商務智能：數(shù)據(jù)分析的管理視角（英文版·第4版）

第1章　商務智能、商務分析和數(shù)據(jù)科學概述3
1.1　開篇小插曲：體育分析—學習和了解商務分析應用的一個令人興奮的前沿4
1.2　變化的商業(yè)環(huán)境，決策支持和商務分析的需求變化11
1.3　計算機決策支持向商務分析和數(shù)據(jù)科學的演變13
1.4　商務智能框架15
商務智能的定義16
商務智能的簡史16
商務智能的架構16
商務智能的起源和驅動力16
應用案例1.1　Sabre通過儀表盤和分析幫助客戶18
商務智能多媒體應用19
事務處理與分析處理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)和應用集成22
1.5　商務分析概述22
描述性分析24
應用案例1.2　Silvaris通過可視化分析和實時報表功能提升業(yè)務24
應用案例1.3　西門子通過使用數(shù)據(jù)可視化降低成本25
預測性分析25
應用案例1.4　運動損傷分析26
規(guī)范性分析26
應用案例1.5　特種鋼筋公司使用商務分析確定可承諾交付日期27
商務分析應用于不同領域27
商務分析或數(shù)據(jù)科學28
1.6　所處領域的商務分析實例29
應用于醫(yī)療保健的商務分析—Humana實例29
零售價值鏈中的商務分析33
1.7　大數(shù)據(jù)分析簡介35
什么是大數(shù)據(jù)35
應用案例1.6　CenterPoint Energy使用實時大數(shù)據(jù)分析改善客戶服務37
1.8　商務分析生態(tài)系統(tǒng)概述37
數(shù)據(jù)生成基礎設施提供商39
數(shù)據(jù)管理基礎設施提供商39
數(shù)據(jù)倉庫提供商40
中間件提供商40
數(shù)據(jù)服務提供商40
專注于商務分析的軟件開發(fā)者41
應用開發(fā)者：特定行業(yè)或一般行業(yè)42
商務分析行業(yè)分析師和有影響力者43
學術機構和認證機構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大學網(wǎng)絡連接47
第2章　描述性分析Ⅰ：數(shù)據(jù)的性質、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57
2.3　數(shù)據(jù)的簡單分類61
應用案例2.1　醫(yī)療器械公司節(jié)省開支的同時確保產(chǎn)品質量63
2.4　數(shù)據(jù)預處理的藝術與科學65
應用案例2.2　通過數(shù)據(jù)驅動分析提高學生保留率68
2.5　用于商務分析的統(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
技術洞察2.1　如何使用Microsoft Excel進行描述性統(tǒng)計82
應用案例2.3　Cary鎮(zhèn)使用商務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
我們如何開發(fā)線性回歸模型87
我們如何知道模型是否足夠好88
什么是線性回歸最重要的假設89
邏輯回歸90
應用案例2.4　預測NCAA碗賽結果91
時間序列預測96
2.7　業(yè)務報表98
應用案例2.5　紙質報表的洪水結束于FEMA100
2.8　數(shù)據(jù)可視化101
數(shù)據(jù)可視化簡史101
應用案例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
你應該使用哪種圖表108
2.10　可視化分析的興起110
技術洞察2.2　商務智能和分析平臺的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
應用案例2.7　Dallas Cowboys使用Tableau與Teknion獲
　得高分118
儀表盤設計119
應用案例2.8　可視化分析幫助能源供應商實現(xiàn)更好的連接119
在儀表盤中要尋找的內容121
儀表盤設計的最佳實踐121
符合行業(yè)標準的基準關鍵績效指標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
使用儀表盤設計原則選取正確的視覺構造122
為指導性分析做準備122
第3章　描述性分析II：商務智能和數(shù)據(jù)倉庫127
3.1　開篇小插曲：利用商務智能和數(shù)據(jù)倉庫定位稅務欺詐128
3.2　商務智能與數(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)倉庫和商務分析技術
　在競爭激烈的行業(yè)中保
　持領先地位135
3.3　數(shù)據(jù)倉庫過程137
3.4　數(shù)據(jù)倉庫架構139
可選的數(shù)據(jù)倉庫架構142
哪種架構最好144
3.5　數(shù)據(jù)集成以及提取、轉換和加載
　過程145
數(shù)據(jù)集成146
應用案例3.2　BP Lubricants公司實現(xiàn)BIGS成功146
提取、轉換和加載148
3.6　數(shù)據(jù)倉庫的開發(fā)150
應用案例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
應用案例3.4　EDW幫助連接密歇根的政府機構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
應用案例3.5　AAPR改造其BI基礎設施，并在三年內達到347%的投資回報173
3.10　績效度量175
關鍵績效指標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
應用案例3.6　Expedia.com的客戶滿意度記分卡182
第4章　預測性分析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用預測性分析預測和打擊犯罪190
4.2　數(shù)據(jù)挖掘概念與應用193
應用案例4.1　Visa利用預測性分析和數(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203
4.3　數(shù)據(jù)挖掘應用203
應用案例4.3　預測性分析和數(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
應用案例4.5　InuenceHealth使用先進的預測性分析來關注影響人們醫(yī)療保健決策的因素223
數(shù)據(jù)挖掘聚類分析225
關聯(lián)規(guī)則挖掘227
4.6　數(shù)據(jù)挖掘軟件工具231
應用案例4.6　數(shù)據(jù)挖掘來到好萊塢：預測電影的商業(yè)成功233
4.7　數(shù)據(jù)挖掘的隱私問題、謬誤和隱患237
應用案例4.7　預測客戶購買模式—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
技術洞察5.1　文本挖掘術語253
應用案例5.1　保險集團通過文本挖掘解決方案來加強風險管理254
5.3　自然語言處理255
應用案例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、預測評級和增加價值257
5.4　文本挖掘應用261
營銷應用261
安全應用261
應用案例5.3　挖掘謊言262
生物醫(yī)學應用264
學術應用266
應用案例5.4　將客戶帶入質量方程：聯(lián)想使用分析重新構思設計266
5.5　文本挖掘過程268
任務1：建立語料庫269
任務2：創(chuàng)建詞項–文檔矩陣269
任務3：提取知識271
應用案例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
情感分析應用280
情感分析過程282
極性識別方法284
使用詞典284
使用訓練文檔集285
識別句子和短語的語義傾向286
識別文檔的語義傾向286
技術洞察5.2　用于預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內容挖掘和Web結構挖掘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
技術洞察5.3　最流行的排名前15的搜索引擎（2016年8月）296
應用案例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
轉化統(tǒng)計302
5.10　社交分析304
社交網(wǎng)絡分析304
社交網(wǎng)絡分析指標305
應用案例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
人們如何使用社交媒體310
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
應用案例6.1　通過決策支持系統(tǒng)向?？松梨谙掠芜M行最佳運輸323
識別問題和環(huán)境分析324
模型類別324
應用案例6.2　Ingram Micro使用商務智能應用進行定價決策325
6.3　用于決策支持的數(shù)學模型的結構328
決策支持數(shù)學模型的組件329
數(shù)學模型的結構329
6.4　確定性、不確定性以及風險分析330
確定性下的決策330
不確定性下的決策331
風險分析331
6.5　使用電子表格進行決策建模331
應用案例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)學規(guī)劃優(yōu)化336
應用案例6.6　混合整數(shù)規(guī)劃模型幫助田納西大學醫(yī)學中心調度醫(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、假設分析和目標尋求346
多目標346
敏感性分析347
假設分析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
應用案例6.7　乙型肝炎干預的模擬效果353
模擬的優(yōu)點354
模擬的缺點355
模擬方法35