摘要

管理导向：《商务智能：数据分析的管理视角（原书第3版）》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：《商务智能：数据分析的管理视角（原书第3版）》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、Web2.0、大数据等进行了阐述。

商务智能 数据分析的管理视角（原书第3版） 内容简介

《商务智能：数据分析的管理视角（原书第3版）》侧重于商务智能和为企业决策提供支持的业务分析。书中不仅介绍了传统的商务智能基本理论和应用，还介绍了当前商务智能涉及的新技术和新趋势，如社交网络、云计算、数据分析生态系统以及法律、隐私和道德问题等。

《商务智能：数据分析的管理视角（原书第3版）》可以作为管理科学、电子商务和企业管理等专业的MBA、研究生以及本科生商务智能、决策支持系统等课程的教材，也可以作为管理信息系统、商务数据分析等课程的辅助教材，还适合从事企业信息管理、业务分析的人士阅读。

商务智能 数据分析的管理视角（原书第3版） 目录

第1章 商务智能、数据分析和决策支持概述

1.1 开篇小插曲：Magpie Sensing公司使用分析技术高效而安全地管理疫苗供应链

1.2 变化的商业环境和计算机决策支持

1.3 商务智能架构

1.3.1 BI的定义

1.3.2 BI的简史

1.3.3 BI的架构

1.3.4 BI的起源和驱动力

1.3.5 BI中的多媒体练习

1.4 智能产生、使用与商务智能治理

1.4.1 智能产生和使用的循环过程

1.4.2 智能与窃取

1.5 事务处理与分析处理

1.6 成功的BI实施

1.6.1 典型的BI用户群体

1.6.2 合理规划与业务战略的统一

1.6.3 实时的、随需应变的BI是可以实现的

1.6.4 开发或收购BI系统

1.6.5 理由和成本-收益分析

1.6.6 安全和隐私保护

1.6.7 系统和应用的集成

1.7 数据分析概述

1.7.1 描述性分析

1.7.2 预测性分析

1.7.3 规范性分析

1.7.4 应用于不同领域的数据分析

1.7.5 数据分析还是数据科学

1.8 大数据分析简介

1.9 本书的安排

1.10 资源、链接和Teradata大学网络连接

1.10.1 资源和链接

1.10.2 供应商、产品和演示

1.10.3 期刊

1.10.4 Teradata大学网络连接

1.10.5 本书的网站

本章要点

关键词

问题讨论

练习

章末应用案例

参考文献

第2章 数据仓库

2.1 开篇小插曲：卡普里岛赌场利用企业数据仓库获胜

2.2 数据仓库的定义和概念

2.2.1 什么是数据仓库

2.2.2 数据仓库历史透视

2.2.3 数据仓库的特点

2.2.4 数据集市

2.2.5 操作数据存储

2.2.6 企业数据仓库

2.2 元数据

2.3 数据仓库流程概述

2.4 数据仓库架构

2.4.1 可选的数据仓库架构

2.4.2 哪种架构最好

2.5 数据集成以及提取、转换和加载过程

2.5.1 数据集成

2.5.2 提取、转换和加载

2.6 数据仓库的开发

2.6.1 数据仓库开发方法

2.6.2 数据仓库开发的其他思考

2.6.3 数据仓库中的数据表示

2.6.4 数据仓库中的数据分析

2.6.5 OLAP和OLTP

2.6.6 OLAP操作

2.7 数据仓库的实施问题

2.8 实时数据仓库

2.9 数据仓库管理、安全问题和未来趋势

2.10 资源、链接和Teradata大学网络连接

2.10.1 资源和链接

2.10.2 案例

2.10.3 供应商、产品和演示

2.10.4 期刊

2.10.5 其他参考文献

2.10.6 Teradata大学网络连接

本章要点

关键词

问题讨论

练习

章末应用案例

参考文献

第3章 业务报表、可视化分析与企业绩效管理

3.1 开篇小插曲：自助服务的报表环境为企业用户节省上百万美元

3.2 业务报表的定义和概念

3.2.1 什么是业务报表

3.2.2 业务报表系统的组件

3.3 数据与信息可视化

3.4 不同类型的图表

3.4.1 基本图表

3.4.2 专用图表

3.5 数据可视化与可视化分析的出现

3.5.1 可视化分析

3.5.2 高性能可视化分析环境

3.6 绩效仪表盘

3.6.1 仪表盘设计

3.6.2 在仪表盘中寻找什么

3.6.3 仪表盘设计的最佳实践

3.6.4 根据行业标准建立KPI基准

3.6.5 利用上下文元数据封装仪表盘度量

3.6.6 通过可用性专家检验仪表盘设计

3.6.7 在仪表盘中指定警报和异常的优先级

3.6.8 使用用户评论丰富的仪表盘

3.6.9 在3个不同层次展示信息

3.6.10 使用仪表盘设计准则选择正确的可视化方式

3.6.11 提供指导性分析

3.7 企业绩效管理

3.8 绩效度量

3.8.1 关键绩效指标

3.8.2 绩效度量系统

3.9 平衡记分卡

3.9.1 4个视角

3.9.2 平衡在BSC中的意义

3.9.3 仪表盘与平衡记分卡

3.10 作为绩效度量系统的六西格玛

3.10.1 DMAIC绩效模型

3.10.2 平衡记分卡与六西格玛

3.10.3 有效的绩效度量

本章要点

关键词

问题讨论

练习

章末应用案例

参考文献

第4章 数据挖掘

4.1 开篇小插曲：坎贝拉公司将高级分析和数据挖掘应用于更多客户

4.2 数据挖掘概念和应用

4.2.1 定义、特征和优势

4.2.2 数据挖掘原理

4.2.3 数据挖掘与统计学

4.3 数据挖掘应用

4.4 数据挖掘过程

4.4.1 步骤1：业务理解

4.4.2 步骤2：数据理解

4.4.3 步骤3：数据准备

4.4.4 步骤4：建模

4.4.5 步骤5：测试和评估

4.4.6 步骤6：部署

4.4.7 其他标准化的数据挖掘过程和方法

4.5 数据挖掘方法

4.5.1 分类

4.5.2 估算分类模型的准确率

4.5.3 数据挖掘聚类分析

4.5.4 关联规则挖掘

4.6 数据挖掘软件工具

4.7 数据挖掘的隐私问题、谬误和隐患

4.7.1 数据挖掘和隐私问题

4.7.2 数据挖掘谬误和隐患

本章要点

关键词

问题讨论

练习

章末应用案例

参考文献

第5章 文本与Web分析

5.1 开篇小插曲：《危险边缘》上的人机大战：Watson的故事

5.2 文本分析和文本挖掘概述

5.3 自然语言处理

5.4 文本挖掘应用

5.4.1 营销应用

5.4.2 安全应用

5.4.3 生物医学应用

5.4.4 学术应用

5.5 文本挖掘过程

5.5.1 任务1：建立语料库

5.5.2 任务2：创建词项-文档矩阵

5.5.3 任务3：提取知识

5.6 情感分析

5.6.1 情感分析应用

5.6.2 情感分析过程

5.6.3 极性识别方法

5.6.4 使用词典

5.6.5 使用训练文档集

5.6.6 识别句子和短语的语义倾向

5.6.7 识别文档的语义倾向

5.7 Web挖掘概述

5.8 搜索引擎

5.8.1 搜索引擎剖析

5.8.2 开发环

5.8.3 网络爬虫

5.8.4 文档索引器

5.8.5 响应环

5.8.6 查询分析器

5.8.7 文档匹配器／排名器

5.8.8 搜索引擎优化

5.8.9 搜索引擎优化的方法

5.9 Web使用挖掘（Web分析）

5.9.1 Web分析技术

5.9.2 Web分析度量

5.9.3 网站可用性

5.9.4 流量来源

5.9.5 访客特征

5.9.6 转化统计

5.10 社交分析

5.10.1 社交网络分析

5.10.2 社交网络分析度量

5.10.3 联系

5.10.4 分布

5.10.5 分割

5.10.6 社交媒体分析

5.10.7 人们如何使用社交媒体

5.10.8 评估社交媒体的影响

5.10.9 社交媒体分析的最佳实践

本章要点

关键词

问题讨论

练习

章末应用案例

参考文献

第6章 大数据与分析

6.1 开篇小插曲：当大数据遇上大数据科学

6.2 大数据的定义

6.3 大数据分析基础

6.4 大数据技术

6.4.1 MapReduce

6.4.2 为什么使用MapReduce

6.4.3 Hadoop

6.4.4 Hadoop如何工作

6.4.5 Hadoop技术组件

6.4.6 Hadoop：利与弊

6.4.7 NoSQL

6.5 数据科学家

6.6 大数据和数据仓库

6.6.1 Hadoop的使用案例

6.6.2 数据仓库的使用案例

6.6.3 灰色区域（任意一个都能胜任）

6.6.4 Hadoop和数据仓库共存

6.7 大数据供应商

6.8 大数据与流分析

6.8.1 流分析与持久性分析

6.8.2 关键事件处理

6.8.3 数据流挖掘

6.9 流分析的应用

6.9.1 电子商务

6.9.2 电信

6.9.3 法律实施与网络安全

6.9.4 电力行业

6.9.5 金融服务

6.9.6 健康科学

6.9.7 政府

本章要点

关键词

问题讨论

练习

章末应用案例

参考文献

第7章 业务分析：趋势与前景

7.1 开篇小插曲：俄克拉荷马州天然气及电力公司利用数据分析促进智能能源使用

7.2 为组织提供基于位置的分析

7.2.1 地理空间分析

7.2.2 实时位置智能

7.3 面向消费者的分析应用

7.4 推荐引擎

7.5 Web 2.0革命和在线社交网络

7.5.1 Web 2.0的典型特征

7.5.2 社交网络

7.5.3 定义和基本信息

7.5.4 商业和企业社交网络

7.6 云计算与商务智能

7.6.1 面向服务的DSS

7.6.2 数据即服务

7.6.3 信息即服务

7.6.4 分析即服务

7.7 数据分析对组织的影响

7.7.1 新的组织结构

7.7.2 重构业务流程和虚拟团队

7.7.3 工作满意度

7.7.4 工作压力和焦虑

7.7.5 分析工具对管理人员活动和绩效的影响

7.8 法律、隐私和道德问题

7.8.1 法律问题

7.8.2 隐私

7.8.3 最近涉及隐私和数据分析的技术问题

7.8.4 决策中的道德问题和支持

7.9 数据分析生态系统

7.9.1 数据分析行业的类别

7.9.2 数据基础设施供应商

7.9.3 数据仓库行业

7.9.4 中间件／BI平台行业

7.9.5 数据聚合商与分发商

7.9.6 专注于分析的软件开发者

7.9.7 报表和分析

7.9.8 预测性分析

7.9.9 规范性分析

7.9.10 特定行业或通用的应用开发者、系统集成者

7.9.11 分析工具的用户组织

7.9.12 行业分析师和影响者

7.9.13 教育机构和认证机构

本章要点

关键词

问题讨论

练习

章末应用案例

参考文献

索引

商务智能 数据分析的管理视角（原书第3版） 精彩文摘

什么是大数据

我们的大脑运作极其迅速、高效，可以处理各种数据：图片、文字、音频、气味和视频。我们可以相对容易地处理各种类型的数据。相反，计算机则很难应对数据生成的速度，更不用说快速地分析了。这就是为什么产生了大数据问题。那么什么是大数据呢？简单地说，大数据就是不能再用单个存储单元存储的数据。通常大数据以不同的形式出现：结构化、非结构化、数据流等。这些数据的主要来源是网站的点击流、社交网络（例如，Facebook）的帖子、交通数据、传感器、天气等。搜索引擎（例如，Google）需要查询并为数10亿的页面编制索引才能在1秒内返回相关结果。虽然这不是实时的，但为因特网上所有的页面编制索引可不是件容易的事。幸运的是，Google有能力解决这个问题。除了其他工具外，Google还使用了大数据分析技术。

管理这种规模的数据包含两方面：存储和处理。如果我们能够购买一个非常昂贵的存储解决方案，将所有这些数据都存放在一个地方的单个存储单元内，那么使该存储单元具有容错能力需要花费大量成本。一种聪明的解决方法是将这些数据分块存储在不同的机器上，并由网络相互连接，将数据块的一份（或者两份）备份在逻辑上和物理上存储在网络的不同地方。这种方法最初由Google使用，称为Google文件系统（GoogleFileSystem），后来作为Apache项目的Hadoop分布式文件系统（HDFS）开发并发布。

然而，存储这些数据只完成了一半工作。如果不能提供商业价值，数据则毫无价值。换言之，要使数据发挥商业价值，就需要进行分析。如何分析如此庞大的数据？将所有计算交给一台超级计算机来完成是行不通的。如此规模的数据将对超级计算机产生很大开支。另一种聪明的方法被提出：将计算推送给数据，而不是将数据推给计算节点。这是一种新的范式，提供了一种处理数据的新方法。这就是我们今天称为Map Reduce的编程范式，使大数据的处理成为现实。MapReduee最初由Google提出，随后Apache发布了后续版本Hadoop Map Reduceo 如今，当我们谈论存储、处理或分析大数据时，总要涉及HDFS和Map Reduce。其他相关的标准和软件解决方案也被提出。虽然主要工具都是开源的，但一些公司也在该领域推出了特定的分析硬件和软件服务，例如：Horton Works、Cloudera和TeradataAster。