğru adayı seçme Exercise 9: Veri bilimcinin rolü

Artık veri bilimi iş akışını anladığımıza göre ilk adıma daha yakından bakalım: veri toplama ve depolama. Burada yararlanabileceğiniz farklı veri kaynaklarını, bu verilerin neye benzediğini, toplandıktan sonra verilerin nasıl depolanacağını ve bir veri işlem hattının süreci nasıl otomatikleştirebileceğini öğreneceğiz.

Exercise 1: Veri kaynakları Exercise 2: Veri kaynaklarını sıralama Exercise 3: Astım görülme sıklıkları Exercise 4: Veri türleri Exercise 5: Veri türlerini sınıflandırma Exercise 6: Net tavsiye skoru

Geçerli Egzersiz

Exercise 7: Aktivite takip cihazı Exercise 8: Veri depolama ve alma Exercise 9: Bulut platformları Exercise 10: Veritabanı sorgulama Exercise 11: Hangi tür veritabanı?Exercise 12: Veri İşlem Hatları Exercise 13: Veri işlem hattı özellikleri Exercise 14: Ayıklama, Dönüştürme, Yükleme

Veri hazırlığı çok önemlidir: Veri bilimcilerin işinin %80'i verileri temizlemek ve işlemektir. İşin yalnızca %20'si gerçekten analiz etmektir. Bu bölüm size verilerinizdeki sorunları nasıl tespit edeceğinizi, eksik değerleri ve aykırı değerleri nasıl ele alacağınızı gösterecektir. Daha sonra hem verilerinizi keşfetmek hem de bulgularınızı aktarmak için bir başka önemli araç olan görselleştirme hakkında bilgi edineceksiniz.

Exercise 1: Veri hazırlığı Exercise 2: Gerçek orada bir yerde Exercise 3: Hazır mısınız?Exercise 4: Keşifsel Veri Analizi Exercise 5: Sayısal Keşifsel Veri Analizi Exercise 6: Görsel Keşifsel Veri Analizi Exercise 7: Görselleştirme Exercise 8: İnteraktif gösterge tabloları Exercise 9: Gösterge tablosunu iyileştirme

Bu son bölümde deney ve tahmin konularını tartışacağız! Deneylerle başlayacak olursak A/B testini ele alacağız ve gelecekteki olayları tahmin etmeyi öğreneceğimiz zaman serisi tahminine geçeceğiz. Son olarak makine öğrenmesini, gözetimli öğrenmeyi ve kümelemeyi inceleyerek bitireceğiz.

Exercise 1: A/B Testi Exercise 2: A/B testi iş akışı oluşturma Exercise 3: İstatistiksel anlamlılık Exercise 4: Ara sonuçlar Exercise 5: Zaman serisi tahmini Exercise 6: Zaman serisi verilerini sınıflandırma Exercise 7: Zaman serisi grafiğini yorumlama Exercise 8: Gözetimli makine öğrenmesi Exercise 9: Gözetimli öğrenme ne zaman kullanılır?Exercise 10: Özellikler ve etiketler Exercise 11: Model Değerlendirmesi Exercise 12: Kümeleme Exercise 13: Gözetimli ve gözetimsiz Exercise 14: Küme boyutu seçimi Exercise 15: Tebrikler!