第1部分 概述 2
第1章 什么是管理数据分析 2
1.1 关于数据分析含义的疑惑 2
1.2 什么是数据分析 3
1.2.1 运用描述性数据分析的事例 5
1.2.2 运用预测性数据分析的事例 7
1.2.3 运用规范性数据分析的事例 8
1.3 什么是新的内容 10
1.4 哪种数据分析最好 12
1.5 什么是管理数据分析 14
第2章 什么在推动数据分析蓬勃发展 19
2.1 数据是数据分析的原料 19
2.1.1 什么是大数据 21
2.1.2 大数据能替代科学吗 25
2.1.3 在缺少大数据的条件下可以做数据分析吗 26
2.2 检验促进数据分析的发展 27
第3章 数据分析思维方式 30
3.1 管理数据盲 30
3.1.1 计算能力的错觉 31
3.1.2 过滤谬论 33
3.1.3 一点改进的益处 34
3.2 数据分析是一种思维方式 35
3.2.1 80/20法则 37
3.2.2 将可变性纳入到数据分析中 38
3.2.3 不能仅使用会计数据 39
3.3 透彻思考数据 41
3.3.1 并非所有的数字都是数据 41
3.3.2 能否信任数据 42
3.3.3 应该对数据做简单的测试 45
3.3.4 就地取材 46
3.4 数据科学家的兴起 48
第2部分 数据分析工具 52
第4章 机器学习 52
4.1 什么是机器学习 52
4.2 监督机器学习算法 55
4.2.1 分类与k最近邻算法 56
4.2.2 分类与决策树 58
4.2.3 推荐系统 61
4.2.4 回归分析 62
4.3 无监督机器学习算法 66
4.3.1 聚类分析与k均值算法 66
4.3.2 关联规则与购物篮算法 69
4.4 对模型过度拟合与欠拟合的评注 70
4.5 其他机器学习算法与总结 71
第5章 描述性数据分析 74
5.1 基于数据库的描述性数据分析 76
5.1.1 数据库基础 77
5.1.2 数据建模 82
5.1.3 学习SQL语言，更好地认识数据 84
5.1.4 什么是NO-SQL 86
5.1.5 结构化数据与非结构化数据 88
5.1.6 数据仓库与数据集市 90
5.1.7 仪表盘和平衡计分卡：实用的及时报告 93
5.1.8 运用OLAP和数据立方体拓展描述性数据分析 95
5.1.9 何时打破关系数据库的规则 97
5.1.10 实时数据与自动预警 98
5.2 运用数据可视化做描述性数据分析 100
5.3 运用描述性统计做描述性数据分析 107
5.4 运用机器学习做描述性数据分析 109
第6章 预测性数据分析 111
6.1 回归预测 111
6.2 机器学习与集成模型 112
6.3 A/B检测 114
6.4 模拟 118
第7章 案例分析：《点球成金》与最优化 123
第8章 规范性数据分析（又称最优化） 128
8.1 什么是最优化 131
8.2 最优化＝目标、约束条件、选择＋数据 131
8.2.1 目标 132
8.2.2 约束条件 136
8.2.3 选择 140
8.2.4 数据 141
8.3 TLC+D应用：每个人都爱吃比萨 143
8.3.1 目标 144
8.3.2 约束条件 144
8.3.3 选择 144
8.3.4 数据 144
8.3.5 数学公式 144
8.4 最优化算法的类型 145
8.4.1 精确算法 146
8.4.2 近似算法 147
8.4.3 启发式算法 148
8.4.4 假设分析 151
第3部分 结论 154
第9章 收益管理 154
第10章 实施数据分析的终极技巧 161
10.1 它只是弓箭手，而不是弓箭本身 161
10.2 总结 162
非传统参考书目和扩展阅读 163
译后记 167