驾驭大数据PDF电子书下载

第一部分 大数据的兴起 3

第1章 什么是大数据，大数据为什么重要 3

1.1 什么是大数据 3

1.2 大数据中的“大”和“数据”哪个更重要 5

1.3 大数据有何不同 6

1.4 大数据为何是数量更多的、相同类型的传统数据 8

1.5 大数据的风险 9

1.6 你为什么需要驾驭大数据 11

1.7 大数据的结构 12

1.8 探索大数据 14

1.9 很多大数据其实并不重要 15

1.10 有效过滤大数据 17

1.11 将大数据和传统数据混合 18

1.12 对大数据标准的需求 19

1.13 今天的大数据将不再是明天的大数据 20

1.14 本章小结 22

第2章 网络数据：原始的大数据 25

2.1 网络数据概观 26

2.1.1 你遗漏了什么 27

2.1.2 想象各种可能性 28

2.1.3 一个全新的信息来源 28

2.1.4 应当收集什么数据 29

2.1.5 关于隐私 30

2.2 网络数据揭示了什么 31

2.2.1 购物行为 31

2.2.2 顾客的购买路径和偏好 32

2.2.3 研究行为 33

2.2.4 反馈行为 34

2.3 行动中的网络数据 35

2.3.1 最优的推荐商品 35

2.3.2 流失模型 37

2.3.3 响应模型 38

2.3.4 顾客分类 39

2.3.5 评估广告效果 40

2.4 本章小结 41

第3章 典型大数据源及其价值 43

3.1 汽车保险业：车载信息服务数据的价值 44

3.2 多个行业：文本数据的价值 46

3.3 多个行业：时间数据与位置数据的价值 49

3.4 零售制造业：RFID数据的价值 52

3.5 电力行业：智能电网数据的价值 55

3.6 博彩业：筹码跟踪数据的价值 57

3.7 工业发动机和设备：传感器数据的价值 59

3.8 视频游戏：遥测数据的价值 61

3.9 电信业与其他行业：社交网络数据的价值 63

3.10 本章小结 66

第二部分 驾驭大数据：技术、流程以及方法 71

第4章 分析可扩展性的演进 71

4.1 分析可扩展性的历史 71

4.2 分析与数据环境的关联性 73

4.3 海量并行处理系统 77

4.3.1 使用MPP系统进行数据准备与评分 79

4.3.2 使用MPP系统进行数据准备与评分小结 84

4.4 云计算 85

4.4.1 公有云 86

4.4.2 私有云 89

4.4.3 云计算小结 90

4.5 网格计算 91

4.6 MapReduce 92

4.6.1 MapReduce工作原理 93

4.6.2 MapReduce优缺点 96

4.6.3 MapReduce小结 97

4.7 这不是一个单选题 98

4.8 本章小结 99

第5章 分析流程的演进 101

5.1 分析沙箱 102

5.1.1 分析沙箱：定义与范围 102

5.1.2 分析沙箱的好处 103

5.1.3 内部分析沙箱 104

5.1.4 外部分析沙箱 105

5.1.5 混合式分析沙箱 107

5.1.6 不要仅仅使用数据，而要丰富数据 108

5.1.7 系统负载管理和容量规划 109

5.2 什么是分析数据集 111

5.2.1 两种分析数据集 111

5.2.2 传统的分析数据集 112

5.3 企业分析数据集 114

5.3.1 什么时候创建企业分析数据集 115

5.3.2 企业分析数据集里有什么 116

5.3.3 逻辑结构与物理结构 117

5.3.4 更新企业分析数据集 118

5.3.5 汇总表还是概要视图 118

5.3.6 分享财富 120

5.4 嵌入式评分 120

5.4.1 嵌入式评分集成 122

5.4.2 模型与评分管理 123

5.5 本章小结 125

第6章 分析工具与方法的演进 127

6.1 分析方法的演进 127

6.1.1 组合建模 128

6.1.2 简易模型 129

6.1.3 文本分析 132

6.1.4 跟上分析方法的发展脚步 134

6.2 分析工具的演进 135

6.2.1 图形化用户界面的崛起 135

6.2.2 单点解决方案的兴起 137

6.2.3 开源的历史 138

6.2.4 数据可视化的历史 140

6.3 本章小结 145

第三部分 驾驭大数据：人和方法 149

第7章 如何提供优质分析 149

7.1 分析与报表 149

7.1.1 报表 150

7.1.2 分析 152

7.2 分析的G.R.E.A.T原则 153

7.2.1 导向性（Guided） 154

7.2.2 相关性（Relevant） 154

7.2.3 可解释性（Explainable） 154

7.2.4 可行性（Actionable） 154

7.2.5 及时性（Timely） 154

7.3 核心分析方法与高级分析方法 155

7.4 坚持你的分析 156

7.5 正确地分析问题 157

7.6 统计显著性与业务重要程度 159

7.6.1 统计显著性 159

7.6.2 业务重要程度 162

7.7 样本VS全体 162

7.8 业务推断与统计计算 165

7.9 本章小结 166

第8章 如何成为优秀的分析专家 169

8.1 哪些人是分析专家 169

8.2 对分析专家常见的误解 170

8.3 每一位优秀的分析专家都是独特的 171

8.3.1 教育 171

8.3.2 行业经验 172

8.3.3 当心“人力资源清单” 173

8.4 优秀分析专家身上经常被低估的特质 174

8.4.1 承诺 174

8.4.2 创造力 174

8.4.3 商业头脑 177

8.4.4 演讲能力与沟通技巧 180

8.4.5 直觉 183

8.5 分析认证有意义吗，还是干扰视听的噪音 185

8.6 本章小结 186

第9章 如何打造优秀的分析团队 189

9.1 各个行业并非生而平等 189

9.2 行动起来 191

9.3 人才紧缩 192

9.4 团队组织结构 193

9.4.1 分布式组织结构 194

9.4.2 集中式组织结构 195

9.4.3 混合式组织结构 196

9.5 持续更新团队技能 197

9.5.1 矩阵式方法 197

9.5.2 管理人员不能眼高手低 199

9.6 应该由谁来做高级分析工作 199

9.6.1 前后矛盾的地方 200

9.6.2 如何帮助刚刚从事分析工作的新手茁壮成长 202

9.7 IT人员和分析专家为何相处不好 203

9.8 本章小结 205

第四部分 整合：分析文化 209

第10章 促进分析创新 209

10.1 商业需要更多创新 210

10.2 传统的方法阻碍了创新 211

10.3 定义分析创新 212

10.4 在创新分析中使用迭代方法 213

10.5 考虑换个角度 214

10.6 你是否为建立分析创新中心做好了准备 216

10.6.1 组件1：技术平台 216

10.6.2 组件2：第三方的产品和服务 217

10.6.3 组件3：承诺和支持 217

10.6.4 组件4：强大的团队 218

10.6.5 组件5：创新委员会 218

10.6.6 分析创新中心的指导原则 219

10.6.7 分析创新中心的工作范围 219

10.6.8 处理失败 221

10.7 本章小结 223

第11章 营造创新和探索的文化氛围 225

11.1 做好准备 225

11.1.1 Crocs和Jibbitz的传说 226

11.1.2 推动创新 227

11.2 关键原则概述 228

11.2.1 原则1：打破思维定势 228

11.2.2 原则2：形成连锁反应 231

11.2.3 原则3：统一行动目标 234

11.3 本章小结 239

结论：再敢想一些 241