Net tavsiye skoru

Net Promoter Score (veya NPS), şirketlerin bir ürünün veya web sitesinin başarısını ölçmek için kullandıkları yaygın bir göstergedir. 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 NPS verilerini en iyi şekilde tanımlamaktadır?

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+

6144 reviews

Kursa Ücretsiz Başlayın

We'll start the course by defining what data science is. We'll cover the data science workflow and how data science is applied to real-world problems. We'll finish the chapter by learning about different roles within the data science field.

Exercise 1: What is data science?Exercise 2: Data science everywhere!Exercise 3: Importance of data science Exercise 4: Applications of data science Exercise 5: Daily dose of data science Exercise 6: The science of smart assistants Exercise 7: Data science roles and tools Exercise 8: Selecting the right candidate Exercise 9: A data scientist role

Now that we understand the data science workflow, we'll dive deeper into the first step: data collection and storage. We'll learn about the different data sources you can draw from, what that data looks like, how to store the data once it's collected, and how a data pipeline can automate the process.

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

Data preparation is fundamental: data scientists spend 80% of their time cleaning and manipulating data, and only 20% of their time actually analyzing it. This chapter will show you how to diagnose problems in your data, deal with missing values and outliers. You will then learn about visualization, another essential tool to both explore your data and convey your findings.

Exercise 1: Data preparation Exercise 2: The truth is out there Exercise 3: Are you prepared?Exercise 4: Exploratory Data Analysis Exercise 5: Numerical EDA Exercise 6: Visual EDA Exercise 7: Visualization Exercise 8: Interactive dashboards Exercise 9: Improving a dashboard

In this final chapter, we'll discuss experimentation and prediction! Beginning with experiments, we'll cover A/B testing, and move on to time series forecasting where we'll learn about predicting future events. Finally, we'll end with machine learning, looking at supervised learning, and clustering.

Exercise 1: A/B Testing Exercise 2: Creating an A/B testing workflow Exercise 3: Statistical significance Exercise 4: Intermediate results Exercise 5: Time series forecasting Exercise 6: Classifying time series data Exercise 7: Interpret a time series plot Exercise 8: Supervised machine learning Exercise 9: When to use supervised learning Exercise 10: Features and labels Exercise 11: Model Evaluation Exercise 12: Clustering Exercise 13: Supervised vs. unsupervised Exercise 14: Cluster size selection Exercise 15: Congratulations!