☆☆☆☆☆
簡體網頁||繁體網頁



點擊這裡下載

類似圖書 點擊查看全場最低價

---

編輯推薦

　　管理導嚮：《商務智能：數據分析的管理視角（原書第3版）》主要從管理視角詳細介紹商務智能的應用和實施，同時非常重視商務智能技術層麵的應用，尤其是新齣現的一些新領域、新應用。
　　真實案例：通過大量全球大公司、小企業、政府機構和非營利組織的真實案例來生動形象地闡述相關概念和理論。
　　集成係統：《商務智能：數據分析的管理視角（原書第3版）》強調支持企業和眾多用戶的係統，而不是孤立的基於互聯網的商務智能係統。
　　熱點研究：本書分彆從理論和應用角度對無綫射頻識彆、雲計算、社交網絡、Web2.0、大數據等進行瞭闡述。

內容簡介

　　《商務智能：數據分析的管理視角（原書第3版）》側重於商務智能和為企業決策提供支持的業務分析。書中不僅介紹瞭傳統的商務智能基本理論和應用，還介紹瞭當前商務智能涉及的新技術和新趨勢，如社交網絡、雲計算、數據分析生態係統以及法律、隱私和道德問題等。
　　《商務智能：數據分析的管理視角（原書第3版）》可以作為管理科學、電子商務和企業管理等專業的MBA、研究生以及本科生商務智能、決策支持係統等課程的教材，也可以作為管理信息係統、商務數據分析等課程的輔助教材，還適閤從事企業信息管理、業務分析的人士閱讀。

作者簡介

　　拉姆什·沙爾達（Ramesh Sharda）博士，商業主管項目主任，信息係統研究所所長，康菲石油公司技術管理主席，俄剋拉荷馬州立大學斯皮爾斯商學院管理科學與信息係統的傑齣貢獻教授，信息係統協會決策支持係統和知識管理專業組（SIGDSS）的共同創辦人，服務於多個編輯委員會。他的研究方嚮包括決策支持係統、商務分析、信息過載管理技術。

　　杜爾森·德倫（Dursun Delen）博士，俄剋拉荷馬州立大學斯皮爾斯商學院管理科學與信息係統教授，創新醫療係統研究中心主任，業務分析教授。他的研究方嚮包括數據和文本挖掘、業務分析、決策支持係統、知識管理、商務智能和企業建模。

　　埃弗雷姆·特班（Efraim Turban）博士，夏威夷大學太平洋信息係統管理研究院訪問學者，曾經就職於多所大學，包括香港城市大學、裏海大學、佛羅裏達國際大學、加利福尼亞州立大學長灘分校、東伊利諾伊大學以及南加利福尼亞大學。他還是世界各地許多公司的谘詢師。他的研究方嚮包括基於Web的決策支持係統、社會化電子商務和協同決策

目錄

Business Intelligence: A Managerial Perspective On Analytics, 3E
齣版者的話
譯者序
前言
作者簡介
第1章　商務智能、數據分析和決策支持概述
1.1　開篇小插麯：Magpie Sensing公司使用分析技術高效而安全地管理疫苗供應鏈
1.2　變化的商業環境和計算機決策支持
1.3　商務智能架構
1.3.1　BI的定義
1.3.2　BI的簡史
1.3.3　BI的架構
1.3.4　BI的起源和驅動力
1.3.5　BI中的多媒體練習
1.4　智能産生、使用與商務智能治理
1.4.1　智能産生和使用的循環過程
1.4.2　智能與竊取
1.5　事務處理與分析處理
1.6　成功的BI實施
1.6.1　典型的BI用戶群體
1.6.2　閤理規劃與業務戰略的統一
1.6.3　實時的、隨需應變的BI是
可以實現的
1.6.4　開發或收購BI係統
1.6.5　理由和成本 -收益分析
1.6.6　安全和隱私保護
1.6.7　係統和應用的集成
1.7　數據分析概述
1.7.1　描述性分析
1.7.2　預測性分析
1.7.3　規範性分析
1.7.4　應用於不同領域的數據分析
1.7.5　數據分析還是數據科學
1.8　大數據分析簡介
1.9　本書的安排
1.10　資源、鏈接和Teradata大學網絡連接
1.10.1　資源和鏈接
1.10.2　供應商、産品和演示
1.10.3　期刊
1.10.4　Teradata大學網絡連接
1.10.5　本書的網站
本章要點
關鍵詞
問題討論
練習
章末應用案例
參考文獻
第2章　數據倉庫
2.1　開篇小插麯：卡普裏島賭場利用企業數據倉庫獲勝
2.2　數據倉庫的定義和概念
2.2.1　什麼是數據倉庫
2.2.2　數據倉庫曆史透視
2.2.3　數據倉庫的特點
2.2.4　數據集市
2.2.5　操作數據存儲
2.2.6　企業數據倉庫
2.2　元數據
2.3　數據倉庫流程概述
2.4　數據倉庫架構
2.4.1　可選的數據倉庫架構
2.4.2　哪種架構最好
2.5　數據集成以及提取、轉換和加載過程
2.5.1　數據集成
2.5.2　提取、轉換和加載
2.6　數據倉庫的開發
2.6.1　數據倉庫開發方法
2.6.2　數據倉庫開發的其他思考
2.6.3　數據倉庫中的數據錶示
2.6.4　數據倉庫中的數據分析
2.6.5　OLAP和OLTP
2.6.6　OLAP操作
2.7　數據倉庫的實施問題
2.8　實時數據倉庫
2.9　數據倉庫管理、安全問題和未來趨勢
2.10　資源、鏈接和Teradata大學網絡連接
2.10.1　資源和鏈接
2.10.2　案例
2.10.3　供應商、産品和演示
2.10.4　期刊
2.10.5　其他參考文獻
2.10.6　Teradata大學網絡連接
本章要點
關鍵詞
問題討論
練習
章末應用案例
參考文獻
第3章　業務報錶、可視化分析與企業
績效管理
3.1　開篇小插麯: 自助服務的報錶環境為企業用戶節省上百萬美元
3.2　業務報錶的定義和概念
3.2.1　什麼是業務報錶
3.2.2　業務報錶係統的組件
3.3　數據與信息可視化
3.4　不同類型的圖錶
3.4.1　基本圖錶
3.4.2　專用圖錶
3.5　數據可視化與可視化分析的齣現
3.5.1　可視化分析
3.5.2　高性能可視化分析環境
3.6　績效儀錶盤
3.6.1　儀錶盤設計
3.6.2　在儀錶盤中尋找什麼
3.6.3　儀錶盤設計的最佳實踐
3.6.4　根據行業標準建立 KPI 基準
3.6.5　利用上下文元數據封裝儀錶盤度量
3.6.6　通過可用性專傢檢驗儀錶盤設計
3.6.7　在儀錶盤中指定警報和異常的優先級
3.6.8　使用用戶評論豐富的儀錶盤
3.6.9　在3個不同層次展示信息
3.6.10　使用儀錶盤設計準則選擇正確的可視化方式
3.6.11　提供指導性分析
3.7　企業績效管理
3.8　績效度量
3.8.1　關鍵績效指標
3.8.2　績效度量係統
3.9　平衡記分卡
3.9.1　4個視角
3.9.2　平衡在BSC中的意義
3.9.3　儀錶盤與平衡記分卡
3.10　作為績效度量係統的六西格瑪
3.10.1　DMAIC績效模型
3.10.2　平衡記分卡與六西格瑪
3.10.3　有效的績效度量
本章要點
關鍵詞
問題討論
練習
章末應用案例
參考文獻
第4章　數據挖掘
4.1　開篇小插麯：坎貝拉公司將高級分析和數據挖掘應用於更多客戶
4.2　數據挖掘概念和應用
4.2.1　定義、特徵和優勢
4.2.2　數據挖掘原理
4.2.3　數據挖掘與統計學
4.3　數據挖掘應用
4.4　數據挖掘過程
4.4.1　步驟1：業務理解
4.4.2　步驟2：數據理解
4.4.3　步驟3：數據準備
4.4.4　步驟4：建模
4.4.5　步驟5：測試和評估
4.4.6　步驟6：部署
4.4.7　其他標準化的數據挖掘過程和方法
4.5　數據挖掘方法
4.5.1　分類
4.5.2　估算分類模型的準確率
4.5.3　數據挖掘聚類分析
4.5.4　關聯規則挖掘
4.6　數據挖掘軟件工具
4.7　數據挖掘的隱私問題、謬誤和隱患
4.7.1　數據挖掘和隱私問題
4.7.2　數據挖掘謬誤和隱患
本章要點
關鍵詞
問題討論
練習
章末應用案例
參考文獻
第5章　文本與Web分析
5.1　開篇小插麯：《危險邊緣》上的人機大戰：Watson的故事
5.2　文本分析和文本挖掘概述
5.3　自然語言處理
5.4　文本挖掘應用
5.4.1　營銷應用
5.4.2　安全應用
5.4.3　生物醫學應用
5.4.4　學術應用
5.5　文本挖掘過程
5.5.1　任務1：建立語料庫
5.5.2　任務2：創建詞項-文檔矩陣
5.5.3　任務3：提取知識
5.6　情感分析
5.6.1　情感分析應用
5.6.2　情感分析過程
5.6.3　極性識彆方法
5.6.4　使用詞典
5.6.5　使用訓練文檔集
5.6.6　識彆句子和短語的語義傾嚮
5.6.7　識彆文檔的語義傾嚮
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　開發環
5.8.3　網絡爬蟲
5.8.4　文檔索引器
5.8.5　響應環
5.8.6　查詢分析器
5.8.7　文檔匹配器/排名器
5.8.8　搜索引擎優化
5.8.9　搜索引擎優化的方法
5.9　Web使用挖掘（Web分析）
5.9.1　Web分析技術
5.9.2　Web分析度量
5.9.3　網站可用性
5.9.4　流量來源
5.9.5　訪客特徵
5.9.6　轉化統計
5.10　社交分析
5.10.1　社交網絡分析
5.10.2　社交網絡分析度量
5.10.3　聯係
5.10.4　分布
5.10.5　分割
5.10.6　社交媒體分析
5.10.7　人們如何使用社交媒體
5.10.8　評估社交媒體的影響
5.10.9　社交媒體分析的最佳實踐
本章要點
關鍵詞
問題討論
練習
章末應用案例
參考文獻
第6章　大數據與分析
6.1　開篇小插麯：當大數據遇上大數據科學
6.2　大數據的定義
6.3　大數據分析基礎
6.4　大數據技術
6.4.1　MapReduce
6.4.2　為什麼使用MapReduce
6.4.3　Hadoop
6.4.4　Hadoop如何工作
6.4.5　Hadoop技術組件
6.4.6　Hadoop：利與弊
6.4.7　NoSQL
6.5　數據科學傢
6.6　大數據和數據倉庫
6.6.1　Hadoop的使用案例
6.6.2　數據倉庫的使用案例
6.6.3　灰色區域（任意一個都能勝任）
6.6.4　Hadoop和數據倉庫共存
6.7　大數據供應商
6.8　大數據與流分析
6.8.1　流分析與持久性分析
6.8.2　關鍵事件處理
6.8.3　數據流挖掘
6.9　流分析的應用
6.9.1　電子商務
6.9.2　電信
6.9.3　法律實施與網絡安全
6.9.4　電力行業
6.9.5　金融服務
6.9.6　健康科學
6.9.7　政府
本章要點
關鍵詞
問題討論
練習
章末應用案例
參考文獻
第7章　業務分析：趨勢與前景
7.1　開篇小插麯：俄剋拉荷馬州天然氣及電力公司利用數據分析促進智能能源使用
7.2　為組織提供基於位置的分析
7.2.1　地理空間分析
7.2.2　實時位置智能
7.3　麵嚮消費者的分析應用
7.4　推薦引擎
7.5　Web 2.0革命和在綫社交網絡
7.5.1　Web 2.0的典型特徵
7.5.2　社交網絡
7.5.3　定義和基本信息
7.5.4　商業和企業社交網絡
7.6　雲計算與商務智能
7.6.1　麵嚮服務的DSS
7.6.2　數據即服務
7.6.3　信息即服務
7.6.4　分析即服務
7.7　數據分析對組織的影響
7.7.1　新的組織結構
7.7.2　重構業務流程和虛擬團隊
7.7.3　工作滿意度
7.7.4　工作壓力和焦慮
7.7.5　分析工具對管理人員活動和績效的影響
7.8　法律、隱私和道德問題
7.8.1　法律問題
7.8.2　隱私
7.8.3　最近涉及隱私和數據分析的技術問題
7.8.4　決策中的道德問題和支持
7.9　數據分析生態係統
7.9.1　數據分析行業的類彆
7.9.2　數據基礎設施供應商
7.9.3　數據倉庫行業
7.9.4　中間件/BI平颱行業
7.9.5　數據聚閤商與分發商
7.9.6　專注於分析的軟件開發者
7.9.7　報錶和分析
7.9.8　預測性分析
7.9.9　規範性分析
7.9.10　特定行業或通用的應用開發者、係統集成者
7.9.11　分析工具的用戶組織
7.9.12　行業分析師和影響者
7.9.13　教育機構和認證機構
本章要點
關鍵詞
問題討論
練習
章末應用案例
參考文獻
索引

精彩書摘

　　《商務智能：數據分析的管理視角（原書第3版）》：
　　什麼是大數據
　　我們的大腦運作極其迅速、高效，可以處理各種數據：圖片、文字、音頻、氣味和視頻。我們可以相對容易地處理各種類型的數據。相反，計算機則很難應對數據生成的速度，更不用說快速地分析瞭。這就是為什麼産生瞭大數據問題。那麼什麼是大數據呢？簡單地說，大數據就是不能再用單個存儲單元存儲的數據。通常大數據以不同的形式齣現：結構化、非結構化、數據流等。這些數據的主要來源是網站的點擊流、社交網絡（例如，Facebook）的帖子、交通數據、傳感器、天氣等。搜索引擎（例如，Google）需要查詢並為數10億的頁麵編製索引纔能在1秒內返迴相關結果。雖然這不是實時的，但為因特網上所有的頁麵編製索引可不是件容易的事。幸運的是，Google有能力解決這個問題。除瞭其他工具外，Google還使用瞭大數據分析技術。
　　管理這種規模的數據包含兩方麵：存儲和處理。如果我們能夠購買一個非常昂貴的存儲解決方案，將所有這些數據都存放在一個地方的單個存儲單元內，那麼使該存儲單元具有容錯能力需要花費大量成本。一種聰明的解決方法是將這些數據分塊存儲在不同的機器上，並由網絡相互連接，將數據塊的一份（或者兩份）備份在邏輯上和物理上存儲在網絡的不同地方。這種方法最初由Google使用，稱為Google文件係統（GoogleFileSystem），後來作為Apache項目的Hadoop分布式文件係統（HDFS）開發並發布。
　　然而，存儲這些數據隻完成瞭一半工作。如果不能提供商業價值，數據則毫無價值。換言之，要使數據發揮商業價值，就需要進行分析。如何分析如此龐大的數據？將所有計算交給一颱超級計算機來完成是行不通的。如此規模的數據將對超級計算機産生很大開支。另一種聰明的方法被提齣：將計算推送給數據，而不是將數據推給計算節點。這是一種新的範式，提供瞭一種處理數據的新方法。這就是我們今天稱為Map Reduce的編程範式，使大數據的處理成為現實。MapReduee最初由Google提齣，隨後Apache發布瞭後續版本Hadoop Map Reduceo
　　如今，當我們談論存儲、處理或分析大數據時，總要涉及HDFS和Map Reduce。其他相關的標準和軟件解決方案也被提齣。雖然主要工具都是開源的，但一些公司也在該領域推齣瞭特定的分析硬件和軟件服務，例如：Horton Works、Cloudera和TeradataAster。
　　……

前言/序言

　　Business Intelligence: A Managerial Perspective On Analytics, 3E
　　分析已經成為當今時代的技術驅動器。許多公司，比如IBM、Oracle和Microsoft，正在創建基於分析的新部門，以幫助公司更加靈活有效地進行商業運作。決策者正在使用更加計算機化的工具來支持他們的工作。甚至消費者也在直接或間接地使用分析工具幫助做日常活動的決策，例如購物、健康護理和娛樂。商務智能（Business Intelligence，BI）領域正在朝著實時數據流的創新應用發展，這些數據在過去都沒有被捕獲過，且沒有一種有效的方法對數據進行分析。新的應用轉嚮瞭日常健康護理、運動、娛樂、供應鏈管理、公共設施和幾乎所有可以想象的行業。
　　除瞭傳統的決策支持應用外，第3版利用案例、産品、服務和練習，以及基於網絡的問題討論將讀者的視角擴展到不同的分析類型中。我們重點討論瞭網絡智能和網絡分析，這些內容與電子商務及其他網絡應用領域的商務智能和業務分析（Business Analytics，BA）是並列的。本書由一個獨立網站（pearsonhighered.com/sharda）和dssbibook.com上的一個非獨立站點提供支持。我們也在網站的一個專區提供瞭許多軟件指導書的鏈接。
　　本書旨在嚮讀者介紹統稱為分析的技術。本書介紹瞭這些技術的基本原理、係統構建和使用的方式。我們按照EEE方法來組織這些主題：展示（Exposure）、體驗（Experience）、探索（Explore）。本書主要展示瞭不同分析技術及其應用，旨在使學生瞭解其他組織怎樣運用分析技術做決策或獲得競爭力，並從中收獲知識。我們相信展示可以用分析做些什麼和怎樣做是學習分析的關鍵。在描述這些技術時，我們也介紹瞭一些軟件工具，幫助學生體驗這些技術。雖然每一章都給齣瞭具體的建議，但是學生和教師可以結閤不同的軟件工具使用本書。本書對應的網站包括具體的軟件指導，但是學生仍然能夠通過不同的方法體驗這些技術。最後，我們希望這樣的展示和體驗能夠激勵讀者探索這些技術在他們所在領域的潛能。為瞭促成這樣的探索，我們在書中提供瞭練習，指導讀者加入Teradata大學網絡和其他包含團隊練習的網站。我們也重點介紹瞭在網站中新的創新應用。
　　第3版的大量工作集中在3個部分：改編、內容更新和重點更清晰。除瞭這些修改工作外，我們仍然保留瞭綜閤性和用戶友好性，使本書在市場上占據領先地位。最後，我們提供瞭其他書籍沒有的準確、及時的素材。下麵我們將具體說明第3版中的變化。
　　第3版增加瞭什麼內容
　　為瞭改善質量，第3版對內容進行瞭大規模改編，將本書的重點放到分析上。本版主要圍繞著三種類型的分析組織全書，並且增加瞭許多新內容，刪除瞭一些過時的內容。下麵列齣瞭幾個主要的變化：
　　新的組織結構　本書介紹瞭INFORMS提齣的三種類型的分析：描述性（descriptive）分析預測性（predictive）分析和規範性（prescriptive）分析。第1章首先介紹商務智能和分析，第2章對數據倉庫和數據集成進行概述。第3章包括描述性分析或報錶分析，重點討論可視化和商業性能評估。第4章介紹有關預測性分析的內容。第5章將分析領域擴展至文本、Web和社交媒體。第6章介紹大數據和分析。第7章對業務分析未來的 商務智能：數據分析的管理視角（原書第3版） 下載 mobi epub pdf txt 電子書

評分☆☆☆☆☆

還沒看呢，但是感覺應該很經典

評分☆☆☆☆☆

OK

評分☆☆☆☆☆

作為教材多次瞭，資料齊全

評分☆☆☆☆☆

非技術的獨特視角，值得研讀。

評分☆☆☆☆☆

很不錯? 講解的很清楚 適閤入門的朋友看

評分☆☆☆☆☆

這是教科書，比較枯燥～還沒看多少

評分☆☆☆☆☆

這是教科書，比較枯燥～還沒看多少

評分☆☆☆☆☆

老公買的，學習中

評分☆☆☆☆☆

再次購買瞭，之前那本送人瞭。

類似圖書 點擊查看全場最低價