کتاب تبدیل داده‌های SurveyMonkey با R؛ از پاسخ‌های خام تا خروجی تحلیل‌پذیر با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تبدیل داده‌های SurveyMonkey با R؛ از پاسخ‌های خام تا خروجی تحلیل‌پذیر

موضوع کلی: تحلیل داده و علم داده

موضوع میانی: تبدیل و آماده‌سازی داده‌های نظرسنجی با R

📋 سرفصل‌های دوره

• 1. چرخهٔ کاری تحلیلگر داده از دریافت درخواست تا تحویل خروجی
• 2. طراحی پروژهٔ تحلیل در RStudio و ساختاردهی فایل‌ها
• 3. راه‌اندازی R، RStudio و بسته‌های ضروری tidyverse
• 4. مدیریت نسخه، مسیر فایل‌ها و تنظیمات بومی‌سازی پروژه
• 5. آشنایی با ساختار داده، پاسخ، سؤال و مخاطب در SurveyMonkey
• 6. بررسی گزینه‌های خروجی CSV، Excel و API در SurveyMonkey
• 7. دریافت و سازمان‌دهی فایل‌های خام پاسخ‌های نظرسنجی
• 8. درون‌ریزی داده‌ها با readr و تشخیص خودکار ستون‌ها
• 9. بازرسی اولیهٔ tibbleها، ابعاد، مقادیر و نام ستون‌ها
• 10. انتخاب حالت مناسب خروجی بر اساس شناسه یا برچسب گزینه‌ها
• 11. اعتبارسنجی اولیهٔ نوع ستون‌های تاریخ، عدد، منطق و متن
• 12. تفسیر وضعیت پاسخ‌های تحلیل‌شده، ناقص، آزمایشی و تکراری
• 13. اتصال امن به SurveyMonkey API و مدیریت توکن دسترسی
• 14. کار با endpointهای نظرسنجی، پاسخ و جزئیات پاسخ‌ها
• 15. پیاده‌سازی صفحه‌بندی و دریافت کامل مجموعهٔ پاسخ‌ها
• 16. مدیریت محدودیت نرخ، خطاها و تلاش مجدد در API
• 17. استخراج metadata سؤالات و نگاشت شناسه‌ها به برچسب‌ها
• 18. تبدیل پاسخ‌های تودرتو و JSON به جدول‌های tidy
• 19. شناسایی و استانداردسازی انواع مختلف سؤالات SurveyMonkey
• 20. تبدیل سؤالات چندگزینه‌ای تک‌پاسخ به عامل‌های مرتب
• 21. جداسازی سؤالات چندپاسخه و ساخت متغیرهای دودویی
• 22. پردازش گزینهٔ «سایر» و متن‌های آزاد همراه پاسخ‌ها
• 23. تبدیل سؤالات ماتریسی به قالب long و تحلیل‌پذیر
• 24. پاک‌سازی و نمره‌گذاری سؤالات رتبه‌ای
• 25. محاسبه و تفسیر شاخص NPS از پاسخ‌های خام
• 26. کدگذاری پاسخ‌های Likert و ساخت نمرهٔ ترکیبی
• 27. استانداردسازی تاریخ‌ها، زمان‌ها و منطق منطقهٔ زمانی
• 28. محاسبهٔ مدت‌زمان تکمیل و شناسایی پاسخ‌های بسیار سریع
• 29. پاک‌سازی متن‌های آزاد با stringr و آماده‌سازی آن‌ها برای کدگذاری
• 30. یکسان‌سازی نام ستون‌ها، برچسب سؤال‌ها و مقادیر دسته‌ای
• 31. استانداردسازی مقادیر دسته‌ای و تعیین ترتیب عامل‌ها
• 32. تغییر نوع داده‌ها و اصلاح ستون‌های بدخوانی‌شده
• 33. مدیریت مقدارهای گم‌شده و توکن‌های مختلف NA
• 34. بازکدگذاری، ترکیب و ساخت متغیرهای مشتق‌شده
• 35. تبدیل داده از wide به long با tidyr
• 36. تبدیل داده از long به wide برای خروجی نهایی
• 37. باز کردن ستون‌های لیستی و تودرتو با unnest
• 38. ترکیب پاسخ‌ها با metadata و داده‌های مخاطبان
• 39. انجام joinهای مطمئن و کنترل تطابق کلیدها
• 40. حذف پاسخ‌های تکراری و انتخاب نسخهٔ معتبر پاسخ
• 41. تشخیص پاسخ‌های ناقص و تصمیم‌گیری برای حذف یا حفظ
• 42. قانون‌مندسازی مقادیر نامعتبر و خارج از دامنه
• 43. شناسایی الگوهای پاسخ‌دهی یک‌نواخت و کم‌کیفیت
• 44. استفاده از سؤالات کنترل توجه در اعتبارسنجی داده
• 45. بررسی outlierها در پاسخ‌های عددی و مدت‌زمان تکمیل
• 46. ساخت پرچم‌های کیفیت داده و گزارش خطا برای هر پاسخ
• 47. مستندسازی تصمیم‌های پاک‌سازی و ایجاد audit trail
• 48. ساخت فرهنگ داده برای مستندسازی سؤال‌ها و متغیرهای نهایی
• 49. طراحی پایپ‌لاین تکرارپذیر با توابع اختصاصی R
• 50. پارامتری‌سازی شناسه نظرسنجی، بازهٔ تاریخ و مسیر خروجی
• 51. ماژولار کردن دریافت، پاک‌سازی، تبدیل و اعتبارسنجی
• 52. مدیریت خطا و ثبت رویدادها در اجرای خودکار
• 53. آزمایش توابع تبدیل با داده‌های نمونه و موارد مرزی
• 54. ساخت فایل پیکربندی برای پروژه‌ها و محیط‌های مختلف
• 55. ذخیرهٔ نسخه‌های خام، میانی و نهایی بدون بازنویسی دادهٔ اصلی
• 56. ناشناس‌سازی داده‌های حساس و رعایت حریم خصوصی پاسخ‌دهندگان
• 57. اعتبارسنجی خودکار ساختار نهایی و الزامات پروژه
• 58. تولید جدول فراوانی، درصد و آمار توصیفی
• 59. ساخت جدول‌های تقاطعی برای مقایسهٔ گروه‌ها
• 60. ساخت شاخص‌های کلیدی و خلاصه‌های مدیریتی
• 61. مصورسازی توزیع پاسخ‌ها با ggplot2
• 62. طراحی نمودارهای مقایسه‌ای، روند و بخش‌بندی مخاطبان
• 63. خروجی‌گرفتن مجموعه‌دادهٔ پاک‌شده در قالب CSV و RDS
• 64. ساخت گزارش پویا با R Markdown یا Quarto
• 65. اتوماسیون به‌روزرسانی داده و زمان‌بندی اجرای پایپ‌لاین
• 66. مطالعهٔ موردی: تبدیل یک نظرسنجی واقعی از دریافت تا تحویل
• 67. بازبینی نهایی، کنترل کیفیت و رفع خطاهای خروجی
• 68. تحویل مستند خروجی به ذی‌نفع و ارائهٔ نکات کلیدی