تبدیل شدن به یک متخصص تجزیه و تحلیل کسب و کار - Become a Business Analytics Expert

تجزیه و تحلیل داده ها چه کاری می تواند برای کسب و کار شما انجام دهد؟ از شرکت هایی مانند زیراکس و یو پی اس با مثال های کمی و کیفی در این مسیر درس بگیرید. تجزیه و تحلیل داده ها می تواند به کاهش هزینه ها، سرعت بخشیدن به تحویل، ایجاد پیش بینی و بهبود نتایج برای کسب و کار شما در طول زمان کمک کند. در این دوره مقدماتی، اقتصاددان و نویسنده جان جانسون به شما نشان می دهد که چگونه از تجزیه و تحلیل برای اتخاذ تصمیمات مبتنی بر داده و کسب مزیت رقابتی استفاده کنید. نمونه‌هایی از تجزیه و تحلیل‌های واقعی زندگی را در عمل کاوش کنید، بین رویکردهای پیش‌بینی‌کننده و تجویزی تمایز قائل شوید، و یاد بگیرید که چگونه سؤالات خود را فرمول‌بندی و طرح کنید. نحوه جمع‌آوری، پاکسازی و جمع‌آوری داده‌ها را از منابع مختلف در سراسر سازمان خود بیابید و شناسایی کنید که چه زمانی داده‌ها ناقص هستند. جان به شما نکاتی را در مورد برنامه ریزی و استقرار یک استراتژی تحلیلی که متناسب با نیازهای خاص کسب و کار شما است، ارائه می دهد که شامل انواع تکنیک های ساده می شود: میانگین ها، نمونه گیری، چیدن گیلاس، پیش بینی، همبستگی، علیت و موارد دیگر.

دانشمندان داده‌ که از اکسل استفاده می‌کنند، می‌دانند که R به عنوان استاندارد جدید برای حل و فصل آماری (به ویژه برای مجموعه‌های بزرگتر داده) در حال ظهور است. این دوره به عنوان یک پل مناسب برای بسیاری از تحلیلگران داده‌های وابسته به اکسل و کاربران تجاری است که باید با یادگیری R. مهارت‌های اطلاعات داده‌های خود را به روز کنند. بیشتر این دوره بر چگونگی انجام کارها و عملکردهای مهم آماری در R - غالبا با بسته DescTools — مطابق توابع Excel و افزودنی تجزیه و تحلیل داده‌ها، و سپس مقیاس از آنجا، نشان دادن ویژگی‌های قدرتمند R. Conrad Carlberg به شما کمک می‌کند تا به طور موثر بین هر دو برنامه جابجا شوید، داده‌ها را به جلو و عقب برگردانید تا بتوانید بهترین از هر دو را داشته باشید. درباره محاسبه آمار توصیفی، انجام تحلیلهای دو متغیره و موارد دیگر اطلاعات کسب کنید. اهداف یادگیری نصب R و DescTools آمار توصیفی در Excel و DescTools انتقال داده ها بین R و Excel اجرای تابع Desc تجزیه و تحلیل دو متغیره در R و Excel

CompTIA A+ یکی از معتبرترین گواهینامه‌های فروشندگان خنثی در جهان است که تا به امروز بیش از یک میلیون متخصص IT تأیید شده دارد. آماده شوید تا مهارت‌های خود را به سطح بعدی برسانید و با دامنه پنجم آزمون گواهینامه CompTIA A+ Core 2 (220-1102): عیب‌یابی سیستم‌های عامل مقابله کنید. به مایک مایرز، متخصص CompTIA بپیوندید تا به شما یک نمای کلی از مفاهیم اصلی تحت پوشش حوزه پنجم، از جمله نحوه شناسایی و حل مشکلات رایج در سیستم عامل های خاص ارائه دهد. اصول اولیه محیط بازیابی ویندوز، گزینه های پیشرفته برای راه اندازی ویندوز، و نحوه عیب یابی مشکلات بوت، برنامه های کاربردی مرتبط، وحشت هسته و موارد دیگر را کاوش کنید. در پایان این دوره، شما آماده خواهید بود تا به حوزه پنجم آزمون رسمی بپردازید. توجه: این دوره آموزشی Total Seminars موضوعات تست شده در آزمون گواهینامه CompTIA A+ Core 2 (220-1102) را پوشش می دهد.

آیا به دنبال نوشتن برنامه های بومی iOS بهتر برای پلتفرم های تحویل چندگانه هستید؟ باید آخرین نسخه Xcode را بررسی کنید، محیط توسعه یکپارچه برای macOS، iOS، watchOS و برنامه‌های tvOS. در این دوره، مربی تاد پرکینز به توسعه دهندگان جدید iOS و macOS نحوه نصب و شروع نوشتن و ویرایش Xcode 14 را مانند یک حرفه ای نشان می دهد. ویژگی‌های ضروری کدنویسی با SwiftUI، نمونه‌سازی اولیه، کنترل منبع، و طراحی استوری‌بورد را کشف کنید، و مهارت‌های خود را برای پیمایش در Interface Builder، ابزار بصری طراحی Xcode UI ایجاد کنید. تاد نکاتی را در مورد بهترین روش‌ها برای اشکال‌زدایی برنامه‌ها برای تصحیح خطاها و کد refactor به شما می‌دهد. در پایان این دوره، شما آماده خواهید بود تا برنامه خود را قبل از انتشار رسمی در اپ استور اپل آزمایش کنید.

در دنیایی که تقریباً همه از داده ها برای اطلاع از متدلوژی های تجاری خود استفاده می کنند، اجماع در حال ظهور این است که باید بر اعتبار داده ها تأکید بیشتری شود. تأیید صحت نتیجه گیری های داده محور ؛ و خطر نادرست بودن نتیجه گیری های خود را به حداقل برسانید. اگرچه اکثر محققان می دانند متاآنالیز چیست، اما تعداد کمی می دانند که چگونه می توان اندازه اثر را از معیارهای متداول مانند نسبت خطر محاسبه کرد یا اینکه چگونه تمایز بین اثرات ثابت و تصادفی می تواند متا تحلیلگر را به بیراهه ببرد. این دوره سطح پیشرفته برای پزشکان و محققان علم داده و آمار تفاوتهای میانگین خام را-مخصوصاً برای گروههای آزمایشی و مقایسه ای-و نحوه تبدیل اقدامات مفید مفید مانند نسبت نسبی ریسک و شانس را به اندازه گیری اندازه اثر پوشش می دهد. به علاوه، نحوه ایجاد فواصل اطمینان برای اندازه گیری پیامدهای دوتایی را بیاموزید. اهداف یادگیری استدلال برای فراتحلیل اندازه اثر مستقیم تفاوت میانگین استاندارد شده ضرایب همبستگی اندازه اثرات پیچیده: نسبت ریسک و نسبت شانس فواصل اطمینان در فراتحلیل ایجاد فواصل اطمینان در مورد اندازه اثر دوتایی نتیجه

تجزیه و تحلیل کسب و کار مجموعه ای از ابزارها، فناوری ها، فرآیندها و بهترین شیوه ها را در بر می گیرد که برای استخراج دانش از داده ها مورد نیاز است. این یک اکتشاف تکراری و روشمند از داده ها برای به دست آوردن بینش از آن است - و به نوبه خود، تصمیم گیری های هوشمندانه تر و استراتژیک تر که مبتنی بر واقعیات است. در این دوره، با مراحل تجزیه و تحلیل کسب و کار که برای پیش بینی و ساختن آینده استفاده می شود آشنا شوید - تجزیه و تحلیل پیش بینی، تجزیه و تحلیل تجویزی و تجزیه و تحلیل تجربی. این دوره به هر مرحله می پردازد و در مورد ابزارها و تکنیک های مورد استفاده برای هر یک و همچنین بهترین شیوه های اعمال شده در این زمینه بحث می کند. علاوه بر این، این دوره با استفاده از یک مورد استفاده برای نشان دادن نحوه اجرای تجزیه و تحلیل در هر مرحله، زمینه ای واقعی را به این مفاهیم می بخشد. اهداف یادگیری بین مراحل مختلف تحلیل تجاری تمایز قائل شوید. حرکت داده ها را در طول تجزیه و تحلیل تجاری شناسایی کنید. ابزارها و تکنیک های تجزیه و تحلیل تجویزی را بررسی کنید. ابزارها و تکنیک های تحلیل تجربی را توضیح دهید. عواملی که باید در هنگام استفاده از تست A/B در نظر گرفته شوند را شناسایی کنید.

تجزیه و تحلیل کسب و کار به ما امکان می دهد از گذشته درس بگیریم و پیش بینی های بهتری برای آینده داشته باشیم. سه نوع تجزیه و تحلیل برای یادگیری از گذشته استفاده می شود. تجزیه و تحلیل توصیفی داده های تاریخی را خلاصه می کند. تجزیه و تحلیل اکتشافی الگوهای پنهان را آشکار می کند. و تجزیه و تحلیل توضیحی دلایل نتایج کسب و کار را نشان می دهد. هر نوع شامل مجموعه متفاوتی از ابزارها، فناوری‌ها، فرآیندها و بهترین شیوه‌ها برای استخراج بینش از داده‌ها است. این دوره توسط Kumaran Ponnambalam توضیح می دهد که چرا آنها اهمیت دارند و چگونه و چه زمانی از آنها استفاده کنیم. او با تنظیم زمینه برای تجزیه و تحلیل کسب و کار و مراحل مختلف آن شروع می کند. سپس مراحلی را که بر گذشته تمرکز می‌کنند را بررسی می‌کنید: توصیفی، اکتشافی و توضیحی. با هر مرحله، شما در مورد فرآیندها، تکنیک ها و بهترین شیوه های مورد استفاده در این زمینه آشنا می شوید. در نهایت، یک مورد استفاده (نتایج یک کمپین بازاریابی ایمیلی) را بررسی می کنید که نشان می دهد چگونه تجزیه و تحلیل در هر مرحله انجام می شود. اهداف یادگیری تجزیه و تحلیل کسب و کار و مراحل آن تجزیه و تحلیل توصیفی تجزیه و تحلیل اکتشافی تجزیه و تحلیل توضیحی بهترین شیوه ها و موارد استفاده

هموارسازی نمایی اصطلاحی برای مجموعه ای از روش های پیش بینی ساده است که اصلاح خود را اعمال می کند. هر پیش بینی شامل دو جزء است. این میانگین وزنی پیش بینی قبلی است، به علاوه تعدیلی که پیش بینی قبلی را دقیق تر می کرد. هموارسازی - مانند اکثر رویکردهای معتبر برای پیش‌بینی - برای درست کار کردن به یک خط پایه از مشاهدات، به ترتیب، نیاز دارد. درآمدهای هفتگی و پذیرش روزانه در بیمارستان نمونه های معمولی هستند. چندین نسخه از هموارسازی نمایی وجود دارد که هر کدام مربوط به یک نوع خط پایه است. در این دوره، کنراد کارلبرگ مقدمه ای بر هموارسازی نمایی ساده، غواصی در ایده اصلی پشت آن، و توضیح نحوه جمع آوری معادله پیش بینی و بهینه سازی پیش بینی ها ارائه می دهد. اهداف یادگیری نحوه ارزیابی خط مبنا را با استفاده از همبستگی نشان دهید. معایب استفاده از ابزار هموارسازی نمایی مایکروسافت اکسل را شناسایی کنید. روش های مختلفی را که می توانید اولین پیش بینی را مقداردهی اولیه کنید، توضیح دهید. میانگین پیش بینی انحراف خام را با روش پیش بینی انحراف مطلق میانگین مقایسه کنید. دلایل استفاده از R به جای اکسل برای هموارسازی نمایی را بررسی کنید.

هموارسازی نمایی فصلی توسعه ای از هموارسازی نمایی ساده (SES) است. صاف کردن فصلی اغلب زمانی استفاده می شود که یک خط پایه قله ها و دره های فصلی منظم را نشان دهد. استفاده از آب خانگی یک مثال آشنا است: مصرف در طول تابستان و پاییز افزایش می‌یابد و در زمستان و بهار کاهش می‌یابد، اما مصرف کلی سالانه در طی چندین سال ثابت می‌ماند. در این دوره، مشاور باتجربه تحلیل کسب و کار و کارشناس آموزشی کنراد کارلبرگ نشان می‌دهد که چگونه می‌توان تغییرات فصلی را برای پیش‌بینی‌های دقیق‌تر و روشن‌تر ترکیب کرد. نحوه شناسایی فصلی بودن، هموارسازی فصلی خطوط پایه افقی و بهینه سازی پیش بینی های خود را با R و Microsoft Excel بیاموزید. اهداف یادگیری مشخص کنید چه چیزی فصلی بودن را از یک روند یا یک چرخه متمایز می کند. نحوه استفاده از ارجاعات مطلق و نسبی در نام های تعریف شده را بررسی کنید و به یاد بیاورید که مرجع مطلق همیشه ثابت می ماند در حالی که مراجع نسبی بسته به سابقه تغییر می کنند. با بررسی توابع خودهمبستگی در یک همبستگی فصلی را در یک خط پایه شناسایی کنید. نحوه اولیه سازی اثرات فصلی را در خط مبنا بررسی کنید. سطح فعلی خط پایه و اثر فصلی جاری را از مشاهدات، پیش‌بینی‌ها و ثابت‌های هموارسازی قبلی پیش‌بینی کنید. اندازه گیری خطای کل در یک پیش بینی را کمی کنید و با استفاده از حل کننده آن را به حداقل برسانید. یک خط مبنا را در یک شی داده ایجاد کنید و از آن خط پایه در R پیش بینی کنید. مقایسه نتایج اکسل و R

هموارسازی نمایی ساده (SES) اکثر عناصر مورد استفاده در رویکرد هموارسازی برای پیش‌بینی را شامل می‌شود، مانند ثابت هموارسازی سطح، خود تصحیح، و تضعیف تدریجی تأثیر مشاهدات قدیمی‌تر بر پیش‌بینی‌های جدید. اما SES با خطوط پایه که روند یا فصلی بودن را نشان می‌دهند ضعیف عمل می‌کند. سری‌های زمانی گرایش‌شده از نظر پیچیدگی یک پله بالاتر از سری‌های زمانی ثابت تحلیل‌شده توسط SES است - روندهای پایه آن به سمت بالا یا پایین. استفاده از هموارسازی نمایی با خط پایه روند اغلب روش هولت نامیده می شود و این دوره برای تجهیز شما به این تکنیک طراحی شده است. در اینجا، مربی Conrad Carlberg توضیح می‌دهد که چگونه از روش Holt برای ایجاد پیش‌بینی‌هایی در R که با روندها در خط مبنا سروکار دارد، استفاده کنید. اهداف یادگیری جمع‌آوری معادله پیش‌بینی برای خط پایه روند هموارسازی نمایی ساده با خط پایه ثابت استفاده از R برای هموارسازی نمایی ساده بهینه سازی ثابت های سطح و روند از طریق Solver استفاده از R برای پیش بینی یک سری روند