Kurzusleírás
Bevezetés a beszédművetéses elemzésbe
- Mi a beszédművetéses elemzés és miért fontos termékcsapatok számára
- A WrenAI kulcsfontosságú képességei és magas szintű architektúrája
- A termékcsapatok által a Wren AI által engedélyezett tipikus munkafolyamatok
Adatforrások csatlakoztatása és hozzáférés
- Támogatott adatforrások és beviteli mintázatok
- Adathozzáférés, jogosultságok és több forrásból való csatlakoztatás
- Minta adatok és sandbox környezetekkel kapcsolatos legjobb gyakorlatok
Szemantikai modellezés és metrika szabványozása
- Metrikaréteg tervezése és kanonikus definíciók készítése
- Újrahasznosítható metrikák és dimenziók létrehozása a termék elemzéshez
- A szemantikai modell verziókezelése és felügyelete
Természetes nyelvű SQL folyamatok
- Hogy módosítja a WrenAI az NL lekérdezéseket SQL-re és a validációs stratégiák
- Termék kérdésekhez tartozó készségminták és háttérmunka eszköztárak
- Ambiguitás kezelése, egyértelműsítő kérdések és szándéktervezés
Önálló BI és beépített használati esetek
- Beszédművetéses irányítópultok és sablonok tervezése termékcsapatok számára
- A Wren AI beépítése a termék munkafolyamatokba és belső eszközökbe
- Az önálló elemzések elfogadásának és hatásának mérésére irányuló lépések
Minőség, értékelés és biztonsági keretrendszerek
- A természetes nyelvű SQL pontosságának tesztelése és a validációs csomagok készítése
- Drift monitorozása, adatminőség jelzések és lekérdezési naplózás
- Biztonság, hozzáférés-vezérlés és üzleti szabályzatok biztonsági keretrendszerei
Munkaépítkezés: Termék összevonás folyamatának készítése
- Gyakorlási labor: termékmetrika modellezése, beszédművetéses lekérdezések létrehozása és eredmények ellenőrzése
- önálló irányítópult összeillesztése és felhasználói útmutató készítése
- Előadások, visszajelzések és következő lépések műveleti tervének kidolgozása
Összefoglaló és következő lépések
Követelmények
- Termékmérőszámok és KPI-k megértése
- Adatelemzési vagy BI eszközök használatának tapasztalata
- SQL alapmereteinek megismerése előnyben részesül
Célcsoport
- Termékmenedzserek
- Adatelemzők
- Üzleti egységekben működő adatállományok
Vélemények (4)
Deepthi was super attuned to my needs, she could tell when to add layers of complexity and when to hold back and take a more structured approach. Deepthi truly worked at my pace and ensured I was able to use the new functions /tools myself by first showing then letting me recreate the items myself which really helped embed the training. I could not be happier with the results of this training and with the level of expertise of Deepthi!
Deepthi - Invest Northern Ireland
Kurzus - IBM Cognos Analytics
Ossz meg példát egy alkalmazásról
Kurzus - Alteryx for Data Analysis
Gépi fordítás
Nagyon világosan és részletesen elmagyarázva
Harshit Arora - PwC South East Asia Consulting
Kurzus - Alteryx for Developers
Gépi fordítás
Linear regression - the algorithm to predict the trend