دوره "قوانین انجمن و تجزیه و تحلیل نقاط پرت" دانش آموزان را با مفاهیم اساسی روش های یادگیری بدون نظارت، با تمرکز بر قوانین ارتباط و تشخیص نقاط پرت آشنا می کند. شرکت‌کنندگان در الگوریتم‌های مکرر و قوانین تداعی، بینشی در مورد الگوریتم‌های Apriori و استخراج قوانین تداعی مبتنی بر محدودیت به دست خواهند آورد. علاوه بر این، دانش‌آموزان روش‌های تشخیص پرت را با درک عمیقی از موارد پرت متنی بررسی خواهند کرد. از طریق آموزش‌های تعاملی و مطالعات موردی عملی، دانش‌آموزان تجربه عملی را در استفاده از قوانین ارتباط و تکنیک‌های تشخیص نقاط پرت در مجموعه داده‌های متنوع به دست خواهند آورد. اهداف آموزشی دوره: در پایان این دوره، دانشجویان قادر خواهند بود: 1. اصول و اهمیت روش‌های یادگیری بدون نظارت، به‌ویژه قوانین ارتباط و تشخیص موارد دور از دسترس را درک کنید. 2. مفاهیم و کاربردهای الگوهای مکرر و قوانین تداعی را در کشف روابط جالب بین آیتم ها درک کنید. 3. الگوریتم های Apriori را کاوش کنید تا مجموعه آیتم های مکرر را به طور کارآمد استخراج کنید و قوانین ارتباط را ایجاد کنید. 4. معیارهای حمایت، اطمینان، و افزایش را در استخراج قوانین تداعی اجرا و تفسیر کنید. 5. مفهوم استخراج قوانین انجمن مبتنی بر محدودیت و نقش آن در گرفتن الگوهای تداعی خاص را درک کنید. 6. اهمیت تشخیص پرت را در تحلیل داده ها و کاربردهای دنیای واقعی تجزیه و تحلیل کنید. 7. برای شناسایی نقاط داده غیرعادی، از روش‌های مختلف تشخیص پرت، از جمله رویکردهای آماری و مبتنی بر فاصله استفاده کنید. 8. درک متنی پرت و تکنیک های تشخیص نقاط پرت متنی برای گرفتن نقاط پرت در زمینه های خاص. 9. قوانین تداعی و تکنیک‌های تشخیص پرت را در مطالعات موردی در دنیای واقعی به کار ببرید تا بینش‌های معناداری به دست آورید. در طول دوره، دانش‌آموزان فعالانه در آموزش‌ها و مطالعات موردی شرکت می‌کنند، مهارت‌های مربوط به قانون‌کاوی و تشخیص موارد پرت را تقویت می‌کنند و تجربه عملی در کاربرد این تکنیک‌ها در مجموعه داده‌های متنوع به دست می‌آورند. با دستیابی به اهداف یادگیری، شرکت کنندگان به خوبی مجهز خواهند شد تا در وظایف یادگیری بدون نظارت برتری پیدا کنند و با استفاده از قوانین تداعی و تکنیک های تشخیص پرت، تصمیمات آگاهانه بگیرند.

در پایان این دوره، فراگیران آماده می شوند تا بهترین راه حل ها را برای بهبود عملکرد و ادغام مفاهیم از روش های تعالی عملیاتی برای تصمیم گیری بهینه مبتنی بر داده ها شناسایی و آزمایش کنند. این دوره با تمرکز بر رمزگشایی علت اصلی مشکلات از طریق ابزارهای مختلف قبل از تعیین و ارزیابی بهترین راه حل ها آغاز می شود. یادگیرندگان نحوه به کارگیری ISO، Lean و Six Sigma را در پیگیری همسویی داده های عملیات سازمانی با استانداردهای عملکرد کشف می کنند. مطالعات موردی مهمان نوازی، تولید و تجارت الکترونیکی به نشان دادن نحوه ایجاد سواد داده و در عین حال تضمین حفظ حریم خصوصی و اقدامات اخلاقی داده ها کمک می کند. مطالب شامل سخنرانی های آنلاین، فیلم ها، دموها، کار پروژه، خواندن و بحث می شود. این دوره برای افرادی که مشتاق توسعه یک ذهنیت داده محور هستند ایده آل است که بینش های قدرتمندی را برای بهبود نتیجه شرکت به دست می آورد. اگر زبان آموزان با خواندن گزارش ها، جمع آوری و استفاده از داده ها و تفسیر تجسم ها آشنایی داشته باشند، مفید است. این سومین دوره در تخصص تصمیم گیری داده محور (DDDM) است. برای کسب اطلاعات بیشتر در مورد تخصص، یک نمای کلی ویدیویی را در https://www.youtube.com/watch?v=Oi4mmeSWcVc&list=PLQvThJe-IglyYljMrdqwfsDzk56ncfoLx&index=11 بررسی کنید.

تغییر اجتناب ناپذیر است و همچنین اختلالات دیجیتال در هر صنعتی. آنچه از دیدگاه کسب و کار مهم است، هماهنگی و انطباق با چنین اختلالات دیجیتالی است. در بازار رقابتی کسب و کار امروز، کلید موفقیت، تصمیمات عاقلانه مبتنی بر داده است که بر اساس اطلاعات قابل اعتماد گرفته می شود. به عنوان بخشی از مسئولیت های کاری خود، اطلاعات جمع آوری شده از منابع مختلف را در یک مقطع زمانی کشف، ترکیب و تجزیه و تحلیل می کردید. این تحلیل کسب و کار است. مجموعه ای از وظایف، دانش و تکنیک های مورد نیاز برای شناسایی نیازهای کسب و کار و تعیین راه حل برای مشکلات تجاری سازمانی است. همانطور که قبلاً گفتیم، انبوهی از اختلالات دیجیتال در هر صنعتی در حال وقوع است. ما شاهد رشد یک فرهنگ آماده دیجیتال هستیم که در راس آن اتوماسیون است. اتوماسیون باعث افزایش بهره وری در سطوح فرآیند، گردش کار و نیروی کار می شود و در نتیجه رشد و طول عمر سازمان را شکل می دهد. با حرکت سازمان ها به سمت اتوماسیون، برای یک تحلیلگر کسب و کار مهارت داشتن در علم اتوماسیون برای تسهیل ارتباطات و همکاری با ذینفعان مربوطه از اهمیت بالایی برخوردار است. UiPath به عنوان یکی از طرفداران قوی اتوماسیون فرآیند رباتیک (RPA)، نقش تحلیلگر کسب و کار اتوماسیون را به عهده می گیرد، که مسئول تجزیه و تحلیل الزامات کسب و کار، شناسایی فرآیندهای خودکارسازی احتمالی و همچنین مشکلات احتمالی، همراه با ارزیابی تاثیر پیاده سازی اتوماسیون خواهد بود. از طریق این دوره، تکنیک هایی برای تضمین موفقیت پروژه در هر مرحله از درک مشکلات یا اهداف سازمانی گرفته تا طراحی راه حل ها، ابداع استراتژی ها و در نتیجه ایجاد تغییر را خواهید آموخت. همراه با مهارت‌های اصلی تجزیه و تحلیل کسب‌وکار، شما همچنین یاد خواهید گرفت که چگونه تحویل‌ها و مدل‌های تجزیه و تحلیل کسب‌وکار را در یک سند تعریف فرآیند خاص RPA (PDD) بگنجانید، که نشان‌دهنده فرآیندهای تجاری «همان‌طور که هست» است که برای اتوماسیون انتخاب شده‌اند. در طول این دوره از اصطلاحات «اتوماسیون فرآیند رباتیک» (RPA) و «اتوماسیون» به جای یکدیگر استفاده شده است. این دوره در راستای BABOK's IIBA، به شما کمک می کند اولین گام را در سفر تحلیلگر کسب و کار خود بردارید و به شما در آماده شدن برای ECBA (گواهی ورود در تجزیه و تحلیل کسب و کار) کمک می کند. برای تکمیل این دوره، به راهنمای BABOK IIBA نیاز دارید که می تواند بدون هزینه اضافی قابل دسترسی است.

این دوره پیشرفته تجزیه و تحلیل کسب و کار برای متخصصان با تجربه ای طراحی شده است که به دنبال تعمیق مهارت های خود در استخراج و تجزیه و تحلیل نیازمندی ها هستند. یادگیرندگان در پیچیدگی های جمع آوری، مستندسازی و تجزیه و تحلیل نیازمندی ها، همراه با تسلط بر تکنیک های پیشرفته مانند مصاحبه، موارد استفاده، مدل سازی فرآیند و تجزیه و تحلیل مالی، تحقیق خواهند کرد. مطالعات موردی عملی و سناریوهای دنیای واقعی تجربه عملی را ارائه می‌دهند و اطمینان می‌دهند که شرکت‌کنندگان به خوبی برای مقابله با چالش‌های تجاری پیچیده آماده هستند. در پایان دوره، فراگیران مجموعه ای از مهارت های جامع در استخراج و تجزیه و تحلیل نیازمندی ها خواهند داشت و آنها را به عنوان دارایی های ارزشمند در هدایت پروژه ها و راه حل های موفق قرار می دهند. این دوره برای تحلیلگران کسب و کار با تجربه، مدیران پروژه و متخصصان در نقش های مرتبط طراحی شده است که هدف آنها افزایش مهارت خود در تحلیل استخراج و نیازمندی ها است. برای کسانی که به دنبال ارتقای مهارت های تجزیه و تحلیل کسب و کار خود به سطح پیشرفته هستند و آنها را برای رهبری و مشارکت موثر در پروژه ها و ابتکارات پیچیده مجهز می کنند ایده آل است. برای بهره مندی کامل از این دوره، فراگیران باید درک اساسی از مفاهیم و تکنیک های تجزیه و تحلیل کسب و کار و همچنین تجربه در تجزیه و تحلیل کسب و کار یا نقش های مرتبط داشته باشند. آشنایی با مدیریت پروژه و عملیات پایه کسب و کار مزیت خواهد بود. این دوره برای پاسخگویی به زبان آموزان با سطوح مختلف دانش قبلی طراحی شده است، اما درک اساسی از تجزیه و تحلیل کسب و کار توصیه می شود.

این دوره جامع پایه ای قوی در اصول، تکنیک ها و استراتژی های تجزیه و تحلیل کسب و کار فراهم می کند. این موضوعات ضروری مانند تعریف تجزیه و تحلیل کسب و کار، انواع مختلف نیاز، مسیرهای شغلی در تجزیه و تحلیل کسب و کار، و راهنمای تجزیه و تحلیل کسب و کار بدنه دانش (BABOK) را پوشش می دهد. همچنین به تعاریف کلیدی و تکنیک های عملی مورد استفاده در تجزیه و تحلیل کسب و کار می پردازد. علاوه بر این، این دوره بر جنبه های استراتژیک، از جمله تجزیه و تحلیل وضعیت فعلی، تعریف وضعیت های آینده، مدیریت ریسک ها، و توسعه استراتژی های تغییر تمرکز دارد. فراگیران از طریق مطالعات موردی و تمرینات عملی تجربه عملی کسب خواهند کرد و آنها را برای موفقیت در زمینه تجزیه و تحلیل کسب و کار و فراتر از آن آماده خواهند کرد. این دوره برای افرادی که مایل به تبدیل شدن به تحلیلگران کسب و کار هستند، تحلیلگران کسب و کار جوان فعلی که به دنبال تقویت مهارت های خود هستند، حرفه ای های میان دوره ای که به دنبال تبدیل به نقش های تجزیه و تحلیل کسب و کار هستند و کسانی که برای گواهینامه های تجزیه و تحلیل کسب و کار آماده می شوند مناسب است. فراگیرانی با سطوح مختلف دانش و تجربه قبلی در این زمینه را در خود جای می دهد. در حالی که هیچ پیش نیاز دقیقی مورد نیاز نیست، درک اولیه مفاهیم تجاری و عملیات سازمانی می تواند سودمند باشد. آشنایی با مدیریت پروژه یا تجربه در یک نقش مرتبط با کسب و کار مفید است اما اجباری نیست. این دوره به گونه ای طراحی شده است که فراگیرانی با سطوح مختلف دانش قبلی را در خود جای دهد.

دستکاری کلان داده های توزیع شده روی یک خوشه با استفاده از مفاهیم کاربردی در صنعت شایع است و مسلماً یکی از اولین استفاده های صنعتی گسترده از ایده های کاربردی است. محبوبیت MapReduce و Hadoop و اخیراً Apache Spark، یک چارچوب مجموعه‌های توزیع شده سریع و درون حافظه که در Scala نوشته شده است، گواه این موضوع است. در این دوره، خواهیم دید که چگونه پارادایم موازی داده را می توان با استفاده از Spark در سراسر مورد توزیع شده گسترش داد. ما مدل برنامه نویسی Spark را با جزئیات پوشش خواهیم داد، و مراقب باشیم که بدانیم چگونه و چه زمانی با مدل های برنامه نویسی آشنا، مانند مجموعه های موازی با حافظه مشترک یا مجموعه های متوالی Scala متفاوت است. از طریق مثال‌های عملی در Spark و Scala، یاد می‌گیریم که چه زمانی مسائل مهم مربوط به توزیع مانند تأخیر و ارتباطات شبکه باید در نظر گرفته شود و چگونه می‌توان به طور مؤثر برای بهبود عملکرد به آنها پرداخت. نتایج یادگیری در پایان این دوره شما قادر خواهید بود: - داده ها را از ذخیره سازی دائمی بخوانید و آن را در آپاچی اسپارک بارگذاری کنید. - دستکاری داده ها با Spark و Scala، - بیان الگوریتم برای تجزیه و تحلیل داده ها به سبک عملکردی، - تشخیص نحوه جلوگیری از تکرار و محاسبه مجدد در Spark، پیشینه پیشنهادی: شما باید حداقل یک سال تجربه برنامه نویسی داشته باشید. تسلط به جاوا یا سی شارپ ایده آل است، اما تجربه با زبان های دیگر مانند C/C++، Python، Javascript یا Ruby نیز کافی است. شما باید با استفاده از خط فرمان آشنایی داشته باشید. این دوره بعد از برنامه نویسی موازی در نظر گرفته شده است: https://www.coursera.org/learn/parprog1.

دستکاری کلان داده های توزیع شده روی یک خوشه با استفاده از مفاهیم کاربردی در صنعت شایع است و مسلماً یکی از اولین استفاده های صنعتی گسترده از ایده های کاربردی است. محبوبیت MapReduce و Hadoop و اخیراً Apache Spark، یک چارچوب مجموعه‌های توزیع شده سریع و درون حافظه که در Scala نوشته شده است، گواه این موضوع است. در این دوره، خواهیم دید که چگونه پارادایم موازی داده را می توان با استفاده از Spark در سراسر مورد توزیع شده گسترش داد. ما مدل برنامه نویسی Spark را با جزئیات پوشش خواهیم داد، و مراقب باشیم که بدانیم چگونه و چه زمانی با مدل های برنامه نویسی آشنا، مانند مجموعه های موازی با حافظه مشترک یا مجموعه های متوالی Scala متفاوت است. از طریق مثال‌های عملی در Spark و Scala، یاد می‌گیریم که چه زمانی مسائل مهم مربوط به توزیع مانند تأخیر و ارتباطات شبکه باید در نظر گرفته شود و چگونه می‌توان به طور مؤثر برای بهبود عملکرد به آنها پرداخت. نتایج یادگیری در پایان این دوره شما قادر خواهید بود: - داده ها را از ذخیره سازی دائمی بخوانید و آن را در آپاچی اسپارک بارگذاری کنید. - دستکاری داده ها با Spark و Scala، - بیان الگوریتم برای تجزیه و تحلیل داده ها به سبک عملکردی، - تشخیص نحوه جلوگیری از تکرار و محاسبه مجدد در Spark، پیشینه پیشنهادی: شما باید حداقل یک سال تجربه برنامه نویسی داشته باشید. تسلط به جاوا یا سی شارپ ایده آل است، اما تجربه با زبان های دیگر مانند C/C++، Python، Javascript یا Ruby نیز کافی است. شما باید با استفاده از خط فرمان آشنایی داشته باشید. این دوره بعد از برنامه نویسی موازی در نظر گرفته شده است: https://www.coursera.org/learn/parprog1. توجه داشته باشید که این نسخه از دوره از Scala 2.13 استفاده می کند. می‌توانید نسخه جدیدتر دوره را که از Scala 3 استفاده می‌کند، در اینجا بیابید: https://www.coursera.org/learn/scala-spark-big-data

بازار کار برای معماران، مهندسان و متخصصان تحلیلگر با تخصص Big Data همچنان در حال افزایش است. مسیر شغلی کلان داده آکادمی بر ابزارها و تکنیک های اساسی مورد نیاز برای دنبال کردن حرفه ای در داده های بزرگ متمرکز است. این دوره شامل: پردازش داده ها با پایتون، نوشتن و خواندن پرس و جوهای SQL، انتقال داده ها با MaxCompute، تجزیه و تحلیل داده ها با Quick BI، استفاده از Hive، Hadoop و Spark در E-MapReduce و نحوه تجسم داده ها با داشبورد داده است. روی مطالب دوره ما کار کنید، جنبه های مختلف حوزه کلان داده را بیاموزید و به عنوان یک حرفه ای داده های بزرگ گواهینامه بگیرید!

در اولین دوره تخصصی تخصصی علم داده های عملی، مفاهیم اساسی برای تجزیه و تحلیل داده های اکتشافی (EDA)، یادگیری ماشین خودکار (AutoML) و الگوریتم های طبقه بندی متن را خواهید آموخت. با Amazon SageMaker Clarify و Amazon SageMaker Data Wrangler، یک مجموعه داده را برای سوگیری آماری تجزیه و تحلیل می‌کنید، مجموعه داده را به ویژگی‌های قابل خواندن ماشین تبدیل می‌کنید و مهم‌ترین ویژگی‌ها را برای آموزش یک طبقه‌بندی متن چند کلاسه انتخاب می‌کنید. سپس یادگیری ماشین خودکار (AutoML) را برای آموزش خودکار، تنظیم و استقرار بهترین الگوریتم طبقه بندی متن برای مجموعه داده داده شده با استفاده از Amazon SageMaker Autopilot انجام خواهید داد. در مرحله بعد، شما با Amazon SageMaker BlazingText، یک پیاده سازی بسیار بهینه و مقیاس پذیر از الگوریتم محبوب FastText، برای آموزش یک طبقه بندی متن با کد بسیار کمی کار خواهید کرد. علم داده های عملی برای مدیریت مجموعه داده های عظیمی طراحی شده است که در سخت افزار محلی شما مناسب نیستند و می توانند از منابع متعدد نشات گرفته باشند. یکی از بزرگترین مزایای توسعه و اجرای پروژه‌های علم داده در فضای ابری، چابکی و انعطاف‌پذیری است که ابر برای افزایش و کاهش با حداقل هزینه ارائه می‌دهد. تخصص عملی علم داده به شما کمک می کند تا مهارت های عملی را برای به کارگیری مؤثر پروژه های علم داده خود و غلبه بر چالش ها در هر مرحله از گردش کار ML با استفاده از Amazon SageMaker توسعه دهید. این تخصص برای توسعه دهندگان، دانشمندان و تحلیلگران متمرکز بر داده طراحی شده است که با زبان های برنامه نویسی Python و SQL آشنا هستند و می خواهند یاد بگیرند که چگونه خطوط لوله ML مقیاس پذیر و سرتاسر مقیاس پذیر را بیاموزند - هم خودکار و هم انسانی. -the-loop - در ابر AWS.

تعداد کمی از قابلیت‌ها مانند یک برنامه تحلیلی قوی، چابکی را متمرکز می‌کنند. چنین برنامه ای تعیین می کند که یک تیم باید از یک تکرار چابک (sprint) به بعدی تمرکز کند. تجزیه و تحلیل های موفق به ندرت به سختی قابل درک هستند و اغلب در وضوح خود شگفت انگیز هستند. در این دوره آموزشی که در مدرسه کسب و کار Darden در دانشگاه ویرجینیا توسعه یافته است، یاد خواهید گرفت که چگونه یک زیرساخت تجزیه و تحلیل قوی برای تیم خود بسازید و آن را با هسته حرکت خود به سمت ارزش ادغام کنید.

اطلاعات مربوط به الگوهای مرور و خرید ما در همه جا موجود است. از تراکنش‌های کارت اعتباری و سبد خرید آنلاین گرفته تا برنامه‌های وفاداری مشتری و رتبه‌بندی/بررسی‌های تولید شده توسط کاربر، حجم حیرت‌انگیزی از داده‌ها وجود دارد که می‌توان از آنها برای توصیف رفتارهای خرید گذشته، پیش‌بینی رفتارهای آینده، و تجویز روش‌های جدید برای تأثیرگذاری بر آینده استفاده کرد. تصمیمات خرید در این دوره، چهار تن از اساتید برتر بازاریابی وارتون، مروری بر حوزه‌های کلیدی تجزیه و تحلیل مشتری ارائه خواهند کرد: تجزیه و تحلیل توصیفی، تجزیه و تحلیل پیش‌بینی‌کننده، تجزیه و تحلیل تجویزی، و کاربرد آن‌ها در شیوه‌های تجاری دنیای واقعی از جمله آمازون، گوگل و استارباکس. . این دوره یک نمای کلی از حوزه تجزیه و تحلیل ارائه می دهد تا بتوانید تصمیمات تجاری آگاهانه بگیرید. این مقدمه ای بر تئوری تجزیه و تحلیل مشتری است و هدف آن آماده کردن یادگیرندگان برای انجام تجزیه و تحلیل مشتری نیست. نتایج آموزشی دوره: پس از اتمام دوره، فراگیران قادر خواهند بود... روش‌های اصلی جمع‌آوری داده‌های مشتری که توسط شرکت‌ها استفاده می‌شود را توصیف کنید و درک کنید که چگونه این داده‌ها می‌توانند تصمیمات تجاری را تعیین کنند ابزارهای اصلی مورد استفاده برای پیش بینی رفتار مشتری و شناسایی کاربردهای مناسب برای هر ابزار را شرح دهید ایده های کلیدی در مورد تجزیه و تحلیل مشتری و نحوه اطلاع رسانی این حوزه به تصمیمات تجاری تاریخچه تجزیه و تحلیل مشتری و آخرین بهترین شیوه ها در شرکت های برتر را به اشتراک بگذارید

چه زمانی فرصتی برای افزایش سود به تعهدی برای پایداری و سودآوری بلندمدت برند تبدیل می‌شود؟ این سوالی است که GAS GAS، یک تولید کننده موتور سیکلت آفرود، با آن مواجه است. در این دوره اوج، زمان آن رسیده است که از ابزارهای کسب و کاری که در طول تخصص آموخته اید برای حل این مشکل واقعی کسب و کار استفاده کنید. برای کمک به شما در هنگام ایجاد راه حلی برای معضل GAS GAS، در Capstone همچنین یک تجزیه و تحلیل شش مرحله ای از روش شناسی مشکلات تجاری را خواهید آموخت. در پایان دوره، متوجه خواهید شد که چگونه ملاحظات حسابداری، مالی، بازاریابی و رفتار سازمانی را با هم ترکیب کنید تا به یک تصمیم درست برسید که تأثیر مثبتی بر آینده شرکت خواهد داشت.

خرج کردن پول آسان است، اما بدست آوردن ارزش آن سخت است. از سال 2007 تا 2010، اپل 27 میلیارد دلار از آیفون با سود 15.6 میلیارد دلار به دست آورد. اپل بدون استراتژی منبع یابی جهانی خود نمی توانست به این موفقیت مالی دست یابد. با این حال، یکی از تامین کنندگان کلیدی اپل، سامسونگ الکترونیکس، تبدیل به یک رقیب شد و از مزیت هزینه خود برای پیشی گرفتن از اپل در بازار جهانی استفاده کرد. در همین حال، بسیاری از تامین کنندگان و محصولات جدید به طور مداوم در حال ظهور هستند. برای ادامه موفقیت، اپل باید بازارهای جهانی را برای شناسایی و انتخاب تامین کنندگان جدید که توانمند، ارزان و از نظر مالی قوی هستند، بررسی کند. سوال این است که چگونه این کار را برای امسال درست انجام دهیم؟ آنچه اپل تجربه کرد در عمل معمول است، زیرا یک شرکت ممکن است هزاران تامین کننده داشته باشد، و تعداد زیادی تامین کننده و محصولات/خدمات جدید به طور مداوم و در سطح جهانی ظاهر می شوند، که نیاز به تنظیم مکرر پایه تامین دارد. در این دوره، تجزیه و تحلیل منبع یابی را یاد می گیرید که تجزیه و تحلیل داده ها و هوش تجاری را برای توسعه و مدیریت تامین کنندگان به کار می برد. به طور خاص، شما هوش بازار، تجزیه و تحلیل قدرت چانه زنی، و تجزیه و تحلیل تامین کننده را یاد خواهید گرفت تا تامین کنندگان را با هدف به دست آوردن ارزش بیشتر با هزینه کمتر، شناسایی و انتخاب کنید.

با پیشرفت در فناوری و رایانش ابری، اکنون منابع داده های متعددی برای هدایت تصمیم گیری و هدایت موفقیت سازمان وجود دارد. جمع آوری نوع مناسب داده مستلزم آن است که تیم های منابع انسانی دارای مهارت های تحلیلی قوی باشند. تیم‌های منابع انسانی با کارایی بالا می‌دانند که وظیفه آن‌ها استفاده از داده‌ها به‌عنوان «علم تصمیم‌گیری» با شناسایی معیارها و منابع داده‌ای است که بینش‌های سازمانی را ارائه می‌دهند. برای انجام این کار، منابع انسانی باید اطمینان حاصل کند که معیارها و معیارها به طور موثر برای دستیابی به اهداف استراتژیک استفاده می شوند. این دوره بر شناسایی منابع داده موثر، توسعه معیارهای معنادار، طراحی اقدامات بلندمدت و به کارگیری نتایج در حمایت از استراتژی و تاکتیک های سازمانی تمرکز دارد.

تجزیه و تحلیل موجودی سنگ بنای تجزیه و تحلیل زنجیره تامین است. یک شرکت در صنایع بازرگانی ممکن است 30 تا 50 درصد از دارایی های خود را در موجودی انبار کند. یک مدیریت مؤثر موجودی می‌تواند درآمد را با افزایش تنوع و در دسترس بودن محصول بهبود بخشد و با کاهش موجودی و ضایعات بیش از حد، هزینه را کاهش دهد و چرخه نقدی را تسریع بخشد. از طریق مثال‌های واقعی (مانند فروشگاه‌های میسی در مقابل راس)، ابزارها و مهارت‌های عملی برای کشف و حل مشکلات موجودی با تجزیه و تحلیل داده‌ها را خواهید آموخت. پس از تکمیل، می توانید به سوالات زیر پاسخ دهید: 1. موجودی کالا برای کدام صنایع مهم و مرتبط است؟ 2. چگونه موجودی ممکن است عملکرد مالی یک شرکت را هدایت کند؟ 3. چگونه بفهمم که مشکل موجودی دارم؟ 4. چگونه می توان موجودی را طبقه بندی کرد و بر اساس آن مدیریت کرد؟ توجه: این دوره برای مبتدیان و متخصصان است و بنابراین به جای مدل های ریاضی کنترل موجودی که می توانید در بسیاری از دوره های دیگر بیابید، تجزیه و تحلیل های عملی مبتنی بر داده ها را برای مدیریت موجودی تجاری، از جمله معیارهای موجودی، تشخیص مشکل موجودی، تأثیر مالی موجودی، و تکنیک های عملی مدیریت موجودی ارائه می دهد.

پروژه Capstone نقطه اوج سفر شما از طریق تخصص انگلیسی تجاری برای افراد غیر بومی است. هدف آن به کارگیری مهارت های نوشتاری و گفتاری است که در یک موقعیت تجاری معتبر به دست آورده اید. شما می توانید یک مورد تجاری ارائه شده توسط HKUST را انتخاب کنید یا از نمونه ای از تجربه کاری خود استفاده کنید و: (1) یک ارائه ویدیویی آنلاین (تقریباً ½ ساعت) تهیه کنید که مورد را تجزیه و تحلیل می کند و توصیه هایی را ارائه می دهد، و (2) یک گزارش توصیه تجاری را مطابق با ارائه تهیه کنید (تقریباً 2000 کلمه). گزارش باید شامل یک خلاصه اجرایی، تجزیه و تحلیل مورد و توصیه ها باشد.

مصرف کنندگان برند شما را نسبت به رقبای شما چگونه می بینند؟ یک محصول جدید در زمان عرضه چگونه باید در جایگاه قرار گیرد؟ کدام بخش مشتریان بیشتر به پیشنهادات فعلی ما علاقه مند هستند؟ برای این سؤالات و بسیاری دیگر، نظرسنجی ها روش آزمایش شده و واقعی برای به دست آوردن بینش بازاریابی هستند. از نظرسنجی‌های یکباره رضایت مشتری گرفته تا نظرسنجی‌های ردیابی برند که به صورت مستمر انجام می‌شوند، اطلاعاتی را ارائه می‌دهند که بازاریابان برای درک اینکه چگونه محصولات، خدمات و برندهایشان توسط مصرف‌کنندگان دیده می‌شود، به آنها نیاز دارند. در روش‌های تحلیلی برای داده‌های نظرسنجی، یادگیرندگان با روش‌های آماری تثبیت‌شده برای تبدیل پاسخ‌های نظرسنجی به بینش‌هایی که می‌توانند از تصمیمات بازاریابی حمایت کنند، آشنا می‌شوند. تکنیک های مورد بحث شامل تجزیه و تحلیل عاملی، تجزیه و تحلیل خوشه ای، تجزیه و تحلیل متمایز و مقیاس بندی چند بعدی است. این تکنیک‌ها در چارچوب STP (بخش‌بندی، موقعیت‌یابی، هدف‌گذاری) ارائه شده‌اند و به یادگیرندگان این امکان را می‌دهند تا از تکنیک‌های تحلیلی برای توسعه استراتژی بازاریابی استفاده کنند. توصیه می شود قبل از گذراندن این دوره دوره آموزشی Meaningful Marketing Insights ارائه شده توسط Coursera را تکمیل کنید. توجه: این دوره نیاز به استفاده از XL Stat دارد، یک افزونه اکسل که دانش‌آموزان باید آن را خریداری کنند. XL Stat یک آزمایش رایگان 30 روزه ارائه می دهد، بنابراین دانش آموزان می توانند این دوره را بدون پرداخت هزینه اضافی تکمیل کنند.

آیا می خواهید ساختار شبکه داده خود و نحوه تغییر آن در شرایط مختلف را درک کنید؟ کنجکاو هستید که بدانید چگونه می توان خوشه های تعامل نزدیک در یک نمودار را شناسایی کرد؟ آیا در مورد منطقه به سرعت در حال رشد تجزیه و تحلیل گراف شنیده اید و می خواهید بیشتر بدانید؟ این دوره به شما یک نمای کلی از حوزه تجزیه و تحلیل گراف ارائه می دهد تا بتوانید روش های جدیدی برای مدل سازی، ذخیره سازی، بازیابی و تجزیه و تحلیل داده های ساختار یافته نمودار بیاموزید. پس از اتمام این دوره، شما قادر خواهید بود یک مسئله را در پایگاه داده گراف مدل کنید و کارهای تحلیلی را بر روی نمودار به صورت مقیاس پذیر انجام دهید. بهتر از آن، شما قادر خواهید بود از این تکنیک ها برای درک اهمیت مجموعه داده های خود برای پروژه های خود استفاده کنید.

گنجاندن یادگیری ماشین در خطوط لوله داده، توانایی استخراج بینش از داده ها را افزایش می دهد. این دوره روش‌هایی را که می‌توان یادگیری ماشین را در خطوط لوله داده در Google Cloud گنجاند، پوشش می‌دهد. برای سفارشی سازی اندک یا بدون سفارشی سازی، این دوره AutoML را پوشش می دهد. برای قابلیت‌های یادگیری ماشینی مناسب‌تر، این دوره نوت‌بوک‌ها و یادگیری ماشینی BigQuery (BigQuery ML) را معرفی می‌کند. همچنین، این دوره نحوه تولید راه حل های یادگیری ماشین را با استفاده از Vertex AI پوشش می دهد.

این تجربه یادگیری شما را در فرآیند استفاده از منابع داده های مختلف و چندین محصول Google Cloud (از جمله BigQuery و Google Sheets با استفاده از صفحات متصل) برای تجزیه و تحلیل، تجسم و تفسیر داده ها برای پاسخ به سؤالات خاص و به اشتراک گذاشتن بینش با تصمیم گیرندگان کلیدی راهنمایی می کند.