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!

بیاموزید که چگونه خط برتر (یا درآمد) شرکت خود را تجزیه و تحلیل کنید و زمینه هایی را که عملکرد ضعیف یا بیش از حد دارند با اکسل شناسایی کنید. نویسنده، رودولف روزنبرگ، مفاهیم مالی ضروری را که برای درک اطلاعات درآمد شرکت شما ضروری است، بررسی می کند. سپس ابزارها و تکنیک هایی را که می توانید در اکسل استفاده کنید، از جمله PivotTables و تابع ارزشمند SUMIF، برای آماده سازی و تجزیه و تحلیل داده هایی که در دسترس دارید، معرفی می کند. به علاوه، یاد بگیرید که چگونه پایگاه مشتری خود را تجزیه و تحلیل کنید، درآمد هر محصول را تعیین کنید و فرصت های فروش را شناسایی کنید. رودولف همچنین نشان می دهد که چگونه می توان با در نظر گرفتن تأثیر فصلی بودن، کسب و کار تکراری در مقابل یکباره، و وابستگی های متقابل، مطمئن شد که با داده های خود به طور منصفانه رفتار می کنید.

rnrn

بیاموزید که چگونه نتایج (یا سودآوری) شرکت خود را تجزیه و تحلیل کنید و زمینه های کم یا بیش از حد را با Excel شناسایی کنید. رودلف روزنبرگ، نویسنده مجموعه تجزیه و تحلیل مالی، نشان می دهد که چگونه از داده هایی که شرکت شما هر روز تولید می کند برای تجزیه حاشیه ناخالص و هزینه های عملیاتی خود استفاده کنید. او ابزارها و تکنیک هایی را که می توانید در اکسل برای تهیه و تجزیه و تحلیل آن داده ها استفاده کنید، از جمله PivotTables و تابع ارزشمند SUMIF معرفی می کند. بعلاوه، شما یاد خواهید گرفت که مخارج فروش و بازاریابی، مخارج کارکنان و بهره وری را به طور جداگانه شناسایی و تجزیه و تحلیل کنید، بنابراین می توانید تصویر بسیار واضحی از داده های خود از زوایای مختلف داشته باشید.

rnrn تجزیه و تحلیل: تجزیه و تحلیل خط بالا با اکسل.

برآورد عملکرد مالی آینده نقش مهمی در زندگی استارت آپ ها و شرکت های بزرگ و کوچک دارد. با نگاه کردن به آینده، شرکت ها می توانند به طور فعال تغییرات را مدیریت کنند. استارت آپ ها می توانند از پیش بینی ها برای ایجاد طرح های تجاری و افزایش سرمایه استفاده کنند. این دوره در مورد ایجاد آن پیش بینی های مالی است: نه با پیش بینی آینده، بلکه با یادگیری از عملکرد گذشته. رودولف روزنبرگ تکنیک‌هایی را که توسط متخصصان برنامه‌ریزی مالی برای ایجاد پیش‌بینی‌های مالی قوی با استفاده از مایکروسافت اکسل استفاده می‌شود، به اشتراک می‌گذارد. او نشان می‌دهد که چگونه می‌توان دو رویکرد - از پایین به بالا و از بالا به پایین - را در یک طرح ریزی جامع ترکیب کرد که به شما کمک می‌کند درآمد و هزینه‌ها را تجزیه و تحلیل کنید، تغییرات را پیش‌بینی کنید و اهداف شرکت را در تصویری واقعی از آینده شرکت خود بگنجانید.

متن یک منبع غنی از بینش برای مشاغل است. وب‌سایت‌ها، رسانه‌های اجتماعی، ایمیل‌ها و چت‌ها همگی حاوی داده‌های ارزشمند مشتری هستند. اما برای به دست آوردن پاداش، باید بتوانید حجم زیادی از متن بدون ساختار را تجزیه و تحلیل کنید. متن کاوی یک مهارت ضروری برای هر کسی است که در کلان داده و علم داده کار می کند. این دوره تکنیک های متن کاوی برای استخراج، پاکسازی و پردازش متن با استفاده از Python و کتابخانه های scikit-learn و nltk را آموزش می دهد. Kumaran Ponnambalam نحوه انجام تجزیه و تحلیل متن را با استفاده از تکنیک های رایج مانند ابر کلمه و تجزیه و تحلیل احساسات توضیح می دهد. سپس نشان می‌دهد که چگونه می‌توان با استفاده از خوشه‌بندی، طبقه‌بندی و توصیه‌ها با داده‌های متنی پیش‌بینی کرد – که در غیر این صورت به عنوان متن پیش‌بینی شناخته می‌شود. در طول مسیر، او مفاهیم مهم تجزیه و تحلیل متن مانند واژه سازی و n-gram را معرفی می کند.

رسانه‌های اجتماعی، ایمیل‌ها، وبلاگ‌ها و پیام‌های متنی به کسب‌وکارها بینش‌های ارزشمندی درباره نحوه فکر و خواسته‌های مشتریانشان ارائه می‌دهند. اما استخراج این داده های متنی فرآیند ساده ای نیست. بلکه نیازمند مجموعه ای از ابزارها و تکنیک های خاص است. در این دوره، Kumaran Ponnambalam این ابزارها و تکنیک ها را بررسی می کند و نحوه استفاده از آنها را برای تجزیه و تحلیل داده های متنی در R و انجام یادگیری ماشینی و پیش بینی ها نشان می دهد. کوماران نشان می دهد که چگونه می توان تجزیه و تحلیل متن را با استفاده از روش های رایج مانند ابر کلمه و تجزیه و تحلیل احساسات انجام داد. سپس نشان می‌دهد که چگونه می‌توان با استفاده از خوشه‌بندی، طبقه‌بندی و توصیه‌ها با داده‌های متنی پیش‌بینی کرد – که در غیر این صورت به عنوان متن پیش‌بینی شناخته می‌شود.

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.

مدل های رگرسیون خطی و لجستیک را می توان با استفاده از R، نرم افزار محاسبات آماری منبع باز ایجاد کرد. در این دوره، مونیکا وحی، متخصص بیوتکنولوژی و اپیدمیولوژیست، از مجموعه داده های نظارت بر عوامل خطر رفتاری (BRFSS) در دسترس عموم استفاده می کند تا به شما نشان دهد که چگونه یک فرآیند مدل سازی گام به گام رو به جلو انجام دهید. مونیکا به شما نشان می دهد که چگونه با در نظر گرفتن معقول بودن علمی در انتخاب یک فرضیه، تحقیق خود را طراحی کنید. سپس، او شما را از طریق مراحل تهیه، توسعه و نهایی کردن هر دو مدل رگرسیون خطی و مدل رگرسیون لجستیک راهنمایی می کند. او همچنین تکنیک‌هایی را برای نحوه تفسیر نمودارهای تشخیصی، بهبود تناسب مدل، مقایسه مدل‌ها و موارد دیگر به اشتراک می‌گذارد.

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.

 این دوره نمونه هایی از انواع برنامه های تحلیل موجک در زبان Wolfram، از جمله سری های زمانی مالی، تشخیص لبه و حذف نویز تصاویر، آستانه گذاری، فشرده سازی تصویر و داده ها، و ادغام تصویر را ارائه می دهد. آشنایی با تبدیل های فوریه و روش های هموارسازی داده ها برای این کلاس توصیه می شود. یاد بگیرید که یک سری زمانی را با استفاده از موجک ها برای تشخیص ناپیوستگی ها، جداسازی پیک ها و بازرسی رفتارهای غیر ایستا تجزیه و تحلیل کنید. اعمال تجزیه و تحلیل موجک به داده های مالی؛ تشخیص لبه ها و ناپیوستگی ها در تصاویر و سایر داده های دو بعدی؛ کاهش نویز در تصاویر با حذف اجزای فرکانس بالاتر. و بیشتر.

 موجک ها سیگنال را به تقریب ها و جزئیات در مقیاس های مختلف تجزیه می کنند و آنها را برای کاربردهایی مانند فشرده سازی داده ها، تشخیص ویژگی ها و حذف نویز از سیگنال ها مفید می کنند. این دوره از تحقیقات Wolfram برخی از نظریه‌های تبدیل موجک پیوسته، گسسته و ثابت را توضیح می‌دهد و نشان می‌دهد که چگونه زبان Wolfram و توابع داخلی آن می‌تواند برای ساخت، محاسبه، تجسم و تجزیه و تحلیل تبدیل‌های موجک و توابع مرتبط استفاده شود.

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.