Net Promoter Score

Net Promoter Score (NPS) là một chỉ số phổ biến để theo dõi mức độ thành công của một sản phẩm hoặc trang web. Chỉ số này được đo bằng cách hỏi một câu đơn giản:

Bạn có khả năng giới thiệu sản phẩm hoặc trang web này cho bạn bè hay đồng nghiệp đến mức nào?

Người dùng trả lời trên thang điểm 0 - 10, trong đó 0 là hoàn toàn không có ý định giới thiệu và 10 là cực kỳ sẵn sàng giới thiệu.

NPS

Mô tả nào sau đây là phù hợp nhất với NPS?

Bài tập này là một phần của khóa học

Khoa học dữ liệu cho doanh nghiệp

Xem khóa học

Bài tập tương tác thực hành

Biến lý thuyết thành hành động với một trong các bài tập tương tác của chúng tôi

Bắt đầu bài tập

Bài tập này là một phần của khóa học

Khoa học dữ liệu cho doanh nghiệp

SkillTag.level.beginnerSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Chúng ta sẽ bắt đầu bằng cách định nghĩa khoa học dữ liệu là gì. Bạn sẽ tìm hiểu quy trình làm việc trong khoa học dữ liệu và cách áp dụng vào các bài toán kinh doanh thực tế. Kết thúc chương, chúng ta sẽ học cách xây dựng cấu trúc đội ngũ dữ liệu để đáp ứng nhu cầu của tổ chức.

Exercise 1: Data Science là gì?Exercise 2: Quy trình phân khúc khách hàng Exercise 3: Xây dựng chatbot hỗ trợ khách hàng Exercise 4: Cải thiện OKR Exercise 5: Ứng dụng của Khoa học dữ liệu Exercise 6: Phân công dự án khoa học dữ liệu Exercise 7: Nghiên cứu đầu tư Exercise 8: Xây dựng đội ngũ khoa học dữ liệu Exercise 9: Diễn giải một sprint của nhóm Exercise 10: Chỉnh sửa tin tuyển dụng Exercise 11: Ghép kỹ năng với vị trí công việc Exercise 12: Phân loại các tác vụ dữ liệu

Sau khi đã hiểu quy trình khoa học dữ liệu, chúng ta sẽ đi sâu vào bước đầu tiên: thu thập dữ liệu. Bạn sẽ học về các nguồn dữ liệu khác nhau mà công ty có thể khai thác, và cách lưu trữ dữ liệu sau khi thu thập.

Exercise 1: Nguồn dữ liệu và rủi ro Exercise 2: Phân loại dữ liệu để bảo mật Exercise 3: Tạo sự kiện dữ liệu web Exercise 4: Bảo vệ PII Exercise 5: Dữ liệu thu thập có chủ đích Exercise 6: Xác định mục đích của câu hỏi Exercise 7: Kiểm chứng phản hồi từ nhóm thảo luận Exercise 8: Net Promoter Score

Bài tập hiện tại

Exercise 9: Thu thập dữ liệu bổ sung Exercise 10: Sắp xếp nguồn dữ liệu Exercise 11: Tần suất hen suyễn Exercise 12: Lưu trữ và truy xuất dữ liệu Exercise 13: Nền tảng đám mây Exercise 14: Truy vấn cơ sở dữ liệu Exercise 15: Loại cơ sở dữ liệu nào?

Trong chương này, chúng ta sẽ thảo luận cách khám phá và trực quan hóa dữ liệu qua bảng điều khiển (dashboard). Bạn sẽ nắm được các thành phần của một dashboard và cách đưa ra yêu cầu có định hướng cho dashboard. Chương này cũng đề cập đến việc thực hiện các yêu cầu dữ liệu ad hoc và thử nghiệm A/B — một công cụ phân tích mạnh mẽ giúp giảm rủi ro khi ra quyết định.

Exercise 1: Bảng điều khiển Exercise 2: Phân loại các thành phần của dashboard Exercise 3: Cải thiện một bảng điều khiển Exercise 4: Chọn đúng loại dashboard Exercise 5: Phân tích ad hoc Exercise 6: Điền một yêu cầu ad hoc Exercise 7: Phân loại yêu cầu Exercise 8: A/B Testing Exercise 9: Tạo quy trình A/B testing Exercise 10: Cỡ mẫu Exercise 11: Kết quả giữa chừng

Trong chương cuối, chúng ta sẽ thảo luận chủ đề “nóng” nhất của khoa học dữ liệu: machine learning! Bạn sẽ học về machine learning có giám sát và không giám sát, cùng với phân cụm. Sau đó, chúng ta chuyển sang các chủ đề đặc biệt trong machine learning, bao gồm dự báo chuỗi thời gian, xử lý ngôn ngữ tự nhiên, deep learning và AI có thể giải thích!

Exercise 1: Supervised Machine Learning Exercise 2: Khi nào dùng Supervised Learning Exercise 3: Features và labels Exercise 4: Đánh giá mô hình Exercise 5: Phân cụm Exercise 6: Supervised vs. Unsupervised Exercise 7: Chọn số lượng cụm Exercise 8: Chủ đề đặc biệt trong Machine Learning Exercise 9: Phân loại các tác vụ machine learning Exercise 10: Phân tích cảm xúc Exercise 11: Deep Learning và Explainable AI Exercise 12: Tìm giải pháp đúng Exercise 13: Tôi có nên dùng Deep Learning không?