1. Используя платформу Knime, Loginom выполнить консолидацию данных кейса, провести очистку, трансформацию данных (ETL), выполнить preprocessing данных, обучить и оценить по метрикам качества модели машинного обучения; сравнить полученные результаты. Обогатить данные кейса результатами машинного обучения (ABC-XYZ, RFM-анализ, задачи классификации, регрессии, кластеризации). Экспортировать подготовленный датасет в BigQuery (или в формате .csv в Google Drive).
2. В Colab провести EDA с использованием любую библиотеку Python (pandas-profiling, dataprep), обучить и сравнивать модели машинного обучения с использованием библиотеки scikit-learn. Провести прогнозирование ответа лучшей модели на новых данных (сгенерировать самостоятельно используя исходные данные). Сравнить результаты полученные в платформах Data Science and Machine Learning.
3. Подключившись к BigQuery (или использовать подготовленный датасет) создать в Power BI Desktop выражения KPI с использованием выражений анализа данных (DAX), разработать несколько отчетов в Power BI, опубликовать его в корпоративном облачном сервисе Power BI. Выявить инсайты, оформить их в “закладках”, создать информационные панели мониторинга в Power BI. Провести машинное обучение. Сравнить результатами полученными в платформах DSML и Colab. Внедрить интерактивные отчеты в Colab.
4. В Tableau Desktop, подключившись к BigQuery (или использовать подготовленный датасет) построить дашборды, выявить инсайты, оформить истории (Story), опубликовать в Tableau Public, внедрить интерактивные отчеты в Colab.
5. Подключившись к BigQuery (или использовать подготовленный датасет) создать в Qlik Sense выражения KPI с использованием языка выражений анализа множеств, используя интеллектуальный помощник, создать дашборды, выявить инсайты и создать повествования данных (сторителлинг) (предоставить доступ).
6. В BigQuery создать, обучить и оценить по метрикам качества модели машинного обучения используя SQL; создать интерактивный отчет в data Studio и внедрить в Colab