ഇത് മുൻപത്തെ പാഠത്തിന്റെ അസൈൻമെന്റ് തുടർച്ചയാണ്, അവിടെ നാം ഡാറ്റാ സെറ്റിനെ കുറിച്ച് സംക്ഷിപ്തമായി നോക്കിയിരുന്നു. ഇപ്പോൾ നാം ഡാറ്റയെ കൂടുതൽ ആഴത്തിൽ പരിശോധിക്കാനാണ് പോകുന്നത്.
വീണ്ടും, ക്ലയന്റ് അറിയാൻ ആഗ്രഹിക്കുന്ന ചോദ്യം: ന്യൂയോർക്ക് സിറ്റിയിലെ മഞ്ഞ ടാക്സി യാത്രക്കാരൻമാർ ശീതകാലത്തോ വേനൽക്കാലത്തോ ഡ്രൈവർമാർക്ക് കൂടുതൽ ടിപ്പ് നൽകുന്നുണ്ടോ?
നിങ്ങളുടെ ടീം ഡാറ്റ സയൻസ് ലൈഫ്സൈക്കിളിന്റെ വിശകലനം ഘട്ടത്തിലാണ്, ഇവിടെ നിങ്ങൾക്ക് ഡാറ്റാസെറ്റിൽ എക്സ്പ്ലോറട്ടറി ഡാറ്റാ അനാലിസിസ് നടത്തേണ്ടതാണ്. 2019 ജനുവരി, ജൂലൈ മാസങ്ങളിൽ നിന്നുള്ള 200 ടാക്സി ഇടപാടുകൾ അടങ്ങിയ ഒരു നോട്ട്ബുക്ക്, ഡാറ്റാസെറ്റ് എന്നിവ നിങ്ങൾക്ക് നൽകിയിട്ടുണ്ട്.
ഈ ഡയറക്ടറിയിൽ നോട്ട്ബുക്ക് ഉം ടാക്സി & ലിമോസിൻ കമ്മീഷൻ നിന്നുള്ള ഡാറ്റയും ഉണ്ട്. ഡാറ്റയെക്കുറിച്ച് കൂടുതൽ വിവരങ്ങൾക്ക് ഡാറ്റാസെറ്റിന്റെ നിഘണ്ടു ഉം ഉപയോക്തൃ ഗൈഡ് ഉം കാണുക.
ഈ പാഠത്തിലെ ചില സാങ്കേതിക വിദ്യകൾ ഉപയോഗിച്ച് നോട്ട്ബുക്കിൽ നിങ്ങളുടെ സ്വന്തം EDA നടത്തുക (ആവശ്യമായാൽ സെല്ലുകൾ ചേർക്കാം) കൂടാതെ താഴെക്കാണുന്ന ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകുക:
- ടിപ്പ് തുകയെ ബാധിക്കാവുന്ന മറ്റ് ഡാറ്റാ സ്വാധീനങ്ങൾ എന്തെല്ലാം ഉണ്ടാകാം?
- ക്ലയന്റിന്റെ ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ ഏത് കോളങ്ങൾ ആവശ്യമില്ലാതിരിക്കാം?
- ഇതുവരെ നൽകിയ ഡാറ്റ അടിസ്ഥാനമാക്കി, സീസണൽ ടിപ്പിംഗ് പെരുമാറ്റത്തിന് ഏതെങ്കിലും തെളിവുകൾ ഡാറ്റ നൽകുന്നുണ്ടോ?
| Exemplary | Adequate | Needs Improvement |
|---|
അസൂയാപത്രം:
ഈ രേഖ AI വിവർത്തന സേവനം Co-op Translator ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ പ്രാമാണികമായ ഉറവിടമായി കണക്കാക്കപ്പെടണം. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.