آموزش تجزیه و تحلیل الزامات تجاری برای علم داده

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

• بررسی اجمالی دوره Course Overview

تعیین اینکه آیا علم داده برای سازمان مناسب است یا خیر Determining if Data Science Is an Appropriate Fit for the Organization

• علم داده چیست؟ What Is Data Science?

• عامل انگیزه پروژه چیست؟ What Is the Project Motivation Factor?

• مهارت های سخت و مهارت های نرم Hard-skills and Soft-skills

• شناسایی مهارتهای سخت Identifying the Hard-skills

• با بازیکنان فنی کلیشه ای ملاقات کنید Meet the Stereotypical Technical Players

• سهامداران خود را شناسایی کنید Identify Your Stakeholders

• انتخاب سهامداران مناسب Selecting the Right Stakeholders

• با سهامداران خود آشنا شوید Get to Know Your Stakeholders

• مدیریت تعامل اولیه با سهامداران Managing the Initial Stakeholder Engagement

• پرسیدن س Rightالات درست Asking the Right Questions

• تسخیر نیازهای سهامداران Capturing Stakeholders Needs

• ارزیابی نیازهای سهامداران Assessing Stakehoders Needs

• دسترسی به داده ها Accessing the Data

• تجزیه و تحلیل شکاف پروژه Project Gap Analysis

• پیشنهاد را ارائه دهید Present the Proposal

• دسترسی به واکنش تیم Accessing the Team's Reaction

• آدرس را بگیرید و هر گونه نگرانی را ضبط کنید Address and Capture Any Concerns

• ایجاد توافق نامه برای ادامه پروژه Establishing Agreement to Proceed the Project Further

کم کردن مشکل تجاری Quantifying the Business Problem

• نیاز پروژه را به تجارت دسترسی دهید Access the Need of the Project to the Business

• محدوده پروژه علوم داده با ریسک بالا High Risk Data Science Project Scope

• دامنه پروژه علوم داده با ریسک کم Low Risk Data Science Project Scope

• محدوده پروژه خارجی در مقابل مواجهه داخلی External vs. Internal Facing Project Scope

• تعریف معیارهای تجاری Defining Business Metrics

• طبقه بندی معیارهای تجاری Business Metrics Classifications

• مدیریت معیارهای فنی Managing Technical Metrics

• خطرات پروژه علوم داده Data Science Project Risks

• چرخه زندگی پروژه علوم داده Data Science Project Lifecycle

• کمی کردن خطرات برای پروژه علوم داده Quantifying the Risks for the Data Science Project