Ευχαριστούμε που στάλθηκε η αποσαφήνισή σας! Ένα μέλος της ομάδου μας θα επικοινωνήσει μαζί σας σύντομα.
Ευχαριστούμε για την εκδήλωση κράτησης! Ένας από τους συνεργάτες μας θα επικοινωνήσει μαζί σας σύντομα.
Εξέλιξη Κομματιού
Μονάδα 1
Εισαγωγή στην Επιστήμη των Δεδομένων & Εφαρμογές στην Πάροχο Υπηρεσιών και Πώληση
- Περιγραφή των Αναλυτικών: Τύπος ανάλυσης - Προβλέψεις, Οδηγίες, Συμπερασματική
- Εφαρμογή των Αναλυτικών στην Πάροχο Υπηρεσιών και Πώληση
- Χρήση Μεγάλων Δεδομένων και Διαφορετικών Τεχνολογιών - Εισαγωγή
Μονάδα 2
Πάροχος Υπηρεσιών και Πώληση στο Digitized World
- Εισαγωγή στην Διαφημιστική Πάροχο Υπηρεσιών και Πώληση στο Internet
- Διαδικτυακή Διαφημιστική - Εισαγωγή
- Βελτιστοποίηση Μηχανών Αναζήτησης (SEO) – Περιπτωματική Μελέτη του Google
- Διαφημιστική στο Social Media: Κόμβοι και Συνθήματα – Περιπτωματική Μελέτη του Facebook, Twitter
Μονάδα 3
Εξερευνητική Ανάλυση Δεδομένων & Στατιστικό Μοντελοποίηση
- Παρουσίαση και Οπτική Αναπαράσταση Δεδομένων – Κατανόηση επιχειρηματικών δεδομένων με τη χρήση ιστογράμματος, πίτσα-γράφου, γραμμικού σχήματος, διασποράς – Ταχεία εξόδους – Χρησιμοποίηση Python
- Βασική Στατιστική Μοντελοποίηση – Τάση, Περιοδικότητα, Κατάτμηση, Ταξινόμηση (Μόνο τα βασικά, διαφορετικές αλγόριθμους και χρήση, όχι λεπτομερείς πληροφορίες) – Ετοιμοί κώδικες στο Python
- Ανάλυση Παράθυρου Προϊόντων (MBA) – Περιπτωματική μελέτη χρησιμοποιώντας κανόνες συσχετισμού, υποστήριξη, εμπιστοσύνη, ανάκληση
Μονάδα 4
Αναλυτική της Διαφημισίας I
- Εισαγωγή στη διαδικασία της Διαφημισίας – Περιπτωματική μελέτη
- Χρήση Δεδομένων για τη βελτίωση του στρατηγικού σχεδιασμού της διαφημισίας
- Μέτρηση Επιχειρηματικών Βαθμών, Snapple και Τιμή της Επιχείρησης – Συντονισμός της Επιχειρηματικής Ταυτότητας
- Ανάλυση κειμένου για τη Διαφημισία – Βασική ανάλυση κειμένου – Περιπτωματική μελέτη για τη διαφημισία στο social media
Μονάδα 5
Αναλυτική της Διαφημισίας II
- Επιχειρηματική αξία πελάτη (CLV) με υπολογισμό – Περιπτωματική μελέτη CLV για επιχειρηματικές αποφάσεις
- Μέτρηση Αιτίου και Επιπτών – Περιπτωματική μελέτη
- Υπολογισμός Αναμενόμενης Ανάκλησης
- Επιστήμη Δεδομένων στη διαφημισία – Μετατροπή ποσοστών κλικ, ανάλυση website
Μονάδα 6
Βασική Ανάλυση Παλίνδρομων (Regression)
- Τι αποκαλύπτει η ανάλυση παλίνδρομων και βασικές στατιστικές (χωρίς λεπτομερείς μαθηματικές πληροφορίες)
- Ερμηνεία αποτελεσμάτων της ανάλυσης παλίνδρομων – Περιπτωματική μελέτη χρησιμοποιώντας Python
- Κατανόηση Λογ-Λογ Μοντέλων – Περιπτωματική μελέτη χρησιμοποιώντας Python
- Μοντέλα Μίξης Διαφημισίας – Περιπτωματική μελέτη χρησιμοποιώντας Python
Μονάδα 7
Ταξινόμηση και Κατάτμηση (Clustering)
- Βασικά της Ταξινόμησης και Κατάτμησης – Χρήση; Αναφορά αλγορίθμων
- Ερμηνεία των αποτελεσμάτων – Προγράμματα Python με αποτελέσματα
- Στόχευση πελατών χρησιμοποιώντας ταξινόμηση και κατάτμηση – Περιπτωματική μελέτη
- Βελτίωση επιχειρηματικής στρατηγικής – Παράδειγμα email marketing, προώθηση του προϊόντος
- Ανάγκη Μεγάλων Τεχνολογιών Δεδομένων στη ταξινόμηση και κατάτμηση (clustering)
Μονάδα 8
Ανάλυση Χρόνων και Διεπαφών (Time Series Analysis)
- Τάση και Περιοδικότητα – Μελέτη Python - Οπτικοποίησης δεδομένων Χρόνου (Time Series)
- Διάφορες τεχνικές χρόνου – AR και MA
- Μοντέλα χρόνων - ARMA, ARIMA, ARIMAX (Χρήση και περιπτώσεις με Python) – Περιπτωματική μελέτη
- Πρόβλεψη χρόνων για διαφημιστικά καμπάνιες (campaigns)
Μονάδα 9
Τζίγκλερ Αναφορών (Recommendation Engine)
- Προσωποποίηση και επιχειρηματική στρατηγική
- Διάφορες τύποι προσωποποίησης – Συνεργατικές, με βάση περιεχόμενο (content-based)
- Διάφοροι αλγόριθμοι τζίγκλερ αναφορών – Χρήση και εφαρμογές (Χωρίς λεπτομερείς μαθηματικές πληροφορίες)
- Μέτρηση αναφορών για τη βελτίωση του κατόπιν πώληση (incremental revenue) – Περιπτωματική μελέτη
Μονάδα 10
Βελτίωση του πώλημα (sales) μέσω επιστήμης δεδομένων (data science)
- Βασικά τεχνικών βελτίωσης και εφαρμογής τους (optimization technique and its uses)
- Βελτίωση αποθέματος - Περιπτωματική μελέτη (inventory optimization case study)
- Αύξηση ROI χρησιμοποιώντας επιστήμη δεδομένων (increasing ROI using data science)
- Ανάλυση λακτικής - Επιτάχυνση επιχειρήματος (lean analytics – startup accelerator)
Μονάδα 11
Επιστήμη Δεδομένων στη Τίμηση και Προώθηση I
- Τίμηση – Η επιστήμη του αξιοποιητικού μεγέθυνση (pricing - the science of profitable growth)
- Τεχνικές πρόβλεψης ανάγκης – Μοντελοποίηση και εκτίμηση του συνδυασμού απόκριση-ανάγκη (demand forecasting techniques - model and estimate the structure of price-response demand curves)
- Απόφαση Τίμησης – Πώς να βελτιωθούν οι αποφάσεις τίμησης - Περιπτωματική μελέτη χρησιμοποιώντας Python (pricing decision – how to optimize pricing decisions – case study using Python)
- Ανάλυση Προώθησης – Υπολογισμός βάση και μοντέλο εμπορικής προώθησης (promotion analytics - baseline calculation and trade promotion model)
- Χρήση προώθησης για καλύτερη στρατηγική – Επιμόρφωση μοντέλου πώλησης - Πολλαπλό μοντέλο (using promotion for better strategy - sales model specification – multiplicative model)
Μονάδα 12
Επιστήμη Δεδομένων στη Τίμηση και Προώθηση II
- Διαχείριση Εσόδων - Πώς να διαχειριστείτε εξοδικά προϊόντα με πολλές αγορατικές κατηγορίες (revenue management - how to manage perishable resources with multiple market segments)
- Συσχετιζόμενη πώληση – Ταχύ και αργά εκπομπές προϊόντων - Περιπτωματική μελέτη με Python (product bundling – fast and slow moving products – case study with Python)
- Τίμηση εξοδικών προϊόντων και υπηρεσιών - Ταξίδι και ξενοδοχεία – Αναφορά τυχαίων μοντέλων (pricing of perishable goods and services - airline & hotel pricing – mention of stochastic models)
- Μέτρηση προώθησης – Παραδοσιακή και social media (promotion metrics – traditional and social)
Απαιτήσεις
Δεν υπάρχουν συγκεκριμένα προαπαιτούμενα για τη συμμετοχή σε αυτό το μάθημα.
21 Ώρες
Σχόλια (5)
O Younes είναι έξυπνος εκπαιδευτής. Πάντα πρόθυμος να βοηθήσει και πολύ υπομονετικός. Θα του δω σε 5 αυλές. Επίσης, η εκπαίδευση QLIK sense ήταν υπέροχη, καθώς είχαμε έναν εξαιρετικό εκπαιδευτή.
Dietmar Glanninger - BMW
Κομμάτι - Qlik Sense for Data Science
Μηχανική Μετάφραση
Ο καθηγητής ήταν φιλόξενος. Και πραγματικά με ενθαρρύνατε να ακολουθήσω το μάθημα.
Grace Goh - DBS Bank Ltd
Κομμάτι - Python in Data Science
Μηχανική Μετάφραση
Παρουσίαση γνώσεων θέματος χρόνου
Aly Saleh - FAB banak Egypt
Κομμάτι - Introduction to Data Science and AI (using Python)
Μηχανική Μετάφραση
Είναι πολύ ωραίο το μάθημα να έχει επιτυχθεί κατόπιν των βασικών περιοχών που έχω διαγράψει στην προ-μαθήματος έρευνα. Αυτό είναι πραγματικά χρήσιμο για να απαντήσω στις ερωτήσεις μου και να συμβαδίσει με τους στόχους εξέλιξής μου.
Winnie Chan - Statistics Canada
Κομμάτι - Jupyter for Data Science Teams
Μηχανική Μετάφραση
Εμφανίζει πολλές μεθόδους με προετοιμασμένα σcenάρια - πολύ καλά επεξεργασμένα υλικά και εύκολα για αναμόνηση των βήματων.
Kamila Begej - GE Medical Systems Polska Sp. Zoo
Κομμάτι - Machine Learning – Data science
Μηχανική Μετάφραση
