關(guān)于我們
書單推薦
新書推薦
|
商務(wù)智能:數(shù)據(jù)分析的管理視角(英文版·第4版)
分析已經(jīng)成為這十年來的技術(shù)驅(qū)動力。諸如IBM、SAP、SAS、Teradata、Oracle、Microsoft和Dell等公司正在創(chuàng)建專注于分析的新型組織單元,幫助企業(yè)更加有效和高效地運營。決策者也正在使用更多的計算機化工具來支持他們的工作。消費者甚至都在直接或間接地使用分析工具來對購物、健康或醫(yī)療保健、旅游和娛樂等日;顒幼龀鰶Q定。
分析已經(jīng)成為這十年來的技術(shù)驅(qū)動力。諸如IBM、SAP、SAS、Teradata、Oracle、Microsoft和Dell等公司正在創(chuàng)建專注于分析的新型組織單元,幫助企業(yè)更加有效和高效地運營。決策者也正在使用更多的計算機化工具來支持他們的工作。消費者甚至都在直接或間接地使用分析工具來對購物、健康或醫(yī)療保健、旅游和娛樂等日;顒幼龀鰶Q定。商務(wù)智能和商務(wù)分析領(lǐng)域得到了迅速發(fā)展,它們更加專注于能從數(shù)據(jù)流中提取知識和洞察力的創(chuàng)新應(yīng)用,以往這些數(shù)據(jù)流并沒有被捕獲,更不用說以任何重要的方式進行分析。分析技術(shù)在醫(yī)療保健、體育、旅游、娛樂、供應(yīng)鏈管理、公用事業(yè)以及幾乎所有可想象的行業(yè)都有新的應(yīng)用,術(shù)語“分析”已成為主流。事實上,它已經(jīng)演變成其他術(shù)語,如數(shù)據(jù)科學(xué),其最新的形式演變是深度學(xué)習(xí)和物聯(lián)網(wǎng)。
本書提供了從描述性分析(例如數(shù)據(jù)的性質(zhì)、統(tǒng)計建模、數(shù)據(jù)可視化和商務(wù)智能)開始的商務(wù)分析連續(xù)統(tǒng)一體的管理視角,然后轉(zhuǎn)向預(yù)測性分析(例如數(shù)據(jù)挖掘、文本/Web挖掘、社交媒體挖掘),然后進行規(guī)范性分析(例如優(yōu)化和模擬),最后兩章分別討論大數(shù)據(jù)的概念和工具以及商務(wù)分析未來趨勢、隱私和管理思考。本書有一個原出版社支持的配套網(wǎng)站(pearsonhighered.com/sharda),還有一個作者維護的獨立網(wǎng)站(dssbibook.com)。 本書的目的是向讀者介紹這些通常被稱為商務(wù)分析或數(shù)據(jù)科學(xué)的技術(shù)。本書介紹了這些系統(tǒng)的構(gòu)建和使用方法的基本技術(shù)原理。我們遵循EEE方法介紹這些主題:展示、體驗和探索(Exposure, Experience, and Exploration)。本書主要提供各種分析技術(shù)及其應(yīng)用的展示,這將會激發(fā)學(xué)生學(xué)習(xí)其他組織如何采用分析做出決策或者獲得競爭優(yōu)勢。我們認為,這種對分析工作內(nèi)容以及分析實現(xiàn)方式的展示是學(xué)習(xí)分析的關(guān)鍵組成部分。在描述這些技術(shù)時,我們還會介紹可用于開發(fā)此類應(yīng)用的特定軟件工具。但本書不限于任何一種軟件工具,因此學(xué)生可以使用任何其他可用的軟件工具來體驗這些技術(shù)。每章都給出了特定的建議,學(xué)生和教師可以結(jié)合不同的數(shù)據(jù)分析軟件工具閱讀本書。本書的配套網(wǎng)站也包括特定的軟件指導(dǎo),學(xué)生可以通過多種方式獲得運用這些技術(shù)的經(jīng)驗。最后,我們希望這些經(jīng)驗?zāi)軌蚬膭钭x者在各自不同的領(lǐng)域探究這些技術(shù)的潛力。為了便于學(xué)習(xí),我們提供了一些指向Teradata大學(xué)網(wǎng)絡(luò)和其他網(wǎng)站的練習(xí)以及面向團隊的練習(xí)。我們也會從本書的網(wǎng)站分布新的和創(chuàng)新性的應(yīng)用。 本書第4版的具體改進主要集中在四個方面:重新編排、新的章節(jié)、內(nèi)容更新和更加突出的重點。盡管發(fā)生了許多變化,但我們?nèi)员3种嫘院陀脩粲押眯。最后,我們提供了更準確、更新的內(nèi)容。接下來我們介紹第4版的變化。 第4版中有哪些更新變化 為了改進本書以反映商務(wù)分析的重點,意味著第4版需要進行重大重組。這一版圍繞三種主要的商務(wù)分析(即描述性、預(yù)測性和規(guī)范性)組織。新版本補充了很多新的內(nèi)容,刪除了過時的內(nèi)容,具體的變化如下。 新的組織形式:本書接受了INFORMS提出的三種類型的分析分類—描述性、預(yù)測性和規(guī)范性。第1章介紹了商務(wù)智能和商務(wù)分析,以及它們在許多行業(yè)中的應(yīng)用。該章還包括分析生態(tài)系統(tǒng)的概述,以幫助用戶探索在分析環(huán)境中參與和發(fā)展的所有不同方式。第2章對統(tǒng)計學(xué)、數(shù)據(jù)的重要性和描述性分析/可視化進行了概述。第3章介紹數(shù)據(jù)倉庫和數(shù)據(jù)基礎(chǔ),包括更新的內(nèi)容,特別是數(shù)據(jù)湖的概念。第4章涵蓋了預(yù)測性分析。第5章將商務(wù)分析應(yīng)用擴展到文本、Web和社交媒體。第6章涉及規(guī)范性分析,特別是線性規(guī)劃和模擬,這是本書中的全新內(nèi)容。第7章介紹了大數(shù)據(jù)工具和平臺。第8章對本書的內(nèi)容進行了總結(jié),涉及商務(wù)分析中的新興趨勢和主題,包括位置分析、物聯(lián)網(wǎng)、基于云的分析和商務(wù)分析中的隱私與道德考慮。數(shù)據(jù)分析生態(tài)系統(tǒng)的討論也提及了規(guī)范性分析。 新章節(jié):以下章節(jié)被全新補充。 第2章:描述性分析I:數(shù)據(jù)性質(zhì)、統(tǒng)計建模和可視化 該章的目的是透徹了解數(shù)據(jù)的性質(zhì),這是任何分析研究的主要組成部分。然后,統(tǒng)計建模將作為描述性分析的一部分介紹。數(shù)據(jù)可視化已成為任何業(yè)務(wù)報表或描述性分析項目的熱門部分,因此它在該章中會詳細解釋。該章還介紹了幾個現(xiàn)實世界的案例(75%的新材料)。 第6章:規(guī)范性分析:優(yōu)化與模擬 該章介紹規(guī)范性分析。重點介紹使用線性規(guī)劃技術(shù)在Excel中進行優(yōu)化建模,還介紹了模擬的概念。該章是作者關(guān)于決策支持系統(tǒng)的書第10版中兩章內(nèi)容的更新版本。對于這本書,這是一個全新的章節(jié)(99%的新材料)。 第8章:商務(wù)分析的未來趨勢、隱私和管理思考 該章將考察幾個新的社會現(xiàn)象,這些現(xiàn)象已經(jīng)在改變,或者有可能改變分析領(lǐng)域,包括地理空間分析、物聯(lián)網(wǎng)以及基于云分析的資料的重大更新。該章還更新了上一版中關(guān)于道德和隱私考慮的內(nèi)容(70%的新材料)。 章節(jié)修訂:其他的所有章節(jié)也已修改和更新,以下是其他章節(jié)的更改摘要。 第1章:商務(wù)智能、商務(wù)分析和數(shù)據(jù)科學(xué)概述 該章已經(jīng)被重寫并顯著擴展,開篇小插曲涵蓋了體育分析的多種應(yīng)用,介紹了INFORMS提出的三種類型的商務(wù)分析:描述性、預(yù)測性和規(guī)范性分析。前面提到,這個分類用于指導(dǎo)本書的完整重組(之前的內(nèi)容呈現(xiàn)了新的面貌)。然后,該章包括幾個醫(yī)療保健和零售業(yè)分析的新例子。最后,該章以分析生態(tài)系統(tǒng)的擴展和更新內(nèi)容結(jié)尾,為學(xué)生提供了商務(wù)分析和數(shù)據(jù)科學(xué)行業(yè)的廣泛性(約60%的新材料)。 第3章:描述性分析II:商務(wù)智能和數(shù)據(jù) 這是一個舊章節(jié),但插入了一些新的小節(jié)(例如數(shù)據(jù)湖)和新的案例(約30%的新材料)。 第4章:預(yù)測性分析I:數(shù)據(jù)挖掘過程、方法和算法 這是一個舊章節(jié),但是補充了新的內(nèi)容、流程和一些新的案例(約20%的新材料)。 第5章:預(yù)測性分析II:文本、Web和社交媒體分析 這是一個舊章節(jié),但是添加了一些新的內(nèi)容組織、流程以及新的案例(約25%的新材料)。 第7章:大數(shù)據(jù)概念和分析,這是上一版的第6章,更新了一個新的開篇小插曲和案例,介紹了Teradata Aster以及替代數(shù)據(jù)的新材料(約25%的新材料)。 改版作者團隊:基于以前的版本作者(Turban,Sharda,Delen和King)的優(yōu)秀內(nèi)容,本版本主要由Ramesh Sharda和Dursun Delen進行修訂。Ramesh和Dursun都在分析行業(yè)中工作已久,擁有行業(yè)和研究經(jīng)驗。 實時更新的網(wǎng)站:本書的使用者可以訪問一個網(wǎng)站,其中包含與新故事、軟件、教程,甚至與本書涵蓋主題相關(guān)的YouTube視頻的鏈接。該網(wǎng)站可在dssbibook.com上訪問。 修訂和更新的內(nèi)容。幾乎所有的章節(jié)都有基于最近的故事和事件的新的開篇小插曲。此外,整本書中的應(yīng)用案例已更新,包含了特定技術(shù)和模型的最新應(yīng)用示例。在整本書中增加了新的網(wǎng)站鏈接。我們還刪除了許多較舊的產(chǎn)品鏈接和引用。最后,大多數(shù)章節(jié)都有新的練習(xí)、網(wǎng)絡(luò)任務(wù)和問題討論。 與Teradata大學(xué)網(wǎng)絡(luò)(TUN)的鏈接。大部分章節(jié)包括了與TUN(teradata univer- sitynetwork.com)的新鏈接。 書名。已經(jīng)很明顯,這本書的書名和重點已經(jīng)發(fā)生了很大變化。 軟件支持。TUN網(wǎng)站免費提供軟件支持。它還提供了免費數(shù)據(jù)挖掘和其他軟件的鏈接。此外,該網(wǎng)站還提供使用此類軟件的練習(xí)。 補充包:www.pearsonhighered.com/sharda 提供全面靈活的技術(shù)支持包,以提高教學(xué)和學(xué)習(xí)經(jīng)驗。以下教師和學(xué)生補充包可在本書的網(wǎng)站pearsonhighered.com/sharda上獲得。 教師手冊。教師手冊(Instructor抯 Manual)包括整個課程每章的學(xué)習(xí)目標和每章的結(jié)尾處的問題與練習(xí)的答案以及教學(xué)建議(包括項目說明)。教師手冊可在Pearsonhighered.com/sharda的secure faculty部分獲得。 測試項目文件和TestGen軟件。測試項目文件(the Test Item File)是判斷題、多項選擇題、填空題和敘述題的綜合集合。測試項目文件在Microsoft Word和TestGen中可用。Pearson Education的測試生成軟件可從www.pearsonhighered.com/ irc獲得。該軟件與PC/MAC兼容,并預(yù)裝了所有的測試項目文件問題。你可以手動或隨機查看測試問題并進行拖放以創(chuàng)建測試,也可以根據(jù)需要添加或修改測試問題。我們的TestGens可以被轉(zhuǎn)換為在BlackBoard、WebCT、Moodle、D2L和Angel中使用。這些轉(zhuǎn)換可以在pearsonhighered.com/sharda找到。TestGen可從Respondus獲取,也可以從www.respondus.com上找到。 PowerPoint幻燈片。PowerPoint幻燈片可用于演示和構(gòu)建內(nèi)容中的關(guān)鍵概念。教師可以從Pearson-highered.com/sharda下載PowerPoint幻燈片。 致謝 自本書第1版出版以來,許多人提出了建議和批評。也有幾十名學(xué)生參加了各個章節(jié)、軟件和問題的測試,并協(xié)助收集材料。列舉參與這個項目的所有人是不可能的,但我們要感謝所有人。有些人也做出了重大貢獻,他們值得特別感謝。 首先,我們感謝那些為第1版到第3版提供正式評審的人的辛苦工作: 我們也感謝那些對本書以及我們關(guān)于決策支持系統(tǒng)的書—《Business Intelligence and Analytics: Systems for Decision Support》(第10版,Pearson Education, 2013)進行正式評審的人的辛苦工作。 第二,有幾個人為本書或支持材料提供了材料。Teradata的Susan Baskin和David Schrader博士為本書確定新的TUN和Teradata內(nèi)容提供了特別的幫助,并為其確定了許可。Dave Schrader博士為本書寫了開篇小插曲。這個小插曲還得到了奧本大學(xué)的Ashish Gupta博士和田納西州–查塔努加大學(xué)的Gary Wilkerson開發(fā)的材料的幫助,它將為分析提供一個很好的介紹。我們也非常感謝INFORMS允許我們從Interfaces引用一些內(nèi)容。以下人員在我們更新這本書的時候也提供了幫助:Pankush Kalgotra,Prasoon Mathur,Rupesh Agarwal,Shubham Singh,Nan Liang,Jacob Pearson,Kinsey Clemmer和Evan Murlette(都來自俄克拉何馬州立大學(xué)),非常感激他們對本版的幫助。Teradata Aster團隊,特別是Mark Ott,為第7章的開篇小插曲提供了材料。第7章中的Aster材料改編自John Thuma和Greg Bethardy開發(fā)的培訓(xùn)指南。Humana Corporation首席信息官Brian LeClaire博士提供了他和他的團隊在Humana開發(fā)的幾項真實的醫(yī)療保健案例。vCreaTek的Abhishek Rathi貢獻了他在零售行業(yè)的分析愿景。感謝Rick Wilson博士在Excel中優(yōu)秀的教學(xué)和線性編程技能的表現(xiàn)。Matt Turck同意讓我們采用他的物聯(lián)網(wǎng)生態(tài)系統(tǒng)材料。Ramesh還感謝女兒Ruchy Sharda Sen提供的文字編輯工作。此外,我們以前的博士生和研究同事以多種直接或間接的方式為本書提供了內(nèi)容或建議和支持: 第三,對于上一版,我們非常感謝Dave King(JDA Software Group,Inc.)的貢獻。上一版的其他主要貢獻者包括J. Aronson(佐治亞大學(xué)),他是我們的共同作者,貢獻了數(shù)據(jù)倉庫章節(jié)。Mike Goul(亞利桑那州立大學(xué))主要在第1章做出了貢獻;以及T. P. Liang(臺灣“中山大學(xué)”)在以前的版本中為神經(jīng)網(wǎng)絡(luò)提供了材料。Judy Lang與我們所有人合作,完成編輯任務(wù),并在第1版的整個項目中指導(dǎo)我們。 第四,幾家供應(yīng)商通過為以前的版本提供案例研究和演示軟件與我們合作:Acxiom (Little Rock, Arkansas), California Scientific Software (Nevada City, California), Cary Harwin of Catalyst Development (Yucca Valley, California), IBM (San Carlos, California), DS Group, Inc. (Greenwich, Connecticut), Gregory Piatetsky-Shapiro of KDnuggets.com, Gary Lynn of NeuroDimension Inc. (Gainesville, Florida), Palisade Software (New eld, New York), Promised Land Technologies (New Haven, Connecticut), Salford Systems (La Jolla, California), Sense Networks (New York, New York), Gary Miner of StatSoft, Inc. (Tulsa, Oklahoma), Ward Systems Group, Inc. (Frederick, Maryland), Idea Fisher Systems, Inc. (Irving, California), Wordtech Systems (Orinda, California)。 第五,特別感謝Teradata大學(xué)網(wǎng)絡(luò),特別感謝項目總監(jiān)Susan Baskin。Hugh Watson,他創(chuàng)辦了TUN網(wǎng)絡(luò);以及Michael Goul、Barb Wixom和Mary Gros,他們鼓勵將本書與TUN網(wǎng)絡(luò)相連,并為本書提供有用的材料。 最后,感謝Pearson團隊的Samantha Lewis,他們與我們合作完成了修訂,感謝生產(chǎn)團隊的Ann Pulido、Revathi Viswanathan,以及Cenveo的工作人員,他們將手稿變成了一本書。 我們要感謝所有為本書出版做出貢獻的個人和公司。若沒有他們的幫助,本書是不可能出現(xiàn)的。
Ramesh Sharda 博士,商業(yè)主管項目的主任,信息系統(tǒng)研究所所長,康菲石油公司技術(shù)管理主席,俄克拉荷馬州立大學(xué)斯皮爾斯商學(xué)院管理科學(xué)與信息系統(tǒng)的杰出貢獻教授,信息系統(tǒng)協(xié)會決策支持系統(tǒng)和知識管理專業(yè)組(SIGDSS)的共同創(chuàng)辦人,服務(wù)于多個編輯委員會。他的研究方向包括決策支持系統(tǒng)、商務(wù)分析、信息過載管理技術(shù)。
Dursun Delen 博士,俄克拉荷馬州立大學(xué)斯皮爾斯商學(xué)院管理科學(xué)與信息系統(tǒng)的教授,創(chuàng)新醫(yī)療系統(tǒng)研究中心的主任,業(yè)務(wù)分析教授。他的研究方向包括數(shù)據(jù)和文本挖掘、業(yè)務(wù)分析、決策支持系統(tǒng)、知識管理、商務(wù)智能和企業(yè)建模。 Efraim Turban 博士,夏威夷大學(xué)太平洋信息系統(tǒng)管理研究院的訪問學(xué)者,曾經(jīng)就職于多所大學(xué),包括佛羅里達國際大學(xué)、加利福尼亞州立大學(xué)長灘分校、東伊利諾伊大學(xué)以及南加利福尼亞大學(xué)。他還是世界各地許多公司的咨詢師。他的研究方向包括基于Web的決策支持系統(tǒng)、社會化電子商務(wù)和協(xié)同決策。
第1章 商務(wù)智能、商務(wù)分析和數(shù)據(jù)科學(xué)概述3
1.1 開篇小插曲:體育分析—學(xué)習(xí)和了解商務(wù)分析應(yīng)用的一個令人興奮的前沿4 1.2 變化的商業(yè)環(huán)境,決策支持和商務(wù)分析的需求變化11 1.3 計算機決策支持向商務(wù)分析和數(shù)據(jù)科學(xué)的演變13 1.4 商務(wù)智能框架15 商務(wù)智能的定義16 商務(wù)智能的簡史16 商務(wù)智能的架構(gòu)16 商務(wù)智能的起源和驅(qū)動力16 應(yīng)用案例1.1 Sabre通過儀表盤和分析幫助客戶18 商務(wù)智能多媒體應(yīng)用19 事務(wù)處理與分析處理19 進行適當?shù)囊?guī)劃并與企業(yè)戰(zhàn)略保持一致20 實時按需的BI實現(xiàn)21 開發(fā)或獲取BI系統(tǒng)21 合理性和成本效益分析22 安全和隱私保護22 系統(tǒng)和應(yīng)用集成22 1.5 商務(wù)分析概述22 描述性分析24 應(yīng)用案例1.2 Silvaris通過可視化分析和實時報表功能提升業(yè)務(wù)24 應(yīng)用案例1.3 西門子通過使用數(shù)據(jù)可視化降低成本25 預(yù)測性分析25 應(yīng)用案例1.4 運動損傷分析26 規(guī)范性分析26 應(yīng)用案例1.5 特種鋼筋公司使用商務(wù)分析確定可承諾交付日期27 商務(wù)分析應(yīng)用于不同領(lǐng)域27 商務(wù)分析或數(shù)據(jù)科學(xué)28 1.6 所處領(lǐng)域的商務(wù)分析實例29 應(yīng)用于醫(yī)療保健的商務(wù)分析—Humana實例29 零售價值鏈中的商務(wù)分析33 1.7 大數(shù)據(jù)分析簡介35 什么是大數(shù)據(jù)35 應(yīng)用案例1.6 CenterPoint Energy使用實時大數(shù)據(jù)分析改善客戶服務(wù)37 1.8 商務(wù)分析生態(tài)系統(tǒng)概述37 數(shù)據(jù)生成基礎(chǔ)設(shè)施提供商39 數(shù)據(jù)管理基礎(chǔ)設(shè)施提供商39 數(shù)據(jù)倉庫提供商40 中間件提供商40 數(shù)據(jù)服務(wù)提供商40 專注于商務(wù)分析的軟件開發(fā)者41 應(yīng)用開發(fā)者:特定行業(yè)或一般行業(yè)42 商務(wù)分析行業(yè)分析師和有影響力者43 學(xué)術(shù)機構(gòu)和認證機構(gòu)44 監(jiān)管者和政策制定者45 分析用戶組織45 本書計劃46 資源、鏈接和Teradata大學(xué)網(wǎng)絡(luò)連接47 第2章 描述性分析Ⅰ:數(shù)據(jù)的性質(zhì)、統(tǒng)計建模與可視化53 2.1 開篇小插曲:SiriusXM利用數(shù)據(jù)驅(qū)動的營銷吸引新一代的移動消費者54 2.2 數(shù)據(jù)的性質(zhì)57 2.3 數(shù)據(jù)的簡單分類61 應(yīng)用案例2.1 醫(yī)療器械公司節(jié)省開支的同時確保產(chǎn)品質(zhì)量63 2.4 數(shù)據(jù)預(yù)處理的藝術(shù)與科學(xué)65 應(yīng)用案例2.2 通過數(shù)據(jù)驅(qū)動分析提高學(xué)生保留率68 2.5 用于商務(wù)分析的統(tǒng)計建模74 用于描述性分析的描述性統(tǒng)計75 集中趨勢度量(也可以稱作位置或中心度量)76 算術(shù)平均數(shù)76 中位數(shù)77 眾數(shù)77 離散趨勢度量(也可稱為散布或分散度量)77 極差78 方差78 標準差78 平均絕對偏差78 四分位數(shù)與四分位距78 箱圖79 分布形狀80 技術(shù)洞察2.1 如何使用Microsoft Excel進行描述性統(tǒng)計82 應(yīng)用案例2.3 Cary鎮(zhèn)使用商務(wù)分析來分析傳感器數(shù)據(jù)、評估需求和檢測問題84 2.6 用于推斷性統(tǒng)計的回歸建模86 我們?nèi)绾伍_發(fā)線性回歸模型87 我們?nèi)绾沃滥P褪欠褡銐蚝?8 什么是線性回歸最重要的假設(shè)89 邏輯回歸90 應(yīng)用案例2.4 預(yù)測NCAA碗賽結(jié)果91 時間序列預(yù)測96 2.7 業(yè)務(wù)報表98 應(yīng)用案例2.5 紙質(zhì)報表的洪水結(jié)束于FEMA100 2.8 數(shù)據(jù)可視化101 數(shù)據(jù)可視化簡史101 應(yīng)用案例2.6 Macfarlan Smith使用Tableau Online提高運營績效洞察103 2.9 不同類型的圖表106 基本圖表106 專用圖表107 你應(yīng)該使用哪種圖表108 2.10 可視化分析的興起110 技術(shù)洞察2.2 商務(wù)智能和分析平臺的Gartner魔力象限111 可視化分析112 高效率可視化分析環(huán)境112 技術(shù)洞察2.3 通過數(shù)據(jù)和可視化講出色的故事113 2.11 信息儀表盤117 應(yīng)用案例2.7 Dallas Cowboys使用Tableau與Teknion獲 得高分118 儀表盤設(shè)計119 應(yīng)用案例2.8 可視化分析幫助能源供應(yīng)商實現(xiàn)更好的連接119 在儀表盤中要尋找的內(nèi)容121 儀表盤設(shè)計的最佳實踐121 符合行業(yè)標準的基準關(guān)鍵績效指標121 使用情境的元數(shù)據(jù)包裝儀表盤指標121 通過可用性專家驗證儀表盤設(shè)計122 把傳輸?shù)絻x表盤的報警或 異常按優(yōu)先級劃分并排序122 以業(yè)務(wù)用戶評論豐富儀表盤122 從三個不同層次呈現(xiàn)信息122 使用儀表盤設(shè)計原則選取正確的視覺構(gòu)造122 為指導(dǎo)性分析做準備122 第3章 描述性分析II:商務(wù)智能和數(shù)據(jù)倉庫127 3.1 開篇小插曲:利用商務(wù)智能和數(shù)據(jù)倉庫定位稅務(wù)欺詐128 3.2 商務(wù)智能與數(shù)據(jù)倉庫130 什么是數(shù)據(jù)倉庫131 數(shù)據(jù)倉庫的歷史視角132 數(shù)據(jù)倉庫的特征133 數(shù)據(jù)集市134 操作數(shù)據(jù)存儲135 企業(yè)數(shù)據(jù)倉庫135 元數(shù)據(jù)135 應(yīng)用案例3.1 更好的數(shù)據(jù)計劃:著名 的TELCO公司使用數(shù) 據(jù)倉庫和商務(wù)分析技術(shù) 在競爭激烈的行業(yè)中保 持領(lǐng)先地位135 3.3 數(shù)據(jù)倉庫過程137 3.4 數(shù)據(jù)倉庫架構(gòu)139 可選的數(shù)據(jù)倉庫架構(gòu)142 哪種架構(gòu)最好144 3.5 數(shù)據(jù)集成以及提取、轉(zhuǎn)換和加載 過程145 數(shù)據(jù)集成146 應(yīng)用案例3.2 BP Lubricants公司實現(xiàn)BIGS成功146 提取、轉(zhuǎn)換和加載148 3.6 數(shù)據(jù)倉庫的開發(fā)150 應(yīng)用案例3.3 使用Teradata分析的SAP解決方案加速大數(shù)據(jù)交付151 數(shù)據(jù)倉庫開發(fā)方法153 數(shù)據(jù)倉庫開發(fā)的其他思考156 數(shù)據(jù)倉庫中的數(shù)據(jù)表示156 技術(shù)洞察3.1 托管數(shù)據(jù)倉庫157 數(shù)據(jù)倉庫中的數(shù)據(jù)分析158 OLAP和OLTP158 OLAP操作159 3.7 數(shù)據(jù)倉庫的實施問題160 大型數(shù)據(jù)倉庫和可擴展性162 應(yīng)用案例3.4 EDW幫助連接密歇根的政府機構(gòu)163 3.8 數(shù)據(jù)倉庫管理、安全問題和未來趨勢164 數(shù)據(jù)倉庫的未來165 技術(shù)洞察3.2 數(shù)據(jù)湖166 3.9 企業(yè)績效管理170 閉環(huán)BPM周期171 應(yīng)用案例3.5 AAPR改造其BI基礎(chǔ)設(shè)施,并在三年內(nèi)達到347%的投資回報173 3.10 績效度量175 關(guān)鍵績效指標176 績效度量系統(tǒng)177 3.11 平衡記分卡177 四個視角177 平衡在平衡記分卡中的意義179 3.12 作為績效度量系統(tǒng)的六西格瑪179 DMAIC績效模型180 平衡記分卡與六西格瑪180 有效的績效度量181 應(yīng)用案例3.6 Expedia.com的客戶滿意度記分卡182 第4章 預(yù)測性分析I:數(shù)據(jù)挖掘的過程、方法和算法189 4.1 開篇小插曲:邁阿密達德警察部門應(yīng)用預(yù)測性分析預(yù)測和打擊犯罪190 4.2 數(shù)據(jù)挖掘概念與應(yīng)用193 應(yīng)用案例4.1 Visa利用預(yù)測性分析和數(shù)據(jù)挖掘提升用戶體驗,同時減少欺詐行為194 定義、特征和優(yōu)勢196 數(shù)據(jù)挖掘原理197 應(yīng)用案例4.2 戴爾在21世紀通過分析保持敏捷和高效198 數(shù)據(jù)挖掘與統(tǒng)計學(xué)203 4.3 數(shù)據(jù)挖掘應(yīng)用203 應(yīng)用案例4.3 預(yù)測性分析和數(shù)據(jù)挖掘有助于阻止對恐怖分子的資助205 4.4 數(shù)據(jù)挖掘過程206 步驟1:業(yè)務(wù)理解207 步驟2:數(shù)據(jù)理解208 步驟3:數(shù)據(jù)準備208 步驟4:建模209 應(yīng)用案例4.4 數(shù)據(jù)挖掘有助于癌癥研究209 步驟5:測試和評估212 步驟6:部署212 其他數(shù)據(jù)挖掘標準化過程和方法212 4.5 數(shù)據(jù)挖掘方法215 分類215 估計分類模型的準確度216 應(yīng)用案例4.5 InuenceHealth使用先進的預(yù)測性分析來關(guān)注影響人們醫(yī)療保健決策的因素223 數(shù)據(jù)挖掘聚類分析225 關(guān)聯(lián)規(guī)則挖掘227 4.6 數(shù)據(jù)挖掘軟件工具231 應(yīng)用案例4.6 數(shù)據(jù)挖掘來到好萊塢:預(yù)測電影的商業(yè)成功233 4.7 數(shù)據(jù)挖掘的隱私問題、謬誤和隱患237 應(yīng)用案例4.7 預(yù)測客戶購買模式—Target公司的故事238 數(shù)據(jù)挖掘謬誤和隱患238 第5章 預(yù)測性分析II:文本、Web以及社交媒體分析247 5.1 開篇小插曲:《Jeopardy》上的人機大戰(zhàn):Watson的故事248 5.2 文本分析與文本挖掘概述251 技術(shù)洞察5.1 文本挖掘術(shù)語253 應(yīng)用案例5.1 保險集團通過文本挖掘解決方案來加強風(fēng)險管理254 5.3 自然語言處理255 應(yīng)用案例5.2 AMC Networks正在使用分析為多渠道世界中的廣告商捕獲新的觀眾、預(yù)測評級和增加價值257 5.4 文本挖掘應(yīng)用261 營銷應(yīng)用261 安全應(yīng)用261 應(yīng)用案例5.3 挖掘謊言262 生物醫(yī)學(xué)應(yīng)用264 學(xué)術(shù)應(yīng)用266 應(yīng)用案例5.4 將客戶帶入質(zhì)量方程:聯(lián)想使用分析重新構(gòu)思設(shè)計266 5.5 文本挖掘過程268 任務(wù)1:建立語料庫269 任務(wù)2:創(chuàng)建詞項–文檔矩陣269 任務(wù)3:提取知識271 應(yīng)用案例5.5 使用文本挖掘研究文獻綜述273 5.6 情感分析276 應(yīng)用案例5.6 創(chuàng)造獨特的數(shù)字體驗來享受溫網(wǎng)中的精彩瞬間277 情感分析應(yīng)用280 情感分析過程282 極性識別方法284 使用詞典284 使用訓(xùn)練文檔集285 識別句子和短語的語義傾向286 識別文檔的語義傾向286 技術(shù)洞察5.2 用于預(yù)測性文本挖掘和情感分析的大規(guī)模文本數(shù)據(jù)集286 5.7 Web挖掘概述287 Web內(nèi)容挖掘和Web結(jié)構(gòu)挖掘289 5.8 搜索引擎291 搜索引擎剖析292 搜索引擎優(yōu)化294 搜索引擎優(yōu)化方法295 技術(shù)洞察5.3 最流行的排名前15的搜索引擎(2016年8月)296 應(yīng)用案例5.7 理解為什么客戶放棄購物車使銷售額增加了1000萬美元297 5.9 Web使用挖掘(Web分析)298 Web分析技術(shù)299 Web分析指標300 網(wǎng)站可用性300 流量來源301 訪客特征302 轉(zhuǎn)化統(tǒng)計302 5.10 社交分析304 社交網(wǎng)絡(luò)分析304 社交網(wǎng)絡(luò)分析指標305 應(yīng)用案例5.8 Tito的伏特加酒通過可靠的社交策略建立品牌忠誠度305 社交媒體分析309 人們?nèi)绾问褂蒙缃幻襟w310 度量社交媒體的影響311 社交媒體分析的最佳實踐311 第6章 規(guī)范性分析:優(yōu)化和模擬319 6.1 開篇小插曲:費城學(xué)區(qū)通過使用規(guī)范性分析找到巴士路線的最佳解決方案320 6.2 基于模型的決策322 規(guī)范性分析模型案例322 應(yīng)用案例6.1 通過決策支持系統(tǒng)向埃克森美孚下游進行最佳運輸323 識別問題和環(huán)境分析324 模型類別324 應(yīng)用案例6.2 Ingram Micro使用商務(wù)智能應(yīng)用進行定價決策325 6.3 用于決策支持的數(shù)學(xué)模型的結(jié)構(gòu)328 決策支持數(shù)學(xué)模型的組件329 數(shù)學(xué)模型的結(jié)構(gòu)329 6.4 確定性、不確定性以及風(fēng)險分析330 確定性下的決策330 不確定性下的決策331 風(fēng)險分析331 6.5 使用電子表格進行決策建模331 應(yīng)用案例6.3 美國航空使用成本建模來評估出貨路線的不確定性332 應(yīng)用案例6.4 賓夕法尼亞州收養(yǎng)交易所使用電子表格模型更好地匹配兒童與家庭333 應(yīng)用案例6.5 Metro Mealson Wheels Treasure Valley使用Excel來尋找最佳的配送路線334 6.6 數(shù)學(xué)規(guī)劃優(yōu)化336 應(yīng)用案例6.6 混合整數(shù)規(guī)劃模型幫助田納西大學(xué)醫(yī)學(xué)中心調(diào)度醫(yī)生337 線性規(guī)劃模型338 線性規(guī)劃中的建模:一個例子339 實現(xiàn)344 6.7 多目標、敏感性分析、假設(shè)分析和目標尋求346 多目標346 敏感性分析347 假設(shè)分析348 目標尋求348 6.8 基于決策表和決策樹的決策分析349 決策表350 決策樹351 6.9 模擬概論352 模擬的主要特征352 應(yīng)用案例6.7 乙型肝炎干預(yù)的模擬效果353 模擬的優(yōu)點354 模擬的缺點355 模擬方法35
你還可能感興趣
我要評論
|