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)
Καλύτερη εντός αποίκια των μεγάλων δεδομένων
Shaune Dennis - Vodacom
Κομμάτι - Big Data Business Intelligence for Telecom and Communication Service Providers
Μηχανική Μετάφραση
Ο εκπαιδευτής ήταν ευχαρίστης. Και στιγμιότυπο πολύ προτεινοχάρης για να πάω στο κουρσέ.
Grace Goh - DBS Bank Ltd
Κομμάτι - Python in Data Science
Μηχανική Μετάφραση
Παρουσίαση θεμάτων γνώσης χρονοδιαγράμματος
Aly Saleh - FAB banak Egypt
Κομμάτι - Introduction to Data Science and AI (using Python)
Μηχανική Μετάφραση
Είναι μεγάλη πλεονέκτημα να έχει ο κύριος στόχος του εκπαιδευτικού προγράμματος τα βασικά περιβάλλοντα που έχω επισημάνει στο προϋποθέτου υποδείξεων. Αυτό βοηθά πραγματικά να απαντήσεις στις ερωτήσεις που έχω για το θέμα και να συμβαδίζει με τους στόχους μαθήσεων μου.
Winnie Chan - Statistics Canada
Κομμάτι - Jupyter for Data Science Teams
Μηχανική Μετάφραση
Επιστρέφει πολλούς μεθόδους με προετοιμασμένα σκρίπτ- εξcellent υλικά προετοιμασμένα και εύκολα για αναποδοχή
Kamila Begej - GE Medical Systems Polska Sp. Zoo
Κομμάτι - Machine Learning – Data science
Μηχανική Μετάφραση
