描述
开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787111607854
1.1 开篇小插曲：体育分析—学习和了解商务分析应用的一个令人兴奋的前沿4
1.2 变化的商业环境，决策支持和商务分析的需求变化11
1.3 计算机决策支持向商务分析和数据科学的演变13
1.4 商务智能框架15
商务智能的定义16
商务智能的简史16
商务智能的架构16
商务智能的起源和驱动力16
应用案例1.1 Sabre通过仪表盘和分析帮助客户18
商务智能多媒体应用19
事务处理与分析处理19
进行适当的规划并与企业战略保持一致20
实时按需的BI实现21
开发或获取BI系统21
合理性和成本效益分析22
安全和隐私保护22
系统和应用集成22
1.5 商务分析概述22
描述性分析24
应用案例1.2 Silvaris通过可视化分析和实时报表功能提升业务24
应用案例1.3 西门子通过使用数据可视化降低成本25
预测性分析25
应用案例1.4 运动损伤分析26
规范性分析26
应用案例1.5 特种钢筋公司使用商务分析确定可承诺交付日期27
商务分析应用于不同领域27
商务分析或数据科学28
1.6 所处领域的商务分析实例29
应用于医疗保健的商务分析—Humana实例29
零售价值链中的商务分析33
1.7 大数据分析简介35
什么是大数据35
应用案例1.6 CenterPoint Energy使用实时大数据分析改善客户服务37
1.8 商务分析生态系统概述37
数据生成基础设施提供商39
数据管理基础设施提供商39
数据仓库提供商40
中间件提供商40
数据服务提供商40
专注于商务分析的软件开发者41
应用开发者：特定行业或一般行业42
商务分析行业分析师和有影响力者43
学术机构和认证机构44
监管者和政策制定者45
分析用户组织45
本书计划46
资源、链接和Teradata大学网络连接47
第2章 描述性分析Ⅰ：数据的性质、统计建模与可视化53
2.1 开篇小插曲：SiriusXM利用数据驱动的营销吸引新一代的移动消费者54
2.2 数据的性质57
2.3 数据的简单分类61
应用案例2.1 医疗器械公司节省开支的同时确保产品质量63
2.4 数据预处理的艺术与科学65
应用案例2.2 通过数据驱动分析提高学生保留率68
2.5 用于商务分析的统计建模74
用于描述性分析的描述性统计75
集中趋势度量（也可以称作位置或中心度量）76
算术平均数76
中位数77
众数77
离散趋势度量（也可称为散布或分散度量）77
极差78
方差78
标准差78
平均偏差78
四分位数与四分位距78
箱图79
分布形状80
技术洞察2.1 如何使用Microsoft Excel进行描述性统计82
应用案例2.3 Cary镇使用商务分析来分析传感器数据、评估需求和检测问题84
2.6 用于推断性统计的回归建模86
我们如何开发线性回归模型87
我们如何知道模型是否足够好88
什么是线性回归重要的假设89
逻辑回归90
应用案例2.4 预测NCAA碗赛结果91
时间序列预测96
2.7 业务报表98
应用案例2.5 纸质报表的洪水结束于FEMA100
2.8 数据可视化101
数据可视化简史101
应用案例2.6 Macfarlan Smith使用Tableau Online提高运营绩效洞察103
2.9 不同类型的图表106
基本图表106
专用图表107
你应该使用哪种图表108
2.10 可视化分析的兴起110
技术洞察2.2 商务智能和分析平台的Gartner魔力象限111
可视化分析112
高效率可视化分析环境112
技术洞察2.3 通过数据和可视化讲出色的故事113
2.11 信息仪表盘117
应用案例2.7 Dallas Cowboys使用Tableau与Teknion获
得高分118
仪表盘设计119
应用案例2.8 可视化分析帮助能源供应商实现更好的连接119
在仪表盘中要寻找的内容121
仪表盘设计的实践121
符合行业标准的基准关键绩效指标121
使用情境的元数据包装仪表盘指标121
通过可用性专家验证仪表盘设计122
把传输到仪表盘的报警或
异常按优先级划分并排序122
以业务用户评论丰富仪表盘122
从三个不同层次呈现信息122
使用仪表盘设计原则选取正确的视觉构造122
为指导性分析做准备122
第3章 描述性分析II：商务智能和数据仓库127
3.1 开篇小插曲：利用商务智能和数据仓库定位税务欺诈128
3.2 商务智能与数据仓库130
什么是数据仓库131
数据仓库的历史视角132
数据仓库的特征133
数据集市134
操作数据存储135
企业数据仓库135
元数据135
应用案例3.1 更好的数据计划：著名
的TELCO公司使用数
据仓库和商务分析技术
在竞争激烈的行业中保
持领先地位135
3.3 数据仓库过程137
3.4 数据仓库架构139
可选的数据仓库架构142
哪种架构好144
3.5 数据集成以及提取、转换和加载
过程145
数据集成146
应用案例3.2 BP Lubricants公司实现BIGS成功146
提取、转换和加载148
3.6 数据仓库的开发150
应用案例3.3 使用Teradata分析的SAP解决方案加速大数据交付151
数据仓库开发方法153
数据仓库开发的其他思考156
数据仓库中的数据表示156
技术洞察3.1 托管数据仓库157
数据仓库中的数据分析158
OLAP和OLTP158
OLAP操作159
3.7 数据仓库的实施问题160
大型数据仓库和可扩展性162
应用案例3.4 EDW帮助连接密歇根的政府机构163
3.8 数据仓库管理、安全问题和未来趋势164
数据仓库的未来165
技术洞察3.2 数据湖166
3.9 企业绩效管理170
闭环BPM周期171
应用案例3.5 AAPR改造其BI基础设施，并在三年内达到347%的投资回报173
3.10 绩效度量175
关键绩效指标176
绩效度量系统177
3.11 平衡记分卡177
四个视角177
平衡在平衡记分卡中的意义179
3.12 作为绩效度量系统的六西格玛179
DMAIC绩效模型180
平衡记分卡与六西格玛180
有效的绩效度量181
应用案例3.6 Expedia.com的客户满意度记分卡182
第4章 预测性分析I：数据挖掘的过程、方法和算法189
4.1 开篇小插曲：迈阿密达德警察部门应用预测性分析预测和打击犯罪190
4.2 数据挖掘概念与应用193
应用案例4.1 Visa利用预测性分析和数据挖掘提升用户体验，同时减少欺诈行为194
定义、特征和优势196
数据挖掘原理197
应用案例4.2 戴尔在21世纪通过分析保持敏捷和高效198
数据挖掘与统计学203
4.3 数据挖掘应用203
应用案例4.3 预测性分析和数据挖掘有助于阻止对恐怖分子的资助205
4.4 数据挖掘过程206
步骤1：业务理解207
步骤2：数据理解208
步骤3：数据准备208
步骤4：建模209
应用案例4.4 数据挖掘有助于癌症研究209
步骤5：测试和评估212
步骤6：部署212
其他数据挖掘标准化过程和方法212
4.5 数据挖掘方法215
分类215
估计分类模型的准确度216
应用案例4.5 InuenceHealth使用先进的预测性分析来关注影响人们医疗保健决策的因素223
数据挖掘聚类分析225
关联规则挖掘227
4.6 数据挖掘软件工具231
应用案例4.6 数据挖掘来到好莱坞：预测电影的商业成功233
4.7 数据挖掘的隐私问题、谬误和隐患237
应用案例4.7 预测客户购买模式—Target公司的故事238
数据挖掘谬误和隐患238
第5章 预测性分析II：文本、Web以及社交媒体分析247
5.1 开篇小插曲：《Jeopardy》上的人机大战：Watson的故事248
5.2 文本分析与文本挖掘概述251
技术洞察5.1 文本挖掘术语253
应用案例5.1 保险集团通过文本挖掘解决方案来加强风险管理254
5.3 自然语言处理255
应用案例5.2 AMC Networks正在使用分析为多渠道世界中的广告商捕获新的观众、预测评级和增加价值257
5.4 文本挖掘应用261
营销应用261
安全应用261
应用案例5.3 挖掘谎言262
生物医学应用264
学术应用266
应用案例5.4 将客户带入质量方程：联想使用分析重新构思设计266
5.5 文本挖掘过程268
任务1：建立语料库269
任务2：创建词项–文档矩阵269
任务3：提取知识271
应用案例5.5 使用文本挖掘研究文献综述273
5.6 情感分析276
应用案例5.6 创造独特的数字体验来享受温网中的精彩瞬间277
情感分析应用280
情感分析过程282
极性识别方法284
使用词典284
使用训练文档集285
识别句子和短语的语义倾向286
识别文档的语义倾向286
技术洞察5.2 用于预测性文本挖掘和情感分析的大规模文本数据集286
5.7 Web挖掘概述287
Web内容挖掘和Web结构挖掘289
5.8 搜索引擎291
搜索引擎剖析292
搜索引擎优化294
搜索引擎优化方法295
技术洞察5.3 流行的排名前15的搜索引擎（2016年8月）296
应用案例5.7 理解为什么客户放弃购物车使销售额增加了1000万美元297
5.9 Web使用挖掘（Web分析）298
Web分析技术299
Web分析指标300
网站可用性300
流量来源301
访客特征302
转化统计302
5.10 社交分析304
社交网络分析304
社交网络分析指标305
应用案例5.8 Tito的伏特加酒通过可靠的社交策略建立品牌忠诚度305
社交媒体分析309
人们如何使用社交媒体310
度量社交媒体的影响311
社交媒体分析的实践311
第6章 规范性分析：优化和模拟319
6.1 开篇小插曲：费城学区通过使用规范性分析找到巴士路线的解决方案320
6.2 基于模型的决策322
规范性分析模型案例322
应用案例6.1 通过决策支持系统向埃克森美孚下游进行运输323
识别问题和环境分析324
模型类别324
应用案例6.2 Ingram Micro使用商务智能应用进行定价决策325
6.3 用于决策支持的数学模型的结构328
决策支持数学模型的组件329
数学模型的结构329
6.4 确定性、不确定性以及风险分析330
确定性下的决策330
不确定性下的决策331
风险分析331
6.5 使用电子表格进行决策建模331
应用案例6.3 美国航空使用成本建模来评估出货路线的不确定性332
应用案例6.4 宾夕法尼亚州收养交易所使用电子表格模型更好地匹配儿童与家庭333
应用案例6.5 Metro Mealson Wheels Treasure Valley使用Excel来寻找的配送路线334
6.6 数学规划优化336
应用案例6.6 混合整数规划模型帮助田纳西大学医学中心调度医生337
线性规划模型338
线性规划中的建模：一个例子339
实现344
6.7 多目标、敏感性分析、假设分析和目标寻求346
多目标346
敏感性分析347
假设分析348
目标寻求348
6.8 基于决策表和决策树的决策分析349
决策表350
决策树351
6.9 模拟概论352
模拟的主要特征352
应用案例6.7 乙型肝炎干预的模拟效果353
模拟的优点354
模拟的缺点355
模拟方法35
本书提供了从描述性分析（例如数据的性质、统计建模、数据可视化和商务智能）开始的商务分析连续统一体的管理视角，然后转向预测性分析（例如数据挖掘、文本/Web挖掘、社交媒体挖掘），然后进行规范性分析（例如优化和模拟），后两章分别讨论大数据的概念和工具以及商务分析未来趋势、隐私和管理思考。本书有一个原出版社支持的配套网站（pearsonhighered.com/sharda），还有一个作者维护的独立网站（dssbibook.com）。
本书的目的是向读者介绍这些通常被称为商务分析或数据科学的技术。本书介绍了这些系统的构建和使用方法的基本技术原理。我们遵循EEE方法介绍这些主题：展示、体验和探索（Exposure, Experience, and Exploration）。本书主要提供各种分析技术及其应用的展示，这将会激发学生学习其他组织如何采用分析做出决策或者获得竞争优势。我们认为，这种对分析工作内容以及分析实现方式的展示是学习分析的关键组成部分。在描述这些技术时，我们还会介绍可用于开发此类应用的特定软件工具。但本书不限于任何一种软件工具，因此学生可以使用任何其他可用的软件工具来体验这些技术。每章都给出了特定的建议，学生和教师可以结合不同的数据分析软件工具阅读本书。本书的配套网站也包括特定的软件指导，学生可以通过多种方式获得运用这些技术的经验。后，我们希望这些经验能够鼓励读者在各自不同的领域探究这些技术的潜力。为了便于学习，我们提供了一些指向Teradata大学网络和其他网站的练习以及面向团队的练习。我们也会从本书的网站分布新的和创新性的应用。
本书第4版的具体改进主要集中在四个方面：重新编排、新的章节、内容更新和更加突出的重点。尽管发生了许多变化，但我们仍保持着全面性和用户友好性。后，我们提供了更准确、更新的内容。接下来我们介绍第4版的变化。
第4版中有哪些更新变化
为了改进本书以反映商务分析的重点，意味着第4版需要进行重大重组。这一版围绕三种主要的商务分析（即描述性、预测性和规范性）组织。新版本补充了很多新的内容，删除了过时的内容，具体的变化如下。
新的组织形式：本书接受了INFORMS提出的三种类型的分析分类—描述性、预测性和规范性。第1章介绍了商务智能和商务分析，以及它们在许多行业中的应用。该章还包括分析生态系统的概述，以帮助用户探索在分析环境中参与和发展的所有不同方式。第2章对统计学、数据的重要性和描述性分析/可视化进行了概述。第3章介绍数据仓库和数据基础，包括更新的内容，特别是数据湖的概念。第4章涵盖了预测性分析。第5章将商务分析应用扩展到文本、Web和社交媒体。第6章涉及规范性分析，特别是线性规划和模拟，这是本书中的全新内容。第7章介绍了大数据工具和平台。第8章对本书的内容进行了总结，涉及商务分析中的新兴趋势和主题，包括位置分析、物联网、基于云的分析和商务分析中的隐私与道德考虑。数据分析生态系统的讨论也提及了规范性分析。
新章节：以下章节被全新补充。
第2章：描述性分析I：数据性质、统计建模和可视化
该章的目的是透彻了解数据的性质，这是任何分析研究的主要组成部分。然后，统计建模将作为描述性分析的一部分介绍。数据可视化已成为任何业务报表或描述性分析项目的热门部分，因此它在该章中会详细解释。该章还介绍了几个现实世界的案例（75%的新材料）。
第6章：规范性分析：优化与模拟
该章介绍规范性分析。重点介绍使用线性规划技术在Excel中进行优化建模，还介绍了模拟的概念。该章是作者关于决策支持系统的书第10版中两章内容的更新版本。对于这本书，这是一个全新的章节（99%的新材料）。
第8章：商务分析的未来趋势、隐私和管理思考
该章将考察几个新的社会现象，这些现象已经在改变，或者有可能改变分析领域，包括地理空间分析、物联网以及基于云分析的资料的重大更新。该章还更新了上一版中关于道德和隐私考虑的内容（70%的新材料）。
章节修订：其他的所有章节也已修改和更新，以下是其他章节的更改摘要。
第1章：商务智能、商务分析和数据科学概述
该章已经被重写并显著扩展，开篇小插曲涵盖了体育分析的多种应用，介绍了INFORMS提出的三种类型的商务分析：描述性、预测性和规范性分析。前面提到，这个分类用于指导本书的完整重组（之前的内容呈现了新的面貌）。然后，该章包括几个医疗保健和零售业分析的新例子。后，该章以分析生态系统的扩展和更新内容结尾，为学生提供了商务分析和数据科学行业的广泛性（约60%的新材料）。
第3章：描述性分析II：商务智能和数据
这是一个旧章节，但插入了一些新的小节（例如数据湖）和新的案例（约30%的新材料）。
第4章：预测性分析I：数据挖掘过程、方法和算法
这是一个旧章节，但是补充了新的内容、流程和一些新的案例（约20%的新材料）。
第5章：预测性分析II：文本、Web和社交媒体分析
这是一个旧章节，但是添加了一些新的内容组织、流程以及新的案例（约25%的新材料）。
第7章：大数据概念和分析，这是上一版的第6章，更新了一个新的开篇小插曲和案例，介绍了Teradata Aster以及替代数据的新材料（约25%的新材料）。
改版作者团队：基于以前的版本作者（Turban，Sharda，Delen和King）的优秀内容，本版本主要由Ramesh Sharda和Dursun Delen进行修订。Ramesh和Dursun都在分析行业中工作已久，拥有行业和研究经验。
实时更新的网站：本书的使用者可以访问一个网站，其中包含与新故事、软件、教程，甚至与本书涵盖主题相关的YouTube视频的链接。该网站可在dssbibook.com上访问。
修订和更新的内容。几乎所有的章节都有基于近的故事和事件的新的开篇小插曲。此外，整本书中的应用案例已更新，包含了特定技术和模型的应用示例。在整本书中增加了新的网站链接。我们还删除了许多较旧的产品链接和引用。后，大多数章节都有新的练习、网络任务和问题讨论。
与Teradata大学网络（TUN）的链接。大部分章节包括了与TUN（teradata univer- sitynetwork.com）的新链接。
书名。已经很明显，这本书的书名和重点已经发生了很大变化。
软件支持。TUN网站免费提供软件支持。它还提供了免费数据挖掘和其他软件的链接。此外，该网站还提供使用此类软件的练习。
补充包：www.pearsonhighered.com/sharda
提供全面灵活的技术支持包，以提高教学和学习经验。以下教师和学生补充包可在本书的网站pearsonhighered.com/sharda上获得。
教师手册。教师手册（Instructor抯 Manual）包括整个课程每章的学习目标和每章的结尾处的问题与练习的答案以及教学建议（包括项目说明）。教师手册可在Pearsonhighered.com/sharda的secure faculty部分获得。
测试项目文件和TestGen软件。测试项目文件（the Test Item File）是判断题、多项选择题、填空题和叙述题的综合集合。测试项目文件在Microsoft Word和TestGen中可用。Pearson Education的测试生成软件可从www.pearsonhighered.com/ irc获得。该软件与PC/MAC兼容，并预装了所有的测试项目文件问题。你可以手动或随机查看测试问题并进行拖放以创建测试，也可以根据需要添加或修改测试问题。我们的TestGens可以被转换为在BlackBoard、WebCT、Moodle、D2L和Angel中使用。这些转换可以在pearsonhighered.com/sharda找到。TestGen可从Respondus获取，也可以从www.respondus.com上找到。
PowerPoint幻灯片。PowerPoint幻灯片可用于演示和构建内容中的关键概念。教师可以从Pearson-highered.com/sharda下载PowerPoint幻灯片。
致谢
自本书第1版出版以来，许多人提出了建议和批评。也有几十名学生参加了各个章节、软件和问题的测试，并协助收集材料。列举参与这个项目的所有人是不可能的，但我们要感谢所有人。有些人也做出了重大贡献，他们值得特别感谢。
首先，我们感谢那些为第1版到第3版提供正式评审的人的辛苦工作：
我们也感谢那些对本书以及我们关于决策支持系统的书—《Business Intelligence and Analytics: Systems for Decision Support》（第10版，Pearson Education, 2013）进行正式评审的人的辛苦工作。
第二，有几个人为本书或支持材料提供了材料。Teradata的Susan Baskin和David Schrader博士为本书确定新的TUN和Teradata内容提供了特别的帮助，并为其确定了许可。Dave Schrader博士为本书写了开篇小插曲。这个小插曲还得到了奥本大学的Ashish Gupta博士和田纳西州–查塔努加大学的Gary Wilkerson开发的材料的帮助，它将为分析提供一个很好的介绍。我们也非常感谢INFORMS允许我们从Interfaces引用一些内容。以下人员在我们更新这本书的时候也提供了帮助：Pankush Kalgotra，Prasoon Mathur，Rupesh Agarwal，Shubham Singh，Nan Liang，Jacob Pearson，Kinsey Clemmer和Evan Murlette（都来自俄克拉何马州立大学），非常感激他们对本版的帮助。Teradata Aster团队，特别是Mark Ott，为第7章的开篇小插曲提供了材料。第7章中的Aster材料改编自John Thuma和Greg Bethardy开发的培训指南。Humana Corporation首席信息官Brian LeClaire博士提供了他和他的团队在Humana开发的几项真实的医疗保健案例。vCreaTek的Abhishek Rathi贡献了他在零售行业的分析愿景。感谢Rick Wilson博士在Excel中优秀的教学和线性编程技能的表现。Matt Turck同意让我们采用他的物联网生态系统材料。Ramesh还感谢女儿Ruchy Sharda Sen提供的文字编辑工作。此外，我们以前的博士生和研究同事以多种直接或间接的方式为本书提供了内容或建议和支持：
第三，对于上一版，我们非常感谢Dave King（JDA Software Group，Inc.）的贡献。上一版的其他主要贡献者包括J. Aronson（佐治亚大学），他是我们的共同作者，贡献了数据仓库章节。Mike Goul（亚利桑那州立大学）主要在第1章做出了贡献；以及T. P. Liang（台湾“中山大学”）在以前的版本中为神经网络提供了材料。Judy Lang与我们所有人合作，完成编辑任务，并在第1版的整个项目中指导我们。
第四，几家供应商通过为以前的版本提供案例研究和演示软件与我们合作：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，特别感谢Teradata大学网络，特别感谢项目总监Susan Baskin。Hugh Watson，他创办了TUN网络；以及Michael Goul、Barb Wixom和Mary Gros，他们鼓励将本书与TUN网络相连，并为本书提供有用的材料。
后，感谢Pearson团队的Samantha Lewis，他们与我们合作完成了修订，感谢生产团队的Ann Pulido、Revathi Viswanathan，以及Cenveo的工作人员，他们将手稿变成了一本书。
我们要感谢所有为本书出版做出贡献的个人和公司。若没有他们的帮助，本书是不可能出现的。
评论
还没有评论。