آموزش داستان‌سرایی با داده‌ها: تبدیل اعداد به روایت‌های جذاب - آخرین آپدیت

دانلود Data Storytelling: Transforming Number into Narratives

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

آیا آماده‌اید گزارش دادن داده‌ها را متوقف کنید و شروع به هدایت تصمیمات استراتژیک نمایید؟

در دنیای داده‌محور امروز، مهارت‌های فنی تنها بلیط ورود هستند. ارز واقعی، قدرت نفوذ و تأثیرگذاریاست. اگر یافته‌های شما، هرچقدر هم درخشان باشند، با سردرگمی مواجه می‌شوند، نادیده گرفته می‌شوند یا نمی‌توانند انگیزه‌ای برای اقدام ایجاد کنند، شما فاقد حیاتی‌ترین مهارت هستید: داستان‌سرایی با داده‌ها (Data Storytelling).

این دوره با عنوان «داستان‌سرایی با داده‌ها: تبدیل اعداد به روایت‌ها»، نقشه راه جامع شما برای تبدیل شدن به یک متخصص جایگزین‌ناپذیر است. ما به شما می‌آموزیم چگونه تحلیل‌های پیچیده را به داستان‌های شفاف و انسان‌محور تبدیل کنید که ذینفعان را به اقدام وا دارد و تضمین کند که خروجی کار شما همواره تأثیری ملموس داشته باشد.

چرا این دوره ضروری است؟

برای متخصصان (تحلیلگران، دانشمندان داده و مدیران):این دوره شکاف بحرانی بین تحلیل و ارتباطات را پر می‌کند. شما یاد می‌گیرید با قاب‌بندی بینش‌ها به گونه‌ای که با اولویت‌های مدیریتی همسو باشد، «فلج تحلیلی» را از بین ببرید. با تسلط بر این تکنیک‌ها، شما از یک عضو ارزشمند تیم به یک رهبر جایگزین‌ناپذیرتبدیل می‌شوید که استراتژی‌ها را بر اساس روایت‌های شفاف و مبتنی بر شواهد هدایت می‌کند. ارتقای شغلی و مسیر پیشرفت شما به توانایی‌تان در انتقال موثر «چرایی» و «نتیجه نهایی» وابسته است.

برای هر کسی که داده‌ها را ارائه می‌دهد:چه در حال درخواست بودجه باشید، چه ارائه تحقیقات بازار یا اشتراک‌گذاری یافته‌های پژوهشی، این دوره تضمین می‌کند که مخاطب شما پیام را درک کند، به خاطر بسپارد و بر اساس آن عمل کند. شما اعتماد به نفس لازم برای ارائه‌هایی را به دست می‌آورید که نه‌تنها اطلاع‌رسان، بلکه واقعاً متقاعدکننده هستند.

آنچه در این مسیر یاد می‌گیرید (مسیر تبدیل شدن به متخصص)

این دوره در ۱۰ ماژول کاربردی ساختار یافته است که شما را از تغییر ذهنیت تا ارائه راهکارهای حرفه‌ای پیش می‌برد:

  • ماژول ۱: پی‌ریزی بنیادها: ذهنیت یک داستان‌سرا

    • یاد بگیرید که تأثیرگذاریرا بر پیچیدگی اولویت دهید. ما تمرکز شما را از جمع‌آوری صرف داده‌ها به ایجاد نتایج قابل اندازه‌گیری تغییر می‌دهیم.

  • ماژول ۲: جستجوی بینش: از داده‌های خام تا پیام کلیدی

    • تسلط بر تکنیک‌های یافتن مهم‌ترین داستان پنهان در مجموعه‌داده‌ها. یاد بگیرید قبل از رسم حتی یک نمودار، پاسخ سؤال «خب که چه؟»را پیدا کنید.

  • ماژول ۳: اصول طراحی بصری: نحوه پردازش داده‌ها توسط مغز

    • بررسی روانشناسی ادراک بصری. درک ویژگی‌های پیش‌توجهی (Preattentive Attributes)و اصول طراحی که باعث می‌شود بینش‌های شما غیرقابل چشم‌پوشیباشند.

  • ماژول ۴: نمودار مناسب برای هدف مناسب

    • اتکا به تنظیمات پیش‌فرض را متوقف کنید. بصری‌سازی دقیقی (از نمودارهای شیب تا نمودارهای پراکندگی) را انتخاب کنید که پیام خاص شما را به طور شفاف و کارآمد منتقل کند.

  • ماژول ۵: چارچوب‌های روایی: ساختاردهی به داستان

    • به‌کارگیری ساختارهای کلاسیک داستان‌سرایی (مانند سفر قهرمان و هرم مینتو) در ارائه‌های داده برای ایجاد تعلیق، نمایش نقطه اوج (یافته‌های شما) و تضمین درگیر شدن مخاطب.

  • ماژول ۶: ارائه زمینه (Context) و فراخوان به اقدام

    • یادگیری هنر قاب‌بندی: چگونه در ابتدا اهمیت و مخاطراتموضوع را تعریف کنید و در انتها یک توصیهشفاف و عملی ارائه دهید.

  • ماژول ۷ و ۸: داشبوردهای تعاملی (بخش ۱ و ۲ - پیاده‌سازی در Power BI)

    • فراتر از نمودارهای ساده بروید. بر تمام فرآیند برنامه‌ریزی، وایرفریمینگ و ساخت داشبوردهای تعاملی Power BI تسلط یابید که کاربران را بدون سردرگمی به سمت بینش اصلی هدایت می‌کند.

  • ماژول ۹: قدرت ارائه: بیان داستان

    • تکنیک‌های ارائه با اعتماد به نفس، مدیریت پرسش و پاسخ‌های دشوار و تضمین اینکه ارائه شما منجر به اجماع نظر و اقدامشود.

  • ماژول ۱۰: ساخت پورتفولیو و گام‌های بعدی

    • ایجاد یک پورتفولیوی حرفه‌ای از داستان‌های داده و ایجاد عادت بهبود مستمربرای پیشرو ماندن در این حوزه.

همین حالا ثبت‌نام کنید و تبدیل اعداد خام به روایت‌های متقاعدکننده‌ای را آغاز کنید که آینده سازمان شما را شکل می‌دهد.


سرفصل ها و درس ها

درس‌ها Lessons

  • مقدمه‌ای بر داستان‌سرایی با داده‌ها Introduction to Data Storytelling

  • ۱.۱ تعریف داستان‌سرایی با داده‌ها 1.1 Defining Data Storytelling

  • ۱.۲ بحران هویت تحلیلگران 1.2 The Analyst's Identity Crisis

  • ۱.۳ سه ستون اصلی داستان‌سرایی با داده‌ها 1.3 The Three Pillars of Data Storytelling

  • ۱.۴ غلبه بر فلج تحلیلی 1.4 Overcoming Analysis Paralysis

  • ۲.۱ مبانی اکتشاف داده‌ها 2.1 Data Exploration Fundamentals

  • ۲.۲ تبدیل متریک‌ها به بینش 2.2 Turning Metric Into Insight

  • ۲.۳ شناسایی تضاد یا تنش در داده‌ها 2.3 Identifying the Conflict or Tension

  • ۲.۴ فرموله‌کردن تز مرکزی 2.4 Formulating a Central Thesis

  • ۳.۱ بار شناختی و شفافیت 3.1 Cognitive Load and Clarity

  • ۳.۲ قدرت ویژگی‌های پیش‌توجهی 3.2 The Power of Presttentive Attribute

  • ۳.۳ کاربرد اصول گشتالت در داده‌ها 3.3 Gestalt Principle applied to Data

  • ۳.۴ هنر طراحی مینیمالیست 3.4 The Art of Minimalist Design

  • ۴.۱ مبانی نمودارهای ستونی، خطی و دایره‌ای 4.1 Fundamentals of Bar, Line, Pie Charts

  • ۴.۲ نمودارهای رابطه‌ای: پراکندگی، نقشه‌های حرارتی و ماتریس‌های همبستگی 4.2 Relationship Charts Scatterplots, Heatmaps, and Correlation Matrices

  • ۴.۳ توزیع و مقایسه: هیستوگرام‌ها، نمودارهای جعبه‌ای و نمودارهای درختی 4.3 Distribution & Comparison Histograms, Box Plots, and Tree maps

  • ۴.۴ مسترکلاس سری‌های زمانی 4.4 Time-Series Masterclass

  • ۴.۵ تکنیک‌های پیشرفته نموداری (سانکی، نمودارهای شیب) 4.5 Advanced Chart Techniques (Sankey, Slope Charts)

  • ۵.۱ قوس روایی کلاسیک 5.1 The Classic Narrative Arc

  • ۵.۲ چارچوب SCQA 5.2 The SCQA Framework

  • ۵.۳ مدل «چیست، خب که چه، حالا چه» 5.3 The What, So What, Now What Model

  • ۵.۴ استفاده از یادداشت‌ها و تیترهای داده برای قاب‌بندی بصری 5.4 Using Annotations and Data Headlines to frame the visual

  • ۶.۱ لنگراندازی داده‌ها 6.1 Anchoring Data

  • ۶.۲ هایلایت کردن و کم‌رنگ کردن 6.2 Highlighting and Fading

  • ۶.۳ قدرت فراخوان به اقدام (CTA) 6.3 The Power of the Call to Action (CTA)

  • ۶.۴ اخلاق در داستان‌سرایی با داده‌ها 6.4 Ethical Data Storytelling

  • ۷.۱ تفاوت داشبورد در مقابل داستان 7.1 The Difference Dashboard vs. Story

  • ۷.۲ استراتژی طراحی داشبورد 7.2 Dashboard Strategy

  • ۷.۳ وایرفریمینگ برای موفقیت 7.3 Wireframing for Success

  • ۷.۴ اصول طراحی اول-موبایل (Mobile First) 7.4 Mobile-First Design Principles

  • ۸.۱ بررسی عمیق ابزار: نمای کلی Power BI 8.1 Tool Deep Dive Overview of Power BI

  • ۸.۲ پیاده‌سازی تعامل‌پذیری 8.2 Implementing Interactivity

  • ۸.۳ کتابخانه‌های پایتون برای داستان‌سرایی 8.3 Python Libraries for Storytelling

  • ۸.۴ یکپارچگی و برندینگ 8.4 Consistency and Branding

  • ۹.۱ حضور در صحنه و اعتماد به نفس 9.1 Stage Presence and Confidence

  • ۹.۲ پیش‌بینی واکنش‌ها و مخالفت‌ها 9.2 Anticipating the Pushback

  • ۹.۳ تکنیک زوم به داخل و خارج (Zooming) 9.3 The Zooming In and Out Technique

  • ۹.۴ تحلیل موردکاوی (Case Study) 9.4 Case Study Analysis

  • ۱۰.۱ گردآوری پورتفولیوی داستان‌سرایی داده‌ها 10.1 Curating a Data Storytelling Portfolio

  • ۱۰.۲ بررسی داستان‌های داده‌ای مشهور 10.2 Review of Famous Data Stories

  • ۱۰.۳ داستان‌سرایی با داده‌ها در مصاحبه شغلی 10.3 Data Storytelling in the Job Interview

  • ۱۰.۴ بهبود مستمر 10.4 Continuous Improvement

نمایش نظرات

آموزش داستان‌سرایی با داده‌ها: تبدیل اعداد به روایت‌های جذاب
جزییات دوره
3h 37m
42
Skillshare (اسکیل شیر) Skillshare (اسکیل شیر)
(آخرین آپدیت)
35
- از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Zeenat Parween Zeenat Parween

دانشمند داده (Data Scientist)

دانشمند داده فردی است که با استفاده از علم داده، مهارت‌های آماری، و دانش برنامه‌نویسی، داده‌ها را تحلیل کرده و از آن‌ها اطلاعات ارزشمند استخراج می‌کند. این اطلاعات برای تصمیم‌گیری‌های استراتژیک و حل مسائل پیچیده کسب‌وکارها به کار می‌روند.

نقش و وظایف یک دانشمند داده

  • جمع‌آوری و پاکسازی داده‌ها: دسترسی به منابع داده مختلف و آماده‌سازی داده‌ها برای تحلیل.
  • تحلیل اکتشافی داده (EDA): شناسایی الگوها، روندها و روابط در داده‌ها.
  • مدل‌سازی پیش‌بینی‌کننده: ساخت مدل‌های یادگیری ماشین برای پیش‌بینی نتایج آینده.
  • ارائه نتایج: تفسیر و ارائه یافته‌های تحلیلی به صورت قابل فهم برای ذینفعان.
  • همکاری با تیم‌ها: همکاری با مهندسان داده، تحلیلگران کسب‌وکار و سایر اعضای تیم.

مهارت‌های کلیدی دانشمند داده

  • زبان‌های برنامه‌نویسی: تسلط بر زبان‌هایی مانند Python و R.
  • آمار و ریاضیات: درک قوی از مفاهیم آماری و جبر خطی.
  • یادگیری ماشین: آشنایی با الگوریتم‌های مختلف یادگیری ماشین.
  • پایگاه داده: دانش SQL و NoSQL.
  • تجسم داده: توانایی ایجاد نمودارها و داشبوردهای بصری.
  • مهارت‌های ارتباطی: توانایی توضیح مفاهیم پیچیده به زبان ساده.

فرصت‌های شغلی برای دانشمندان داده در صنایع مختلف از جمله فناوری، مالی، بهداشت و درمان، و خرده‌فروشی بسیار گسترده است. برای آشنایی بیشتر با نقش این متخصصان، می‌توانید مقالات مرتبط با "علم داده" و "یادگیری ماشین" را مطالعه کنید.