کاتالوگ دوره‌ها

مدت زمان دوره

ارائه دهنده

موضوع

طبقه‌ها

نمایش 8,101 تا 8,120 مورد از کل 17,394 مورد.

linkedin تجزیه و تحلیل مالی: تجزیه و تحلیل خط پایین با اکسل (Mitalearn-58936)

  • 1 ساعت 31 دقیقه
  • متوسط
  • انتشار: 22 June 2026
  • مدرس: Rudolph Rosenberg
درباره این دوره:

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.

linkedin تجزیه و تحلیل مالی: ساخت پیش بینی های تجاری (Mitalearn-54091)

  • 1 ساعت 17 دقیقه
  • متوسط
  • انتشار: 21 June 2026
  • مدرس: Rudolph Rosenberg
درباره این دوره:

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.

linkedin تجزیه و تحلیل متن و پیش بینی با آموزش ضروری پایتون (Mitalearn-159355)

  • 35 دقیقه
  • متوسط
  • انتشار: 20 June 2026
  • مدرس: Kumaran Ponnambalam
درباره این دوره:

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.

linkedin تجزیه و تحلیل متن و پیش بینی ها با آموزش R Essential (Mitalearn-159372)

  • 40 دقیقه
  • متوسط
  • انتشار: 22 June 2026
  • مدرس: Kumaran Ponnambalam
درباره این دوره:

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.

مهارت‌های مرتبط

coursera تجزیه و تحلیل مجموعه داده ها و آموزش مدل های ML با استفاده از AutoML (Mitalearn-336512)

  • 2 ساعت 51 دقیقه
  • مناسب همه
  • انتشار: 23 June 2026
  • مدرس: Antje Barth
درباره این دوره:

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.

coursera تجزیه و تحلیل محصول و هوش مصنوعی (Mitalearn-304501)

  • 5 ساعت 46 دقیقه
  • مبتدی
  • انتشار: 23 June 2026
  • مدرس: Alex Cowan
درباره این دوره:

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.

linkedin تجزیه و تحلیل مدل فرآیند (Mitalearn-432936)

  • 52 دقیقه
  • مناسب همه
  • انتشار: 25 July 2026
  • مدرس: Jamie Champagne
درباره این دوره:

در این دوره ، جیمی شامپاین - یک سخنران حرفه ای و مربی تجزیه و تحلیل تجارت - نحوه بهینه سازی مدیریت زنجیره تأمین را از طریق تجزیه و تحلیل فرایند دقیق ارائه می دهد. در مورد شناسایی تنگناها و ناکارآمدی در تدارکات زنجیره تأمین و مدیریت فروشنده اطلاعات کسب کنید. تکنیک هایی مانند تجزیه فرآیند ، تجزیه و تحلیل علت ریشه و استفاده از نمودارهای ماهی ماهی را برای ساده کردن گردش کار پیچیده و حل و فصل موثری کشف کنید. برای ضبط اجزای فرآیند کلیدی و تجسم تلاش های بهبود ، چارچوب هایی مانند SIPOC و نقشه برداری جریان را اعمال کنید. نحوه تعریف و استفاده از معیارها و KPI ها را برای ردیابی اثربخشی تغییرات فرآیند و اطمینان از بهینه سازی مداوم درک کنید. با تمرکز بر درگیر کردن ذینفعان و پرسیدن سؤالات مناسب ، مجهز به پیشرفت های تأثیرگذار در تمام کارهای مدیریت زنجیره تأمین شما خواهید بود.

linkedin تجزیه و تحلیل مراقبت های بهداشتی: رگرسیون در R (Mitalearn-107420)

  • 4 ساعت 20 دقیقه
  • پیشرفته
  • بروزرسانی: 22 June 2026
  • مدرس: Monika Wahi
درباره این دوره:

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.

coursera تجزیه و تحلیل مشتری (Mitalearn-297072)

  • 5 ساعت 48 دقیقه
  • مناسب همه
  • انتشار: 23 June 2026
  • مدرس: Eric Bradlow,Peter Fader,Raghu Iyengar
درباره این دوره:

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

datacamp تجزیه و تحلیل مشتری و تست A/B در پایتون (Mitalearn-404495)

  • 53 دقیقه
  • مناسب همه
  • انتشار: 28 June 2026
  • مدرس: Ryan Grossman
درباره این دوره:

موفق ترین شرکت های امروزی آنهایی هستند که مشتریان خود را آنقدر خوب می شناسند که بتوانند نیازهای آنها را پیش بینی کنند. تجزیه و تحلیل مشتری و به ویژه تست A/B بخش های بسیار مهمی هستند استفاده از دانش کمی برای کمک به تصمیم گیری های تجاری که ارزش آفرینی می کند. این دوره نکات و نکات نحوه استفاده از پایتون را پوشش می دهد تجزیه و تحلیل رفتار مشتری و روندهای تجاری و همچنین نحوه ایجاد، اجرا، و تست های A/B را برای اتخاذ تصمیمات تجاری پیشگیرانه و مبتنی بر داده تجزیه و تحلیل کنید.

مهارت‌های مرتبط

linkedin تجزیه و تحلیل مشتریان پیش بینی کننده (2017) (Mitalearn-112112)

  • 1 ساعت 37 دقیقه
  • متوسط
  • انتشار: 3 July 2017
  • مدرس: Kumaran Ponnambalam
درباره این دوره:

از داده های بزرگ برای گفتن داستان مشتری خود با تجزیه و تحلیل پیش بینی کننده استفاده کنید. در این دوره آموزشی، می‌توانید در مورد چرخه زندگی مشتری و اینکه چگونه تجزیه و تحلیل پیش‌بینی‌کننده می‌تواند به بهبود هر مرحله از سفر مشتری کمک کند، بیاموزید.\n\n داده‌های تولید شده در داخل و خارج از کسب‌وکارتان و راه‌هایی را که می‌توان داده‌ها را در سازمانتان جمع‌آوری و جمع‌آوری کرد، کاوش کنید. سپس سه مورد استفاده را برای تجزیه و تحلیل پیش‌بینی‌کننده در هر مرحله از چرخه عمر مشتری، از جمله کسب، فروش، خدمات و حفظ مرور کنید. برای هر مرحله، شما همچنین یک راه حل تحلیلی پیش بینی در پایتون می سازید. در ویدئوهای پایانی، نویسنده کوماران پونامبالام بهترین شیوه‌ها را برای ایجاد فرآیند تحلیل مشتری از ابتدا معرفی می‌کند.

coursera تجزیه و تحلیل مشکلات کسب و کار (Mitalearn-298636)

  • 1 ساعت 58 دقیقه
  • مناسب همه
  • انتشار: 23 June 2026
  • مدرس: Carlos García Pont
درباره این دوره:

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.

مهارت‌های مرتبط

coursera تجزیه و تحلیل منابع (Mitalearn-328998)

  • 1 ساعت 32 دقیقه
  • مبتدی
  • انتشار: 23 June 2026
  • مدرس: Yao Zhao
درباره این دوره:

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.

coursera تجزیه و تحلیل منابع انسانی (Mitalearn-298874)

  • 59 دقیقه
  • مناسب همه
  • انتشار: 23 June 2026
  • مدرس: Amber Gould
درباره این دوره:

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.

datacamp تجزیه و تحلیل منابع انسانی: پیش بینی ریزش کارکنان در پایتون (Mitalearn-405838)

  • 31 دقیقه
  • مناسب همه
  • انتشار: 28 June 2026
  • مدرس: Hrant Davtyan
درباره این دوره:

در میان همه حوزه‌های تجاری، منابع انسانی همچنان کمترین اختلال را دارد. با این حال، آخرین پیشرفت‌ها در ابزارها و فناوری‌های جمع‌آوری و تجزیه و تحلیل داده‌ها، امکان تصمیم‌گیری مبتنی بر داده‌ها را در همه ابعاد، از جمله منابع انسانی، فراهم می‌کند. این دوره پایه محکمی برای برخورد با داده‌های کارکنان و ایجاد یک مدل پیش‌بینی برای تجزیه و تحلیل گردش مالی کارکنان فراهم می‌کند.

مهارت‌های مرتبط

linkedin تجزیه و تحلیل موجک: برنامه های کاربردی با زبان Wolfram (Mitalearn-393870)

  • 51 دقیقه
  • مناسب همه
  • انتشار: 10 January 2024
  • مدرس: Wolfram Research
درباره این دوره: 

 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.

مهارت‌های مرتبط

linkedin تجزیه و تحلیل موجک: مفاهیم با زبان ولفرام (Mitalearn-393853)

  • 49 دقیقه
  • مناسب همه
  • انتشار: 4 January 2024
  • مدرس: Wolfram Research
درباره این دوره: 

 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.

مهارت‌های مرتبط

coursera تجزیه و تحلیل موجودی (Mitalearn-289099)

  • 1 ساعت 28 دقیقه
  • مبتدی
  • انتشار: 23 June 2026
  • مدرس: Yao Zhao
درباره این دوره:

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.

coursera تجزیه و تحلیل موردی کسب و کار (Mitalearn-373861)

  • 5 دقیقه
  • مناسب همه
  • انتشار: 23 June 2026
  • مدرس: Kin Tang,Delian Gaskell,Sean McMinn
درباره این دوره:

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.

مهارت‌های مرتبط

coursera تجزیه و تحلیل نظرسنجی برای به دست آوردن بینش بازاریابی (Mitalearn-300693)

  • 1 ساعت 53 دقیقه
  • مناسب همه
  • انتشار: 23 June 2026
  • مدرس: David Schweidel
درباره این دوره:

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.

مهارت‌های مرتبط

دوره‌های پیشنهادی