Data Science ответы тесты Синергия / МТИ / МосАП

Скачать тест: Data Science.кс_МАГ ответы тесты Синергия МТИ МосАП.pdf

1. Как корректнее всего описать электронную коммерцию как
управляемую систему?

2. Что из перечисленного относится к метрикам верхнего уровня?

3. Диагностическая метрика нужна в первую очередь, чтобы:

4. Какой пример корректной воронки для e-commerce ближе всего к практике?

5. Что самое опасное при анализе “роста выручки”?

6. Что такое сегментация в контексте вебинара 1?

7. Какой пример “плохой” гипотезы?

8. Какой первый шаг при подозрении на падение конверсии?

9. Что означает “качество данных” для менеджера?

10. Пример “ложной победы” в e-commerce:

11. Зачем строить путь клиента (customer journey)?

12. Какая связка метрик чаще всего отражает “здоровье” e-commerce?

13. Что важнее при выборе метрики: “близость к действию” или “связь с
бизнес-целью”?

14. Что из перечисленного — типичный “узел” для гипотез в e-
commerce?

15. Какой пример проверки “структуры” проблемы правильнее?

16. Почему важно отличать метрики “по оплате” и “после возвратов”?

17. Что означает “управленческое действие” по итогам анализа?

18. Почему сравнение “до и после” часто вводит в заблуждение?

19. Причинность означает, что:

20. Зачем нужны контрольная группа и экспериментальная?

21. Что такое “защитные метрики”?

22. Какая главная ошибка при тесте баннера?

23. Что чаще всего означает “эффект на грани”?

24. Что такое “единица рандомизации”?

25. Почему “подглядывание” в результаты опасно?

26. Минимальное практическое правило длительности эксперимента в e-

27. Что делать, если “чистый” эксперимент невозможен?

28. Что означает “контролировать контекст”?

29. Что такое “ложное улучшение”?

30. Как менеджеру принимать решение помимо статистики?

31. Зачем нужен разбор по сегментам после эксперимента?

32. Почему сегментный анализ “после факта” может быть опасен?

33. Что такое “портфель гипотез”?

34. Зачем вести “журнал экспериментов”?

35. Главная управленческая ценность прогноза для e-commerce:

36. Три крупных типа прогнозов в e-commerce (по вебинару 3):

37. Из чего удобно разложить спрос на управленческом уровне?

38. Почему “среднее за прошлый месяц” часто плохой прогноз?

39. Что важно выбрать перед построением прогноза спроса?

40. Почему прогноз по “всему магазину” может быть бесполезен для

41. Что такое “страховой запас”?

42. Что важнее для успеха проекта прогнозирования: “точность модели”
или “бизнес-эффект”?

43. В чем управленческая ценность прогнозов риска
(возврат/отток/отмена)?

44. Верно ли: “Высокий риск возврата = нужно отменить заказ”?

45. Какой простой способ проверить полезность модели риска для
менеджера?

46. Что такое “базовая линия” (baseline) в прогнозировании?

47. Что такое “утечка” (leakage) в модели?

48. Почему модели “стареют”?

49. Правильный подход к внедрению модели в бизнес-процесс:

50. Что такое LTV (жизненная ценность клиента) в управленческом смысле?