第1章 商务智能、商务分析和数据科学概述 1
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 1
1.2 变化的商业环境，决策支持和商务分析的需求变化 8
1.3 计算机决策支持向商务分析和数据科学的演变 9
1.4 商务智能框架 12
1.4.1 商务智能的定义 12
1.4.2 商务智能的简史 12
1.4.3 商务智能的架构 13
1.4.4 商务智能的起源和驱动力 13
应用案例1.1 Sabre通过仪表盘和分析帮助客户 14
1.4.5 商务智能多媒体应用 15
1.4.6 事务处理与分析处理 15
1.4.7 进行适当的规划并与企业战略保持一致 16
1.4.8 实时按需的BI实现 17
1.4.9 开发或获取BI系统 17
1.4.10 合理性和成本效益分析 17
1.4.11 安全和隐私保护 17
1.4.12 系统和应用集成 18
1.5 商务分析概述 18
1.5.1 描述性分析 19
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 19
应用案例1.3 西门子通过使用数据可视化降低成本 20
1.5.2 预测性分析 20
应用案例1.4 运动损伤分析 21
1.5.3 规范性分析 21
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 22
1.5.4 商务分析应用于不同领域 22
1.5.5 商务分析或数据科学 23
1.6 所处领域的商务分析实例 23
1.6.1 应用于医疗保健的商务分析——Humana实例 24
1.6.2 零售价值链中的商务分析 27
1.7 大数据分析简介 29
应用案例1.6 CenterPoint Energy使用实时大数据分析改善客户服务 30
1.8 商务分析生态系统概述 31
1.8.1 数据生成基础设施提供商 32
1.8.2 数据管理基础设施提供商 32
1.8.3 数据仓库提供商 33
1.8.4 中间件提供商 33
1.8.5 数据服务提供商 33
1.8.6 专注于商务分析的软件开发者 34
1.8.7 应用开发者：特定行业或一般行业 35
1.8.8 商务分析行业分析师和有影响力者 36
1.8.9 学术机构和认证机构 37
1.8.10 监管者和政策制定者 37
1.8.11 分析用户组织 37
1.9 本书计划 38
1.10 资源、链接和Teradata大学网络连接 39
第2章 描述性分析Ⅰ：数据的性质、统计建模与可视化 44
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 44
2.2 数据的性质 47
2.3 数据的简单分类 50
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 52
2.4 数据预处理的艺术与科学 54
应用案例2.2 通过数据驱动分析提高学生保留率 56
2.5 用于商务分析的统计建模 61
2.5.1 用于描述性分析的描述性统计 62
2.5.2 集中趋势度量（也可以称作位置或中心度量） 62
2.5.3 算术平均数 62
2.5.4 中位数 63
2.5.5 众数 63
2.5.6 离散趋势度量（也可称为散布或分散度量） 63
2.5.7 极差 64
2.5.8 方差 64
2.5.9 标准差 64
2.5.10 平均绝对偏差 64
2.5.11 四分位数与四分位距 64
2.5.12 箱图 65
2.5.13 分布形状 66
技术洞察2.1 如何使用Microsoft Excel进行描述性统计 67
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 70
2.6 用于推断性统计的回归建模 71
2.6.1 我们如何开发线性回归模型 72
2.6.2 我们如何知道模型是否足够好 73
2.6.3 什么是线性回归最重要的假设 74
2.6.4 逻辑回归 74
应用案例2.4 预测NCAA碗赛结果 75
2.6.5 时间序列预测 79
2.7 业务报表 80
应用案例2.5 纸质报表的洪水结束于FEMA 82
2.8 数据可视化 83
应用案例2.6 Macfarlan Smith使用Tableau Online提高运营绩效洞察 85
2.9 不同类型的图表 87
2.9.1 基本图表 88
2.9.2 专用图表 88
2.9.3 你应该使用哪种图表 89
2.10 可视化分析的兴起 91
技术洞察2.2 商务智能和分析平台的Gartner魔力象限 91
2.10.1 可视化分析 93
技术洞察2.3 通过数据和可视化讲出色的故事 93
2.10.2 高效率可视化分析环境 95
2.11 信息仪表盘 97
应用案例2.7 Dallas Cowboys使用Tableau与Teknion获得高分 98
2.11.1 仪表盘设计 99
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 100
2.11.2 在仪表盘中要寻找的内容 101
2.11.3 仪表盘设计的最佳实践 101
2.11.4 符合行业标准的基准关键绩效指标 101
2.11.5 使用情境的元数据包装仪表盘指标 101
2.11.6 通过可用性专家验证仪表盘设计 102
2.11.7 把传输到仪表盘的报警或异常按优先级划分并排序 102
2.11.8 以业务用户评论丰富仪表盘 102
2.11.9 从三个不同层次呈现信息 102
2.11.10 使用仪表盘设计原则选取正确的视觉构造 102
2.11.11 为指导性分析做准备 102
第3章 描述性分析Ⅱ：商务智能和数据仓库 109
3.1 开篇小插曲：利用商务智能和数据仓库定位税务欺诈 109
3.2 商务智能与数据仓库 111
3.2.1 什么是数据仓库 112
3.2.2 数据仓库的历史视角 112
3.2.3 数据仓库的特征 114
3.2.4 数据集市 115
3.2.5 操作数据存储 115
3.2.6 企业数据仓库 115
3.2.7 元数据 116
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 116
3.3 数据仓库过程 117
3.4 数据仓库架构 119
3.4.1 可选的数据仓库架构 121
3.4.2 哪种架构最好 123
3.5 数据集成以及提取、转换和加载过程 124
3.5.1 数据集成 124
应用案例3.2 BP Lubricants公司实现BIGS成功 124
3.5.2 提取、转换和加载 126
3.6 数据仓库的开发 128
应用案例3.3 使用Teradata分析的SAP解决方案加速大数据交付 128
3.6.1 数据仓库开发方法 131
3.6.2 数据仓库开发的其他思考 133
3.6.3 数据仓库中的数据表示 133
技术洞察3.1 托管数据仓库 133
3.6.4 数据仓库中的数据分析 135
3.6.5 OLAP和OLTP 135
3.6.6 OLAP操作 135
3.7 数据仓库的实施问题 136
应用案例3.4 EDW帮助连接密歇根的政府机构 138
3.8 数据仓库管理、安全问题和未来趋势 140
技术洞察3.2 数据湖 141
3.9 企业绩效管理 145
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 146
3.10 绩效度量 149
3.10.1 关键绩效指标 149
3.10.2 绩效度量系统 150
3.11 平衡记分卡 150
3.11.1 四个视角 150
3.11.2 平衡在平衡记分卡中的意义 151
3.12 作为绩效度量系统的六西格玛 152
3.12.1 DMAIC绩效模型 152
3.12.2 平衡记分卡与六西格玛 153
3.12.3 有效的绩效度量 153
应用案例3.6 Expedia.com的客户满意度记分卡 154
第4章 预测性分析Ⅰ：数据挖掘的过程、方法和算法 162
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 162
4.2 数据挖掘概念与应用 165
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 166
4.2.1 定义、特征和优势 167
4.2.2 数据挖掘原理 169
应用案例4.2 戴尔在21世纪通过分析保持敏捷和高效 169
4.2.3 数据挖掘与统计学 173
4.3 数据挖掘应用 173
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 175
4.4 数据挖掘过程 176
4.4.1 步骤1：业务理解 176
4.4.2 步骤2：数据理解 177
4.4.3 步骤3：数据准备 177
4.4.4 步骤4：建模 178
应用案例4.4 数据挖掘有助于癌症研究 178
4.4.5 步骤5：测试和评估 180
4.4.6 步骤6：部署 180
4.4.7 其他数据挖掘标准化过程和方法 181
4.5 数据挖掘方法 182
4.5.1 分类 182
4.5.2 估计分类模型的准确度 183
应用案例4.5 Influence Health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 189
4.5.3 数据挖掘聚类分析 191
4.5.4 关联规则挖掘 192
4.6 数据挖掘软件工具 195
应用案例4.6 数据挖掘来到好莱坞：预测电影的商业成功 198
4.7 数据挖掘的隐私问题、谬误和隐患 201
应用案例4.7 预测客户购买模式——Target公司的故事 201
第5章 预测性分析Ⅱ：文本、Web以及社交媒体分析 211
5.1 开篇小插曲：《Jeopardy》上的人机大战：Watson的故事 211
5.2 文本分析与文本挖掘概述 213
技术洞察5.1 文本挖掘术语 215
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 216
5.3 自然语言处理 217
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 219
5.4 文本挖掘应用 221
5.4.1 营销应用 221
5.4.2 安全应用 222
应用案例5.3 挖掘谎言 222
5.4.3 生物医学应用 224
5.4.4 学术应用 225
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 226
5.5 文本挖掘过程 227
5.5.1 任务1：建立语料库 228
5.5.2 任务2：创建词项-文档矩阵 228
5.5.3 任务3：提取知识 230
应用案例5.5 使用文本挖掘研究文献综述 231
5.6 情感分析 234
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 235
5.6.1 情感分析应用 237
5.6.2 情感分析过程 239
5.6.3 极性识别方法 240
5.6.4 使用词典 240
5.6.5 使用训练文档集 241
5.6.6 识别句子和短语的语义倾向 241
5.6.7 识别文档的语义倾向 242
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 242
5.7 Web挖掘概述 242
5.8 搜索引擎 246
5.8.1 搜索引擎剖析 247
5.8.2 搜索引擎优化 249
技术洞察5.3 最流行的排名前15的搜索引擎（2016年8月） 249
5.8.3 搜索引擎优化方法 250
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 251
5.9 Web使用挖掘（Web分析） 252
5.9.1 Web分析技术 253
5.9.2 Web分析指标 253
5.9.3 网站可用性 254
5.9.4 流量来源 254
5.9.5 访客特征 255
5.9.6 转化统计 256
5.10 社交分析 257
5.10.1 社交网络分析 257
5.10.2 社交网络分析指标 258
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 258
5.10.3 社交媒体分析 261
5.10.4 人们如何使用社交媒体 261
5.10.5 度量社交媒体的影响 262
5.10.6 社交媒体分析的最佳实践 263
第6章 规范性分析：优化和模拟 270
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最佳解决方案 270
6.2 基于模型的决策 271
应用案例6.1 通过决策支持系统向埃克森美孚下游进行最佳运输 272
6.2.1 规范性分析模型案例 273
6.2.2 识别问题和环境分析 273
应用案例6.2 Ingram Micro使用商务智能应用进行定价决策 274
6.2.3 模型类别 275
6.3 用于决策支持的数学模型的结构 276
6.3.1 决策支持数学模型的组件 276
6.3.2 数学模型的结构 277
6.4 确定性、不确定性以及风险分析 277
6.4.1 确定性下的决策 278
6.4.2 不确定性下的决策 278
6.4.3 风险分析 278
6.5 使用电子表格进行决策建模 279
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 279
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 280
应用案例6.5 Metro Meals on WheelsTreasure Valley使用Excel来寻找最佳的配送路线 281
6.6 数学规划优化 283
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 283
6.6.1 线性规划模型 285
6.6.2 线性规划中的建模：一个例子 285
6.6.3 实现 289
6.7 多目标、敏感性分析、假设分析和目标寻求 291
6.7.1 多目标 291
6.7.2 敏感性分析 292
6.7.3 假设分析 293
6.7.4 目标寻求 294
6.8 基于决策表和决策树的决策分析 294
6.8.1 决策表 295
6.8.2 决策树 296
6.9 模拟概论 296
应用案例6.7 乙型肝炎干预的模拟效果 297
6.9.1 模拟的主要特征 298
6.9.2 模拟的优点 298
6.9.3 模拟的缺点 299
6.9.4 模拟方法 299
6.9.5 模拟类型 300
6.9.6 蒙特卡罗模拟 301
6.9.7 离散事件模拟 301
应用案例6.8 Cosan使用模拟改善其可再生能源供应链 301
6.10 视觉交互式模拟 303
6.10.1 传统模拟的不足 303
6.10.2 视觉交互式模拟 303
6.10.3 视觉交互式模型和决策支持系统 303
应用案例6.9 通过RFID改进作业车间调度决策：基于模拟的评估 304
6.10.4 模拟软件 306
第7章 大数据概念和工具 312
7.1 开篇小插曲：使用大数据方法分析电信公司的客户流失 312
7.2 大数据的定义 315
技术洞察7.1 数据规模越来越大，越来越大 316
应用案例7.1 市场分析或预测的替代数据 318
7.3 大数据分析的基础 319
应用案例7.2 前五大投资银行实现了真正的单一来源 322
7.4 大数据技术 324
7.4.1 MapReduce 324
7.4.2 为什么使用MapReduce 325
7.4.3 Hadoop 325
7.4.4 Hadoop如何工作 325
7.4.5 Hadoop技术组件 326
7.4.6 Hadoop的优缺点 327
技术洞察7.2 关于Hadoop的一些神秘事实 327
7.4.7 NoSQL 328
应用案例7.3 eBay的大数据解决方案 329
应用案例7.4 了解Twitter上医疗保健信息的质量和可靠性 331
7.5 大数据和数据仓库 332
7.5.1 Hadoop用例 332
7.5.2 数据仓库用例 333
7.5.3 灰色区域 334
7.5.4 Hadoop和数据仓库共存 335
7.6 大数据供应商和平台 336
7.6.1 IBM InfoSphere BigInsights 337
应用案例7.5 使用社交媒体预测流感活动 338
7.6.2 Teradata Aster 339
应用案例7.6 从电子病历数据仓库分析疾病模式 340
技术洞察7.3 如何在大数据上取得成功 342
7.7 大数据和流分析 343
7.7.1 流分析与永久分析 345
7.7.2 关键事件处理 345
7.7.3 数据流挖掘 345
7.8 流分析的应用 346
7.8.1 电子商务 346
7.8.2 电信 346
应用案例7.7 Salesforce正在使用流数据提升客户价值 347
7.8.3 执法和网络安全 347
7.8.4 电力行业 347
7.8.5 金融服务 347
7.8.6 健康科学 348
7.8.7 政府 348
第8章 商务分析的未来趋势、隐私和管理思考 352
8.1 开篇小插曲：传感器数据分析帮助西门子避免火车故障 352
8.2 物联网 353
应用案例8.1 SilverHook汽艇使用实时数据分析通知参赛者和赛艇迷 354
应用案例8.2 Rockwell Automation监控昂贵的石油和天然气探测资产 355
8.2.1 IoT技术基础设施 355
8.2.2 RFID传感器 356
8.2.3 雾计算 358
8.2.4 IoT平台 359
应用案例8.3 Pitney Bowes与GeneralElectric IoT平台合作优化生产 359
8.2.5 IoT初创生态系统 359
8.2.6 物联网的管理注意事项 361
8.3 云计算和商务分析 362
8.3.1 数据即服务（DaaS） 363
8.3.2 软件即服务（SaaS） 363
8.3.3 平台即服务（PaaS） 364
8.3.4 基础设施即服务（IaaS） 364
8.3.5 云计算的基本技术 364
8.3.6 云部署模型 365
8.3.7 主要分析云平台提供商 365
8.3.8 分析即服务（AaaS） 366
8.3.9 代表性的分析即服务产品 366
8.3.10 使用云基础设施的说明性分析应用 367
8.4 为组织提供基于位置的分析 370
8.4.1 地理空间分析 370
应用案例8.4 Great Clips采用空间分析来减少位置决策的时间 372
应用案例8.5 Starbucks利用GIS和分析在全球各地扩展 372
8.4.2 实时位置智能 373
应用案例8.6 Quiznos吸引顾客策略 374
8.4.3 消费者的分析应用 375
8.5 合法性、隐私和道德问题 376
8.5.1 法律问题 376
8.5.2 隐私 377
8.5.3 收集个人信息 377
8.5.4 移动用户隐私 377
8.5.5 国土安全和个人隐私 378
8.5.6 隐私和分析中的最新技术问题 378
8.5.7 谁拥有我们的私有数据 379
8.5.8 决策与支持中的道德准则 379
8.6 分析在组织中的影响 380
8.6.1 新组织单元 381
8.6.2 通过使用分析重新设计组织 381
8.6.3 分析对于管理人员的活动、绩效和工作满意度的影响 382
8.6.4 行业结构调整 383
8.6.5 自动化对工作的影响 383
8.6.6 分析的意外影响 384
8.7 数据科学家成为一种职业 385
技术洞察8.1 数据科学家的典型工作招聘海报 386
词汇表 392