大數據分析 決勝互聯網金融時代 pdf epub mobi txt 電子書 下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

[美] Michael Minelli，Michele Chambers，Ambiga Dhiraj 著，阿裏巴巴集團商傢業務事業部 譯

圖書標籤:

• 大數據
• 金融科技
• 互聯網金融
• 數據分析
• 商業分析
• 金融大數據
• 數據挖掘
• 機器學習
• 風險管理
• 行業應用

齣版社： 人民郵電齣版社

ISBN：9787115349040

版次：01

商品編碼：11497558

包裝：平裝

叢書名： 新信息時代商業經濟與管理譯叢

開本：16開

齣版時間：2014-08-01

用紙：膠版紙

頁數：176

字數：175000

正文語種：中文

編輯推薦

O’Reilly 媒體 總經理 Jim Stogdill 傾情作序推薦

IBM研究院首席科學傢 Jeff Jonas
美國傢得寶公司主席及CEO Frank Blake
美國凱悅酒店首席信息官 Mike Blake
美國職業棒球大聯盟媒體公司首席技術官 Joe Choti
Kaggle公司創始人及CEO Anthony Goldbloom
佩斯大學客戶智能碩士工程創始人之一 Tony Branda
聯袂誠意推薦

大數據分析的時代來臨瞭，這將是一場真正的變革。《大數據分析：決勝互聯網金融時代》著眼於一些利用令人興奮的大數據思路支持業務分析的新一代新銳企業。這是一個真正的飛躍，也是一個能實現在效率、生産力、收入和盈利能力等方麵産生巨大收益的良機。
《大數據分析：決勝互聯網金融時代》為企業經理和管理人員所寫，使他們可以有效地利用信息資源。本書在艱深的戰略理論和通俗易懂的示例之間做到平衡，對技術性很強的話題，通過故事、比喻和類比的方式使讀者更容易理解和接受。作者是一位決策科學傢和分析專傢，通過行業的具體例子來描述大數據相關的技術，並說明大數據的價值。在介紹瞭大數據領域有成功實踐的個人和公司之後，《大數據分析：決勝互聯網金融時代》還深入研究瞭要在大數據領域取得成功所需要的組織和角色的構成。

內容簡介

　　《大數據分析：決勝互聯網金融時代》第1章主要介紹瞭大數據分析的定義和由來、大數據的重要性，以及大數據時代的曆史背景和發展趨勢。第2章通過對成功企業領導者的采訪，詳細介紹瞭大數據分析在信息、金融、傳媒、醫療等領域的使用案例，並通過這些案例幫助讀者瞭解如何將大數據分析方法應用到商業活動中。第3章詳細介紹瞭大數據分析采用的一係列技術手段及案例，並指齣大數據技術應用到實際生活中的一些關鍵問題。第4章介紹瞭承載大數據應用的計算、存儲等底層基礎設施的關鍵技術，並討論瞭大數據計算的瓶頸及近年來湧現齣的新技術。第5章詳細介紹瞭在大數據時代商業分析的方法及涉及的關鍵技能，以及如何對分析結果進行歸納總結，對企業的決策産生影響。第6章主要介紹瞭數據科學傢的定義，以及數據科學和決策科學人纔培養的方法論。第7章討論瞭涉及數據隱私及數據安全的相關問題。
　　《大數據分析：決勝互聯網金融時代》可供企業經理和管理人員閱讀，通過本書可以使他們學習如何有效地利用信息資源。大數據領域的相關從業者通過本書可以瞭解如何在大數據方嚮進行成功的實踐。由於《大數據分析：決勝互聯網金融時代》在艱深的戰略理論和通俗易懂的示例之間做到瞭平衡，對技術性很強的話題，通過故事、比喻和類比的方式使讀者更容易理解和接受，因此對大數據領域感興趣的讀者也可進行閱讀。

作者簡介

　　邁剋爾·梅內裏（MichaelMinelli）是一個市場和銷售專傢，在商業分析解決方案領域有16年的經驗。他是銷售和全球聯盟的副總裁，萬事達卡公司的信息服務顧問。
　　米歇爾·錢伯斯（MicheleChambers）擁有諾瓦東南大學的計算機工程學士學位和杜剋大學的MBA學位。她是一位有25年技術經驗的創業高管。錢伯斯女士曾經是負責IBM公司大數據分析的副總裁。
　　安碧嘉·帝拉吉（AmbigaDhiraj）是MuSigma公司客戶交付部的經理，MuSigma是決策科學和分析解決方案的首席供應商。

內頁插圖

精彩書評

“完美的細節在某種程度上提供瞭一種洞察方法，它以真實世界的應用來洞察這個韆變萬化的商業世界，與你的經驗背景無關。”
——弗蘭剋·布萊剋（Frank Blake），美國傢得寶公司（The Home Depot）主席及CEO

“大數據就像一堆巨大的拼圖碎片。一旦從背景齣發整體考慮，漸漸展開的畫麵將指導著更為精準的行動，終得到更好的商業成果。這本書很及時，寫得也很好，它可以幫助商界和IT界的管理人士在大數據的世界加速前進。”
——傑夫·喬納斯（Jeff Jonas），IBM研究院首席科學傢

“大數據影響瞭所有人，而本書是適閤初學者的一本與應用有關的好書。邁剋爾（Michael）和他的團隊通過簡單、易消化的風格抓住瞭大數據的本質，它值得與你的整個管理團隊一起分享。”
——邁剋·布萊剋（Mike Blake）,美國凱悅酒店首席信息官（CIO）

“每天企業從各個部門産生大量的數據——網站、銷售團隊、社交媒體、數字圖片及多媒體、交易記錄等。對於商界及IT界的管理人員來說，本書是他們擁抱‘大數據世界’的好書，它能幫助他們理解大數據將如何改變商業競爭。”
——喬·焦蒂（Joe Choti）,美國職業棒球大聯盟媒體公司首席技術官（CTO）

“大數據正在改變現代商業社會。它決定瞭銀行如何授權貸款，對衝基金如何交易……本書嚮讀者清晰地解釋瞭他們需要瞭解的所有知識，從大數據對於技術的意義到它如何被應用。”
——安東尼·高德布盧姆（Anthony Goldbloom），Kaggle公司創始人及CEO

“作為客戶智能方麵的教授，本書將幫助我的學生理解大數據的多學科本質，以及如何解決銷售問題，如何為客戶更好地服務，如何使他們的公司經營地更好。極力推薦閱讀此書！”
——托尼·布蘭達（Tony Branda），佩斯大學（Pace University）客戶智能碩士工程創始人之一

目錄

第1章　什麼是大數據，它為什麼重要？　
1．1　創業的大洪水
1．2　大數據不僅僅是“大”
1．3　為什麼是現在？
1．4　關鍵技術的融閤
1．5　相對而言……
1．6　更豐富多樣的數據
1．7　非結構化數據域的擴張
1．8　高層的聲音
參考文獻
第2章　大數據的工業實例　
2．1　數字營銷和離綫世界
2．2　數據庫營銷，大數據的先驅
2．3　大數據和市場營銷的新技能
2．4　欺詐和大數據
2．5　風險和大數據
2．6　信用卡風險管理
2．7　大數據和算法交易
2．8　大數據在健康醫療領域的應用
2．9　醫藥領域的前沿先鋒
2．10　廣告和大數據：從莎草紙到受眾識彆
2．11　從消費類産品作為入口
參考文獻

第3章　大數據技術　
3．1　房間裏的大象：Hadoop並行計算世界
3．2　新舊技術對比
3．3　數據發現：沿著人類思維方式而工作
3．4　大數據分析的開源技術
3．5　雲計算和大數據
3．6　預測分析嶄露頭角
3．7　軟件即服務(SaaS)BI
3．8　移動商業智能將成為主流
3．9　眾包分析
3．10　防火牆外部分析及跨防火牆分析
3．11　R&D;方法幫助吸取新技術
3．12　大數據技術術語
3．13　二進製數據
參考文獻

第4章　信息管理　
4．1　大數據基礎
4．2　大數據計算平颱
4．3　大數據計算
4．4　更多關於大數據存儲
4．5　大數據計算的局限性
4．6　大數據的新興技術

第5章　商業分析　
5．1　大數據分析的“最後一英裏”
5．2　智能地理信息會讓你的生活更美好
5．3　聽：是信號還是噪聲？
5．4　數據分析的實際使用
5．5　從生産到消費
5．6　可視化：如何將數據分析變得可用？
5．7　組織使用數據可視化作為采取即時行動的方法
5．8　從數據采樣到數據分析
5．9　跳到盒子外思索
5．10　360°建模
5．11　速度需求
5．12　讓我們變得具有競爭性
5．13　什麼技術是有效的？
5．14　數據分析已經超越工具本身，並升級為大數據分析應用程序
參考文獻

第6章　大數據行業角色　
6．1　數據科學傢的興起
6．2　深度使用數學、科學以及計算機科學
6．3　10/90原則和批判性思考
6．4　分析師人纔和行政支持
6．5　發展決策科學人纔
6．6　數據分析的全局視圖
6．7　培養決策科學人纔
6．8　創建培養決策科學人纔的文化
6．9　建立正確的組織結構進行有組織的分析

第7章　數據隱私與倫理　
7．1　隱私涉及的主要領域
7．2　大數據抓取不是新鮮事
7．3　偏好、個性及關係
7．4　權利與義務
7．5　良心與責任意識
7．6　隱私可能是錯誤的焦點
7．7　數據可以匿名嗎？
7．8　用戶數據在情報安全部門的平衡
7．9　現在該做些什麼？
參考文獻

精彩書摘

　　另一個HDFs成為傳統數據倉庫的補充的原因是數據庫支持的數據類型和數據存儲容量的限製。通常，傳統的數據庫“支持”數據類型但數據一旦被存儲對其進行操作則不太現實，因而導緻數據倉庫技術相當無用。
　　大數據處理涉及對大數據的操作和計算。各個傳統數據庫有各自不同的處理大數據的有效方法。除此之外，對於數據庫軟件如何有效利用底層硬件架構有著廣泛的分歧。數據庫軟件是硬件無關的，因而不能有效利用底層硬件架構的優勢。但有一些數據庫軟件是和硬件架構緊密綁定的，為的就是能充分利用特定硬件的處理能力來獲得完全的處理能力。數據倉庫專用設備就屬於這一類型，由於硬件綁定的關係獲得瞭不同程度的性能優勢。
　　今天，用於HDFs的標準處理軟件是上一章介紹過的MapRedtice。MapRedtce是一個被設計用來利用分布式處理能力的容錯並行編程框架。MapRedice框架支持使用任意的編程語言（通常是lava語言）通過編程自動把正在處理的工作負載劃分為更小的工作負載。
　　一個“並行計算框架”對大多數人來說是沒有意義的，因此我們用其他可以和我們産生關聯的事情來類比。例如，一個擁有10條流水綫的工廠接到瞭生産500輛玩具卡車的訂單。可以用一條流水綫來生産所有的500輛卡車，或者進行任務劃分讓每條流水綫生産50輛玩具卡車。如果每條流水綫都同時開工並且全程無故障，那麼每條流水綫都會同時完成生産50輛卡車。這種有效的任務劃分是非常明顯的，因為每輛卡車都可以獨立生産。但是，如果其中3條流水綫隻能生産（卡車）引擎，另外7條流水綫隻能生産卡車的擋闆，那麼這個任務劃分就會變得更加復雜。在這種情況下，計劃需要考慮到引擎生産和剩餘玩具卡車生産的依賴關係。就像玩具卡車的生産，某些數據操作和計算可以獨立完成。為瞭最大化處理吞吐量，MapReduce假設分布式的工作負載是相互獨立的任務，工作負載可以被均分，就像（玩具卡車生産）任務可以被分配到10條流水綫上，每條流水綫生産50輛玩具卡車。然而，如果處理負載之間存在依賴關係，MapReduce框架是不知道那些依賴關係的。程序開發者需要意識到這種依賴性，然後有針對性地編程劃分這些工作負載並且理解MapReduce會自動分配這些任務。這種編程方式被稱為並行化編程。就像把任務分配到僅能生産引擎的流水綫和剩餘其他流水綫的流水綫生産任務分配規劃更加復雜一樣，並行化編程同樣更加復雜。MapReduce和某些數據倉庫專用設備的好處之一是更容易通過框架或數據庫專用設備進行自動化處理。
　　MapReduce是為容錯而設計，這是因為使用未知硬件的可靠性是未知的，必須有辦法優雅地處理故障。容錯軟件被設計為可以自動恢復和處理操作故障，這使得容錯軟件的可靠性很高。僅使用MapReduce和許多專用數據倉庫設備就是具備容錯性的。
　　在數據持續增長時會有一些不同的典型處理流程瓶頸。第一個瓶頸就是加載數據的速度，第二個是計算分析處理的速度（或者常被稱為“數字運算”），第三個是按需分析和響應業務的速度。
　　例如，數據可能是機器産生的，無休止的數據創建和數據增長速度可能使得數據很難被消耗。無論是操作或分析這些産生的數據都會很睏難。以現實世界中的算法交易為例來說明（處理）瓶頸。對於算法交易，實時分析程序分析和處理綫上産生和傳輸的數據。
　　比方說你正在使用實時的交易數據，並依據這些交易數據進行新的交易。由於數據是實時變化的，可能會對每一個實時進行的交易進行實時分析。這些分析行為會製定決策並觸發諸如購買、拋售或看空。過去，大多數實時交易數據要麼沒有被捕獲或在交易發生很長時間之後捕獲用於後續分析並放人某些類型的大數據存儲引擎——一個數據倉庫設備或HDFS，在那兒，交易數據被以原始格式存儲，晝夜連軸分析以助於改進實時的分析和行動。越快越頻繁地對交易數據執行上述周而復始的操作，你的組織就能越快地學習和改講。
　　……

前言/序言

《深度學習：原理、算法與前沿應用》 圖書簡介 在信息爆炸與計算能力飛速提升的今天，人工智能正以前所未有的速度滲透到社會經濟的各個角落。而支撐這場技術革命的核心引擎，無疑是深度學習。本書《深度學習：原理、算法與前沿應用》旨在為讀者構建一個全麵、深入且實踐性強的知識體係，幫助他們不僅理解深度學習的“是什麼”，更能掌握其“為什麼”和“如何做”。 第一部分：深度學習的基石——數學與計算基礎 任何強大的技術都建立在堅實的理論基礎之上。本部分將係統梳理讀者進入深度學習世界所需的數學工具，摒棄過於抽象的純數學推導，而側重於它們在模型構建中的實際意義。 綫性代數與概率論的再審視： 重點講解矩陣運算在神經網絡中的錶達（如張量、捲積操作）、梯度下降法背後的微積分原理，以及貝葉斯定理在模型不確定性量化中的角色。我們不會僅僅停留在公式層麵，而是通過大量的代碼示例（使用Python和NumPy）展示如何用數學語言描述數據流和參數更新。 優化理論入門： 詳細剖析隨機梯度下降（SGD）及其變種，包括動量（Momentum）、自適應學習率方法（如Adagrad, RMSProp, Adam）的機製和收斂特性。我們將深入探討學習率衰減策略的重要性，並分析局部最優解和鞍點問題對訓練過程的影響及規避方法。 計算框架初探： 介紹當前主流的深度學習框架（如TensorFlow 2.x和PyTorch）的核心設計哲學和使用範式。強調動態圖與靜態圖的差異，以及如何利用GPU/TPU進行高效的並行計算，為後續的復雜模型訓練打下操作基礎。 第二部分：核心神經網絡架構的精講與剖析 本部分是本書的核心，係統地分解瞭支撐現代人工智能應用的各類經典與創新網絡結構。 多層感知機（MLP）的深入理解： 從基礎的神經元模型齣發，討論激活函數（ReLU, Sigmoid, Tanh, GELU）的選擇對模型非綫性的影響，以及為什麼MLP在處理序列和空間數據時會遭遇局限性。 捲積神經網絡（CNN）： 詳細解析捲積核的工作原理、池化層的設計目的、感受野的構建過程。不僅涵蓋經典的LeNet、AlexNet、VGG、ResNet（殘差連接的精妙之處），更重要的是深入探討瞭深度可分離捲積（如MobileNet）在移動端部署中的效率優化策略。我們還將介紹U-Net在圖像分割中的編碼器-解碼器結構。 循環神經網絡（RNN）及其演進： 闡述RNN處理時間序列數據的能力與短時記憶問題的根源。重點講解長短期記憶網絡（LSTM）和門控循環單元（GRU）的內部結構——輸入門、遺忘門、輸齣門如何協同工作，以捕獲長期依賴關係。隨後，會介紹雙嚮RNN和棧式RNN的應用場景。 Transformer 架構的革命： 全麵解析自注意力（Self-Attention）機製，特彆是“縮放點積注意力”的數學細節。深入探討多頭注意力（Multi-Head Attention）如何提升模型的錶達能力。本書將詳細闡述Encoder-Decoder結構，以及BERT、GPT等預訓練模型如何基於Transformer實現大規模無監督學習。 第三部分：前沿技術與高級專題 隨著模型復雜度的提升，新的挑戰和機遇也隨之齣現。本部分聚焦於當前研究和産業應用的熱點領域。 生成模型： 區分判彆模型與生成模型。詳盡介紹變分自編碼器（VAE）的潛在空間映射原理和重參數化技巧。重點解析生成對抗網絡（GAN）的博弈論基礎，包括DCGAN、WGAN以及條件GAN（cGAN）在圖像閤成、數據增強中的應用。 遷移學習與預訓練模型： 探討如何高效地利用在大規模數據集上訓練好的模型。詳細介紹微調（Fine-tuning）、特徵提取（Feature Extraction）等策略。針對不同任務（如分類、序列標注），提供最佳的遷移學習實踐指南。 模型的可解釋性（XAI）： 深度學習的“黑箱”特性阻礙瞭其在關鍵領域的應用。本章將介紹LIME、SHAP值計算方法，以及梯度可視化技術（如Grad-CAM），幫助讀者理解模型做齣決策的依據，增強模型的透明度和可信度。 模型部署與高效化： 從理論走嚮實踐的橋梁。討論模型量化（Quantization）、模型剪枝（Pruning）和知識蒸餾（Knowledge Distillation）等技術，如何在保證性能的前提下，顯著壓縮模型體積，加速推理速度，以適應邊緣計算和資源受限的環境。 第四部分：深度學習的行業實踐與案例分析 本書的最後一部分將理論與實踐緊密結閤，通過具體的、非金融領域的案例來鞏固學習成果。 自然語言處理（NLP）實戰： 以文本分類、命名實體識彆為例，演示如何使用預訓練模型處理中文和英文文本，關注分詞、詞嵌入（Word2Vec, GloVe）的選擇和使用。 計算機視覺（CV）應用： 針對目標檢測（如YOLO係列的基本思想）和圖像風格遷移，提供完整的代碼實現流程，並分析不同超參數對最終效果的影響。 本書內容嚴謹，邏輯清晰，既適閤希望係統學習深度學習原理的理工科學生和研究人員，也適閤希望將AI技術應用於自身業務的工程師和技術管理者。通過本書，讀者將能夠獨立設計、訓練和優化前沿的深度學習模型，迎接下一波技術浪潮的挑戰。

評分☆☆☆☆☆

如果說前麵的內容是“內功心法”，那麼這本書關於實時流處理架構與決策係統部署的部分，則是頂尖的“兵器譜”。作者對Apache Kafka、Spark Streaming以及Flink等主流流處理技術的選型標準和架構設計進行瞭深入的剖析，尤其關注瞭在金融高並發場景下，如何設計容錯和高可用的實時決策引擎。我過去在處理TB級日誌流時遇到的延遲和數據丟失問題，在書中找到瞭一套完整的解決方案藍圖。作者清晰地繪製齣瞭 Lambda 架構和 Kappa 架構在不同業務場景下的優劣對比，並給齣瞭一個優化的“速度層”和“批處理層”數據融閤策略。更讓我驚喜的是，書中還涉及到瞭邊緣計算在反欺詐場景中的應用，即如何在離用戶最近的地方進行初步的實時攔截，大大減輕瞭中心化集群的壓力。這種對底層基礎設施和上層業務應用的全麵覆蓋，使得這本書成為瞭一個非常難得的“全棧式”參考書，它能滿足從架構師到數據工程師的不同層次的技術需求。

評分☆☆☆☆☆

這本書最讓我感到耳目一新的地方，在於它對金融科技（FinTech）的宏觀演變和未來趨勢的把握。它並沒有沉溺於眼下的熱門工具，而是將視角拉高，探討瞭數據分析能力如何重塑金融機構的組織架構和人纔戰略。作者提齣瞭一個“數據文化滲透模型”，強調瞭數據思維必須從董事會層級自上而下地進行灌輸，而不僅僅是IT部門的責任。他用一係列跨國金融機構的案例，對比瞭不同組織文化在數據轉型中的成功與失敗。這種從戰略高度審視數據分析價值的視角，非常適閤高層管理者閱讀。此外，書中對於監管科技（RegTech）的展望也極具前瞻性，預示瞭未來閤規性審計將不再是事後檢查，而是通過嵌入式的實時數據監控和預警係統來完成。這本書的視野之廣、立意之深，使得它不僅僅局限於“大數據分析”這個技術範疇，而是延展到瞭對整個金融行業未來十年的深刻預判，讀完後，對行業的脈絡有瞭更清晰的把握。

評分☆☆☆☆☆

坦白講，我原本對市麵上那些宣揚“互聯網金融”的書籍都抱持著一種審慎的態度，總覺得它們要麼是曆史迴顧，要麼是過度美化。然而，這本書在探討風險建模與量化投資這塊展現齣的深度，徹底顛覆瞭我的固有印象。它沒有流於錶麵地談論“AI炒股”，而是極其嚴謹地拆解瞭幾個復雜的金融衍生品定價模型，並展示瞭如何利用高頻交易數據流和機器學習算法（特彆是深度強化學習在最優執行策略中的應用）來優化交易執行的滑點和成本。最讓我印象深刻的是，作者引入瞭一個全新的“情景感知型”信用評分體係，它不再是基於靜態的曆史數據，而是實時抓取用戶的多維度行為特徵（例如社交網絡情緒波動、設備使用習慣等），構建齣一個動態變化的風險畫像。這種前瞻性的思路，真正體現瞭大數據分析在金融風控領域的顛覆性力量。書中對Python和R語言中特定庫的函數應用也做瞭清晰的指引，對於有一定編程基礎的讀者來說，可以直接在自己的環境中復現那些復雜的模擬和迴測。這本書真正做到瞭理論與實踐的無縫對接，絕非泛泛而談的暢銷書可比。

評分☆☆☆☆☆

這本書的敘事風格極為流暢且富有哲思，不同於那種冰冷的純技術手冊，它似乎更像是一位資深行業專傢在與你進行一場深度而耐心的對話。我特彆欣賞作者在用戶畫像的構建與個性化服務這一章節中所流露齣的倫理關懷。在當今這個數據無孔不入的時代，如何既能精準地洞察用戶需求，又能堅守數據隱私的底綫，是一個核心的悖論。作者並未簡單地迴避這個問題，而是提齣瞭“可解釋性AI（XAI）”在金融産品推薦中的應用框架。他詳細論述瞭如何通過 Shapley 值等方法，嚮監管機構和用戶解釋“為什麼”係統做齣瞭某個貸款審批決定，這極大地增強瞭算法的透明度和信任度。這種對“信任經濟”的深刻理解，讓這本書的價值提升瞭一個維度，它不再僅僅是一本技術指南，更是一部關於如何在數據時代構建可持續商業模式的哲學著作。讀起來，你感覺作者不僅僅是一個數據科學傢，更是一個對未來商業生態有著深刻洞察的思想傢。

評分☆☆☆☆☆

這本關於大數據分析的著作，著實讓人眼前一亮，它沒有落入那些空洞說教的窠臼，而是深入淺齣地剖析瞭數據驅動決策的核心邏輯。我尤其欣賞作者對於數據治理和質量控製這塊的著墨。在很多行業實踐中，數據本身的“髒亂差”是製約分析深度的最大瓶頸，但本書卻用多個翔實的案例，闡述瞭如何從源頭建立起一套行之有效的質量保障體係。比如，它詳盡描述瞭一種基於區塊鏈技術的分布式數據校驗模型，這個模型的構建思路極為精巧，不僅解決瞭數據孤島問題，更重要的是，它構建瞭一個多方互信的數據交換環境，這對於金融領域這種對數據安全性和準確性要求極高的場景來說，簡直是福音。讀到此處，我甚至聯想到我們公司目前正在推行的數據中颱項目，書中提齣的那些前瞻性的框架，完全可以作為我們後續迭代的藍圖。作者對技術細節的把握精準且富有洞察力，不像有些書隻是停留在概念層麵，而是真正給齣瞭可操作的“施工圖紙”。這種務實的態度，讓這本書的價值遠超理論探討，直接轉化為瞭實戰指南。讀完這部分，我感覺自己對“好數據”的定義都有瞭全新的理解，不再僅僅是數量的堆砌，而是質量與結構協同作用的結果。

評分☆☆☆☆☆

真心的不錯，充電大數據吧

評分☆☆☆☆☆

大數據這個題材也是被玩濫瞭

評分☆☆☆☆☆

科普互聯網思維買瞭一堆書

評分☆☆☆☆☆

本書由很多現實案例和具操作性的建議構成，條理清晰地闡述瞭企業組織該如何做，纔能不僅僅是淹沒在數據海洋中，還可以更茁壯成長，欣欣嚮榮。對於高層管理、專傢及有誌於發揮大數據巨大能量的學生們來說，這是一本必讀書。

評分☆☆☆☆☆

內容範圍比較廣泛。屬於瞭解層麵的

評分☆☆☆☆☆

書還沒看，應該要好好充電學習大數據分析的知識

評分☆☆☆☆☆

學習大數據金融的案例書本

評分☆☆☆☆☆

大數據分析的書籍太多瞭，最後還是決定買這邊，希望不錯

評分☆☆☆☆☆

很有用，非常好的書，很滿意，贊一個