《商务智能:数据分析的管理视角(原书第4版)》先简单概述了商业智能、分析学和数据科学的基础知识，然后介绍了描述性分析、预测性分析和规范性分析，接着介绍了大数据的概念和相关工具，最后对商业智能的发展趋势进行了展望，并探讨了分析中对隐私和管理的考量。

C

分析已经成为这十年来的技术驱动力。诸如IBM、SAP、SAS、Teradata、Oracle、Microsoft和Dell等公司正在创建专注于分析的新型组织单元，帮助企业更加有效和高效地运营。决策者也正在使用更多的计算机化工具来支持他们的工作。消费者甚至都在直接或间接地使用分析工具来对购物、健康或医疗保健、旅游和娱乐等日常活动做出决定。商务智能和商务分析领域得到了迅速发展，它们更加专注于能从数据流中提取知识和洞察力的创新应用，以往这些数据流并没有被捕获，更不用说以任何重要的方式进行分析。分析技术在医疗保健、体育、旅游、娱乐、供应链管理、公用事业以及几乎所有可想象的行业都有新的应用，术语“分析”已成为主流。事实上，它已经演变成其他术语，如数据科学，其最新的形式演变是深度学习和物联网。
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），最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。最后，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。最后，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。最后，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最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最新应用示例。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。最后，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-unive-r-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’s 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 (Newfield，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。
最后，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。

计算机\商务智能

与数据分析技术类的书籍不同，本书不拘泥于复杂的算法和数据分析技术细节，使初步接触商务智能的读者，能理清商务智能与移动计算、云计算、物联网、大数据技术、机器学习和数据科学等众多概念的区别和联系，并通过大量的实际案例体会商务智能的功能和价值。
本书第4版在前一版的基础上，根据商务智能的最新发展补充了很多新颖的内容，包括商务智能相关的概念、技术和应用案例等，围绕3种主要的商务分析（即描述性分析、预测性分析和规范性分析）组织，以反映商务分析的重点。重大更新包括：增加了数据湖的概念；升级了规范性分析的内容（特别是线性规划和模拟的内容）；对于商务智能未来趋势、隐私和管理，基于地理空间、物联网以及云等方面的变化，重新考察了一些新的社会现象。

本书特色：
管理导向：本书主要从管理视角详细介绍商务智能的应用和实施，同时非常重视商务智能技术层面的应用，尤其是最新出现的一些新领域、新应用。
真实案例：通过大量全球大公司、小企业、政府机构和非营利组织的真实案例来生动形象地阐述相关概念和理论。
集成系统：本书强调支持企业和众多用户的系统，而不是孤立的基于互联网的商务智能系统。
热点研究：本书分别从理论和应用角度对无线射频识别、云计算、社交网络、大数据等进行了阐述。

作者简介：
Ramesh Sharda 博士，商业主管项目的主任，信息系统研究所所长，康菲石油公司技术管理主席，俄克拉荷马州立大学斯皮尔斯商学院管理科学与信息系统的杰出贡献教授，信息系统协会决策支持系统和知识管理专业组（SIGDSS）的共同创办人，服务于多个编辑委员会。他的研究方向包括决策支持系统、商务分析、信息过载管理技术。
Dursun Delen 博士，俄克拉荷马州立大学斯皮尔斯商学院管理科学与信息系统的教授，创新医疗系统研究中心的主任，业务分析教授。他的研究方向包括数据和文本挖掘、业务分析、决策支持系统、知识管理、商务智能和企业建模。
Efraim Turban 博士，夏威夷大学太平洋信息系统管理研究院的访问学者，曾经就职于多所大学，包括佛罗里达国际大学、加利福尼亚州立大学长滩分校、东伊利诺伊大学以及南加利福尼亚大学。他还是世界各地许多公司的咨询师。他的研究方向包括基于Web的决策支持系统、社会化电子商务和协同决策。

[美]拉姆什·沙尔达（Ramesh Sharda） 杜尔森·德伦（Dursun Delen）埃弗瑞姆·特班（Efraim Turban） 著：作者介绍：
Ramesh Sharda 博士，商业主管项目的主任，信息系统研究所所长，康菲石油公司技术管理主席，俄克拉荷马州立大学斯皮尔斯商学院管理科学与信息系统的杰出贡献教授，信息系统协会决策支持系统和知识管理专业组（SIGDSS）的共同创办人，服务于多个编辑委员会。他的研究方向包括决策支持系统、商务分析、信息过载管理技术。
Dursun Delen 博士，俄克拉荷马州立大学斯皮尔斯商学院管理科学与信息系统的教授，创新医疗系统研究中心的主任，业务分析教授。他的研究方向包括数据和文本挖掘、业务分析、决策支持系统、知识管理、商务智能和企业建模。
Efraim Turban 博士，夏威夷大学太平洋信息系统管理研究院的访问学者，曾经就职于多所大学，包括佛罗里达国际大学、加利福尼亚州立大学长滩分校、东伊利诺伊大学以及南加利福尼亚大学。他还是世界各地许多公司的咨询师。他的研究方向包括基于Web的决策支持系统、社会化电子商务和协同决策。

赵卫东 译：暂无简介

商务智能的概念从20世纪90年代中期正式提出，并在众多企业付诸实践，已经有20多年的历史。实践证明，作为企业新一代的决策支持利器，商务智能对提高各阶层的决策质量起到了非常重要的作用，因此也受到越来越多企业的重视。
进入大数据时代，数据科学作为一门独立的科学出现，并在商务中得到了越来越广泛的应用。在这种情况下，商务智能的相关支撑技术得到了飞速的发展。移动计算、云计算、物联网等技术的发展为商务智能提供了大量的业务数据。大数据技术、机器学习的大量深度应用，也提升了商务智能分析数据的类型、规模、速度和变现能力。随着数据分析技术与应用的发展，商务智能的内涵得到了扩充，从而被冠以商务数据分析、业务分析与优化、大数据分析等不同的名字。从本质上来看，商务智能应用涉及数据科学在企业商务领域的所有研究对象，其发展出现了许多特点：从传统的常规数据，到体量超常的大数据；从关系数据库管理系统中的结构化数据，扩展到NoSQL数据库管理的文本、图像、声音和视频等多媒体数据；从报表、在线分析处理、企业绩效管理、数据挖掘等传统分析方法，到风靡一时的深度学习；从集中式处理架构，到分布式计算模式。
当今的商务智能系统，已经不仅仅是简单提供数据仓库、报表、仪表盘等数据集成和信息展示的工具，而是借助可视化技术、Hadoop分布式存储与处理、Spark内存计算、深度学习等机器学习和大数据处理技术，对不同规模和类型的复杂数据进行快速、深度处理的企业商务分析系统。
数据分析师是21世纪最热门的职业之一。为了适应数据分析人才的培养，急需数据分析各类人才培养的相关教材。目前，市场上出现了很多介绍商务智能分析技术的专业书籍，促进了数据分析技术的应用。但对于企业应用人员和管理人员来说，一本入门的全面介绍商务智能的教材也是非常必要的。幸运的是，本书的3位作者为适应商务智能理论和应用的发展，在上一版的基础上，参阅了大量的文献，进行了改版，这将在很大程度上促进人们对商务智能的认识。
本版删除了上一版中过时的内容，根据商务智能的最新发展补充了很多新颖的内容，包括商务智能相关的概念、技术和应用案例等。全书以描述性分析、规范性分析和预测性分析为主线，分别介绍了这三类分析包括的内容。与数据分析技术类的书籍不同，全书娓娓道来，深入浅出，不拘泥于复杂的算法和数据分析技术细节，使初步接触商务智能的读者也能理清商务智能与移动计算、云计算、物联网、大数据技术、机器学习和数据科学等众多概念的区别及联系，并从大量的实际案例中体会商务智能的功能和价值。
本书非常适合作为商学院、管理学院本科生、全日制研究生和MBA商务智能、商务数据分析、决策支持系统及管理信息系统等课程的教材或参考书，也适合对商务智能感兴趣的企业管理人员和企业业务人员参考。
在本书的翻译过程中，胡远文、陈子轩、赵洪博、朱荣斌、郑光键等同学也做了很多贡献。由于译者水平有限，书中难免存在翻译不当之处，欢迎读者批评指正。译者联系方式：wdzhao@fudan.edu.cn。

赵卫东
2017年9月 复旦大学

译者序
作者简介
前言
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 Wheels Treasure 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General Electric 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