齣版者的話
譯者序
前言
作者簡介
第1章 商務智能、數據分析和決策支持概述 1
1.1 開篇小插麯：Magpie Sensing公司使用分析技術高效而安全地管理疫苗供應鏈 1
1.2 變化的商業環境和計算機決策支持 3
1.3 商務智能架構 4
1.3.1 BI的定義 5
1.3.2 BI的簡史 5
1.3.3 BI的架構 5
1.3.4 BI的起源和驅動力 6
1.3.5 BI中的多媒體練習 8
1.4 智能産生、使用與商務智能治理 8
1.4.1 智能産生和使用的循環過程 8
1.4.2 智能與竊取 9
1.5 事務處理與分析處理 9
1.6 成功的BI實施 10
1.6.1 典型的BI用戶群體 10
1.6.2 閤理規劃與業務戰略的統一 11
1.6.3 實時的、隨需應變的BI是可以實現的 11
1.6.4 開發或收購BI係統 12
1.6.5 理由和成本—收益分析 12
1.6.6 安全和隱私保護 12
1.6.7 係統和應用的集成 12
1.7 數據分析概述 13
1.7.1 描述性分析 14
1.7.2 預測性分析 15
1.7.3 規範性分析 16
1.7.4 應用於不同領域的數據分析 19
1.7.5 數據分析還是數據科學 19
1.8 大數據分析簡介 20
1.9 本書的安排 21
1.10 資源、鏈接和Teradata大學網絡連接 22
1.10.1 資源和鏈接 22
1.10.2 供應商、産品和演示 22
1.10.3 期刊 22
1.10.4 Teradata大學網絡連接 23
1.10.5 本書的網站 23
本章要點 23
關鍵詞 23
問題討論 23
練習 24
章末應用案例 25
參考文獻 26
第2章 數據倉庫 28
2.1 開篇小插麯：卡普裏島賭場利用企業數據倉庫獲勝 28
2.2 數據倉庫的定義和概念 30
2.2.1 什麼是數據倉庫 30
2.2.2 數據倉庫曆史透視 30
2.2.3 數據倉庫的特點 32
2.2.4 數據集市 33
2.2.5 操作數據存儲 33
2.2.6 企業數據倉庫 33
2.2 元數據 35
2.3 數據倉庫流程概述 36
2.4 數據倉庫架構 38
2.4.1 可選的數據倉庫架構 40
2.4.2 哪種架構最好 42
2.5 數據集成以及提取、轉換和加載過程 43
2.5.1 數據集成 44
2.5.2 提取、轉換和加載 46
2.6 數據倉庫的開發 47
2.6.1 數據倉庫開發方法 50
2.6.2 數據倉庫開發的其他思考 53
2.6.3 數據倉庫中的數據錶示 53
2.6.4 數據倉庫中的數據分析 54
2.6.5 OLAP和OLTP 54
2.6.6 OLAP操作 55
2.7 數據倉庫的實施問題 57
2.8 實時數據倉庫 60
2.9 數據倉庫管理、安全問題和未來趨勢 64
2.10 資源、鏈接和Teradata大學網絡連接 68
2.10.1 資源和鏈接 68
2.10.2 案例 68
2.10.3 供應商、産品和演示 68
2.10.4 期刊 68
2.10.5 其他參考文獻 69
2.10.6 Teradata大學網絡連接 69
本章要點 69
關鍵詞 69
問題討論 70
練習 70
章末應用案例 72
參考文獻 74
第3章 業務報錶、可視化分析與企業績效管理 77
3.1 開篇小插麯: 自助服務的報錶環境為企業用戶節省上百萬美元 77
3.2 業務報錶的定義和概念 80
3.2.1 什麼是業務報錶 81
3.2.2 業務報錶係統的組件 84
3.3 數據與信息可視化 85
3.4 不同類型的圖錶 89
3.4.1 基本圖錶 89
3.4.2 專用圖錶 90
3.5 數據可視化與可視化分析的齣現 92
3.5.1 可視化分析 93
3.5.2 高性能可視化分析環境 95
3.6 績效儀錶盤 97
3.6.1 儀錶盤設計 98
3.6.2 在儀錶盤中尋找什麼 100
3.6.3 儀錶盤設計的最佳實踐 101
3.6.4 根據行業標準建立 KPI 基準 101
3.6.5 利用上下文元數據封裝儀錶盤度量 101
3.6.6 通過可用性專傢檢驗儀錶盤設計 101
3.6.7 在儀錶盤中指定警報和異常的優先級 101
3.6.8 使用用戶評論豐富的儀錶盤 102
3.6.9 在3個不同層次展示信息 102
3.6.10 使用儀錶盤設計準則選擇正確的可視化方式 102
3.6.11 提供指導性分析 102
3.7 企業績效管理 102
3.8 績效度量 105
3.8.1 關鍵績效指標 106
3.8.2 績效度量係統 107
3.9 平衡記分卡 107
3.9.1 4個視角 107
3.9.2 平衡在BSC中的意義 108
3.9.3 儀錶盤與平衡記分卡 109
3.10 作為績效度量係統的六西格瑪 109
3.10.1 DMAIC績效模型 110
3.10.2 平衡記分卡與六西格瑪 110
3.10.3 有效的績效度量 111
本章要點 113
關鍵詞 114
問題討論 114
練習 115
章末應用案例 116
參考文獻 118
第4章 數據挖掘 119
4.1 開篇小插麯：坎貝拉公司將高級分析和數據挖掘應用於更多客戶 119
4.2 數據挖掘概念和應用 121
4.2.1 定義、特徵和優勢 122
4.2.2 數據挖掘原理 127
4.2.3 數據挖掘與統計學 130
4.3 數據挖掘應用 131
4.4 數據挖掘過程 133
4.4.1 步驟1：業務理解 134
4.4.2 步驟2：數據理解 134
4.4.3 步驟3：數據準備 135
4.4.4 步驟4：建模 137
4.4.5 步驟5：測試和評估 137
4.4.6 步驟6：部署 137
4.4.7 其他標準化的數據挖掘過程和方法 139
4.5 數據挖掘方法 140
4.5.1 分類 140
4.5.2 估算分類模型的準確率 141
4.5.3 數據挖掘聚類分析 146
4.5.4 關聯規則挖掘 148
4.6 數據挖掘軟件工具 151
4.7 數據挖掘的隱私問題、謬誤和隱患 156
4.7.1 數據挖掘和隱私問題 156
4.7.2 數據挖掘謬誤和隱患 157
本章要點 158
關鍵詞 159
問題討論 160
練習 160
章末應用案例 162
參考文獻 163
第5章 文本與Web分析 164
5.1 開篇小插麯：《危險邊緣》上的人機大戰：Watson的故事 164
5.2 文本分析和文本挖掘概述 166
5.3 自然語言處理 170
5.4 文本挖掘應用 174
5.4.1 營銷應用 174
5.4.2 安全應用 174
5.4.3 生物醫學應用 177
5.4.4 學術應用 178
5.5 文本挖掘過程 180
5.5.1 任務1：建立語料庫 180
5.5.2 任務2：創建詞項—文檔矩陣 181
5.5.3 任務3：提取知識 182
5.6 情感分析 186
5.6.1 情感分析應用 189
5.6.2 情感分析過程 190
5.6.3 極性識彆方法 191
5.6.4 使用詞典 191
5.6.5 使用訓練文檔集 192
5.6.6 識彆句子和短語的語義傾嚮 192
5.6.7 識彆文檔的語義傾嚮 193
5.7 Web挖掘概述 193
5.8 搜索引擎 197
5.8.1 搜索引擎剖析 198
5.8.2 開發環 198
5.8.3 網絡爬蟲 198
5.8.4 文檔索引器 198
5.8.5 響應環 199
5.8.6 查詢分析器 199
5.8.7 文檔匹配器/排名器 199
5.8.8 搜索引擎優化 200
5.8.9 搜索引擎優化的方法 201
5.9 Web使用挖掘（Web分析） 203
5.9.1 Web分析技術 204
5.9.2 Web分析度量 206
5.9.3 網站可用性 206
5.9.4 流量來源 207
5.9.5 訪客特徵 208
5.9.6 轉化統計 208
5.10 社交分析 209
5.10.1 社交網絡分析 210
5.10.2 社交網絡分析度量 211
5.10.3 聯係 212
5.10.4 分布 212
5.10.5 分割 213
5.10.6 社交媒體分析 213
5.10.7 人們如何使用社交媒體 214
5.10.8 評估社交媒體的影響 215
5.10.9 社交媒體分析的最佳實踐 216
本章要點 218
關鍵詞 219
問題討論 220
練習 220
章末應用案例 221
參考文獻 223
第6章 大數據與分析 225
6.1 開篇小插麯：當大數據遇上大數據科學 225
6.2 大數據的定義 228
6.3 大數據分析基礎 233
6.4 大數據技術 237
6.4.1 MapReduce 237
6.4.2 為什麼使用MapReduce 238
6.4.3 Hadoop 238
6.4.4 Hadoop如何工作 238
6.4.5 Hadoop技術組件 239
6.4.6 Hadoop：利與弊 240
6.4.7 NoSQL 241
6.5 數據科學傢 243
6.6 大數據和數據倉庫 248
6.6.1 Hadoop的使用案例 248
6.6.2 數據倉庫的使用案例 249
6.6.3 灰色區域（任意一個都能勝任） 250
6.6.4 Hadoop和數據倉庫共存 250
6.7 大數據供應商 252
6.8 大數據與流分析 258
6.8.1 流分析與持久性分析 259
6.8.2 關鍵事件處理 260
6.8.3 數據流挖掘 260
6.9 流分析的應用 261
6.9.1 電子商務 261
6.9.2 電信 261
6.9.3 法律實施與網絡安全 263
6.9.4 電力行業 263
6.9.5 金融服務 263
6.9.6 健康科學 263
6.9.7 政府 264
本章要點 264
關鍵詞 264
問題討論 265
練習 265
章末應用案例 266
參考文獻 268
第7章 業務分析：趨勢與前景 269
7.1 開篇小插麯：俄剋拉荷馬州天然氣及電力公司利用數據分析促進智能能源使用 269
7.2 為組織提供基於位置的分析 270
7.2.1 地理空間分析 271
7.2.2 實時位置智能 273
7.3 麵嚮消費者的分析應用 275
7.4 推薦引擎 277
7.5 Web 2.0革命和在綫社交網絡 278
7.5.1 Web 2.0的典型特徵 279
7.5.2 社交網絡 279
7.5.3 定義和基本信息 279
7.5.4 商業和企業社交網絡 280
7.6 雲計算與商務智能 281
7.6.1 麵嚮服務的DSS 282
7.6.2 數據即服務 283
7.6.3 信息即服務 284
7.6.4 分析即服務 284
7.7 數據分析對組織的影響 286
7.7.1 新的組織結構 286
7.7.2 重構業務流程和虛擬團隊 286
7.7.3 工作滿意度 287
7.7.4 工作壓力和焦慮 287
7.7.5 分析工具對管理人員活動和績效的影響 287
7.8 法律、隱私和道德問題 288
7.8.1 法律問題 288
7.8.2 隱私 289
7.8.3 最近涉及隱私和數據分析的技術問題 290
7.8.4 決策中的道德問題和支持 291
7.9 數據分析生態係統 291
7.9.1 數據分析行業的類彆 292
7.9.2 數據基礎設施供應商 292
7.9.3 數據倉庫行業 293
7.9.4 中間件/BI平颱行業 293
7.9.5 數據聚閤商與分發商 293
7.9.6 專注於分析的軟件開發者 293
7.9.7 報錶和分析 294
7.9.8 預測性分析 294
7.9.9 規範性分析 294
7.9.10 特定行業或通用的應用開發者、係統集成者 295
7.9.11 分析工具的用戶組織 296
7.9.12 行業分析師和影響者 297
7.9.13 教育機構和認證機構 297
本章要點 298
關鍵詞 298
問題討論 299
練習 299
章末應用案例 300
參考文獻 301
索引 303
· · · · · · (
收起)
