商務(wù)智能：數(shù)據(jù)分析的管理視角（英文版·第4版）

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(dāng)?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(biāo)準(zhǔn)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(biāo)準(zhǔn)的基準(zhǔn)關(guān)鍵績效指標(biāo)121
使用情境的元數(shù)據(jù)包裝儀表盤指標(biāo)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(zhǔn)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(biāo)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(jì)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(zhǔn)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(biāo)準(zhǔn)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(zhǔn)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(biāo)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(biāo)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?jǐn)?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(biāo)、敏感性分析、假設(shè)分析和目標(biāo)尋求346
多目標(biāo)346
敏感性分析347
假設(shè)分析348
目標(biāo)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