نرم افزار: سیستم ها: محاسبات علمی

راهنمای HBR برای مبانی تجزیه و تحلیل داده ها برای مدیران

HBR Guide to Data Analytics Basics for Managers

دانلود کتاب HBR Guide to Data Analytics Basics for Managers (به فارسی: راهنمای HBR برای مبانی تجزیه و تحلیل داده ها برای مدیران) نوشته شده توسط «Harvard Business Review»

اطلاعات کتاب راهنمای HBR برای مبانی تجزیه و تحلیل داده ها برای مدیران

موضوع اصلی: ریاضیات

نوع: کتاب الکترونیکی

ناشر: Harvard Business Review Press

نویسنده: Harvard Business Review

زبان: english

فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)

سال انتشار: 2018

تعداد صفحه: 257

حجم فایل: 1.92 مگابایت

کد کتاب: 1633694283 , 9781633694286

توضیحات کتاب راهنمای HBR برای مبانی تجزیه و تحلیل داده ها برای مدیران

مقدمه: چرا باید تجزیه و تحلیل داده ها را درک کنید — بخش 1. شروع به کار: با مقادیر خود همراه باشید: راهنمای بی شماری برای پیمایش داده های بزرگ / نوشته توماس اچ داونپورت — تمرینی ساده برای کمک به شما مانند یک دانشمند داده فکر کنید: روشی آسان برای یادگیری فرآیند تجزیه و تحلیل داده ها / توسط توماس سی. ردمن — بخش 2. اطلاعات صحیح را جمع آوری کنید: آیا به همه آن داده ها نیاز دارید؟: سوالاتی که باید برای جستجوی متمرکز بپرسید / توسط ران اشکناس — چگونه بپرسید دانشمندان داده شما برای داده ها و تجزیه و تحلیل ها: عواملی که باید برای به دست آوردن اطلاعات مورد نیاز در نظر داشته باشید / توسط مایکل لی، مدینا کاسنگالیوا، و ریموند پرکینز — نحوه طراحی یک آزمایش تجاری: نکاتی برای استفاده از روش علمی / توسط الیور هاوزر و مایکل لوکا — تفاوت بین داده های خود و معیارهای خود را بدانید: درک آنچه را که اندازه می گیرید / توسط جف بلاد و باب فیلبین — اصول اولیه تست A/B: چگونه کار می کند و اشتباهاتی که باید از آنها اجتناب کنید / توسط امی گالو — آیا می توان به داده های شما اعتماد کرد؟: بررسی کنید که آیا داده های شما قابل اعتماد هستند یا خیر ایمن برای استفاده / توسط Thomas C. Redman — بخش 3. تجزیه و تحلیل داده ها: یک آغازگر تحلیلی پیش بینی کننده: با نگاه کردن به گذشته به آینده نگاه کنید / توسط Thomas H. Davenport — درک تحلیل رگرسیون: ارزیابی رابطه بین متغیرها / نوشته ایمی گالو — چه زمانی باید بر اساس یک همبستگی عمل کرد و چه زمانی نباید: اطمینان خود را نسبت به یافته های خود و خطر اشتباه بودن ارزیابی کنید / نوشته دیوید ریتر — آیا یادگیری ماشینی می تواند مشکل کسب و کار شما را حل کند؟: اقداماتی که قبل از سرمایه گذاری باید انجام دهید هوش مصنوعی / توسط Anastassia Fedyk — تجدید نظر در مورد اهمیت آماری: بررسی کنید آیا نتایج شما واقعی است یا شانس / توسط امی گالو — تفکر خطی در دنیای غیر خطی: یک اشتباه رایج که منجر به اشتباهات در قضاوت می شود / توسط بارت دی لانگه، استفانو پونتونی و ریچارد لاریک – دام تصمیم‌های مبتنی بر داده: تله‌های شناختی برای اجتناب / نوشته مگان مک‌گاروی و کریستینا مک‌الهران – اجازه ندهید تحلیل‌های شما حقیقت را فریب دهند: همیشه موارد پرت را بخواهید / نوشته مایکل شریج – بخش 4. با فی خود ارتباط برقرار کنید نتایج: داده‌ها بی‌ارزش هستند اگر آن‌ها را انتقال ندهید: معنی آن را به مردم بگویید / نوشته توماس اچ. داونپورت – وقتی تجسم داده‌ها کار می‌کند و زمانی که کار نمی‌کند: همه داده‌ها ارزش تلاش را ندارند / نوشته جیم استیکلدر – – چگونه نمودارهایی بسازیم که به نمایش درآیند و متقاعد شوند: سوالاتی برای کمک به معنی دادن به اعداد شما / توسط نانسی دوارت — چرا برای ما اینقدر دشوار است که عدم قطعیت را بیان کنیم: نشان دادن – و درک – احتمال رویدادها: مصاحبه با اسکات بریناتو / توسط نیکول تورس — پاسخ دادن به کسی که با عصبانیت داده های شما را به چالش می کشد: اطمینان حاصل کنید که داده ها کامل هستند، سپس آنها را متحد کنید / نوشته جان ام. جاچیموویچ – تصمیم ها با داده ها شروع نمی شوند: بر دیگران از طریق داستان و احساسات تأثیر بگذارید / اثر نیک مورگان

Introduction: Why you need to understand data analytics — Section 1. Getting started: Keep up with your quants: an innumerate’s guide to navigating big data / by Thomas H. Davenport — A simple exercise to help you think like a data scientist: an easy way to learn the process of data analytics / by Thomas C. Redman — Section 2. Gather the right information: Do you need all that data?: questions to ask for a focused search / by Ron Ashkenas — How to ask your data scientists for data and analytics: factors to keep in mind to get the information you need / by Michael Li, Madina Kassengaliyeva, and Raymond Perkins — How to design a business experiment: tips for using the scientific method / by Oliver Hauser and Michael Luca — Know the difference between your data and your metrics: understand what you’re measuring / by Jeff Bladt and Bob Filbin — The fundamentals of A/B testing: how it works and mistakes to avoid / by Amy Gallo — Can your data be trusted?: gauge whether your data is safe to use / by Thomas C. Redman — Section 3. Analyze the data: A predictive analytics primer: look to the future by looking at the past / by Thomas H. Davenport — Understanding regression analysis: evaluate the relationship between variables / by Amy Gallo — When to act on a correlation, and when not to: assess your confidence in your findings and the risk of being wrong / by David Ritter — Can machine learning solve your business problem?: steps to take before investing in AI / by Anastassia Fedyk — A refresher on statistical significance: check if your results are real or just luck / by Amy Gallo — Linear thinking in a nonlinear world: a common mistake that leads to errors in judgment / by Bart de Langhe, Stefano Puntoni, and Richard Larrick — Pitfalls of data-driven decisions: the cognitive traps to avoid / by Megan MacGarvie and Kristina McElheran — Don’t let your analytics cheat the truth: always ask for the outliers / by Michael Schrage — Section 4. Communicate your findings: Data is worthless if you don’t communicate it: tell people what it means / by Thomas H. Davenport — When data visualization works, and when it doesn’t: not all data is worth the effort / by Jim Stikeleather — How to make charts that pop and persuade: questions to help give your numbers meaning / by Nancy Duarte — Why it’s so hard for us to communicate uncertainty: illustrating – and understanding – the likelihood of events: an interview with Scott Berinato / by Nicole Torres — Responding to someone who angrily challenges your data: ensure the data is thorough, then make them an ally / by Jon M. Jachimowicz — Decisions don’t start with data: influence others through story and emotion / by Nick Morgan

دانلود کتاب «راهنمای HBR برای مبانی تجزیه و تحلیل داده ها برای مدیران»

مبلغی که بابت خرید کتاب می‌پردازیم به مراتب پایین‌تر از هزینه‌هایی است که در آینده بابت نخواندن آن خواهیم پرداخت.

برای دریافت کد تخفیف ۲۰ درصدی این کتاب، ابتدا صفحه اینستاگرام کازرون آنلاین (@kazerun.online ) را دنبال کنید. سپس، کلمه «بلیان» را در دایرکت ارسال کنید تا کد تخفیف به شما ارسال شود.

برچسب ها

دیدگاهتان را بنویسید

مبلغی که بابت خرید کتاب می‌پردازیم به مراتب پایین‌تر از هزینه‌هایی است که در آینده بابت نخواندن آن خواهیم پرداخت.
کتابخانه دیجیتال بَلیان