洞見數(shù)據(jù)價(jià)值：大數(shù)據(jù)挖掘要案紀(jì)實(shí)

定　價(jià)：￥69.00

作　者：	畢馬威中國(guó)大數(shù)據(jù)團(tuán)隊(duì) 著
出版社：	清華大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	計(jì)算機(jī)?網(wǎng)絡(luò) 計(jì)算機(jī)期刊雜志

購(gòu)買這本書可以去

ISBN：	9787302491804	出版時(shí)間：	2018-01-01	包裝：	平裝
開本：	16	頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　《洞見數(shù)據(jù)價(jià)值：大數(shù)據(jù)挖掘要案紀(jì)實(shí)》是國(guó)際知名咨詢公司畢馬威的大數(shù)據(jù)團(tuán)隊(duì)的集大成之作，內(nèi)容豐富，觀點(diǎn)新穎，貼近大眾生活、工作與學(xué)習(xí)實(shí)際場(chǎng)景，內(nèi)容不拘泥于技術(shù)闡釋，通過寓教于樂的方式，以豐富翔實(shí)的案例來(lái)解析大數(shù)據(jù)挖掘，盡量通過常見的場(chǎng)景來(lái)闡述數(shù)據(jù)的價(jià)值與意義。第1章介紹大數(shù)據(jù)在銀行業(yè)、征信業(yè)、審計(jì)、傳統(tǒng)制造業(yè)、互聯(lián)網(wǎng)行業(yè)、輿情監(jiān)控、影視業(yè)、環(huán)保產(chǎn)業(yè)以及體育產(chǎn)業(yè)等多個(gè)領(lǐng)域的應(yīng)用方案和前景。第2章重點(diǎn)介紹大數(shù)據(jù)分析在商業(yè)工作和營(yíng)銷推廣中的作用。第3章介紹大數(shù)據(jù)挖掘過程中涉及的數(shù)據(jù)的前期準(zhǔn)備工作，重點(diǎn)介紹數(shù)據(jù)準(zhǔn)備工作的要點(diǎn)和訣竅。第4章結(jié)合業(yè)務(wù)、生活、娛樂，寓教于樂，介紹大數(shù)據(jù)的實(shí)際應(yīng)用方式。附錄部分介紹一位數(shù)據(jù)工作者的成長(zhǎng)之路，向感興趣的讀者介紹從事數(shù)據(jù)工作應(yīng)該具備的素質(zhì)和掌握的技能。《洞見數(shù)據(jù)價(jià)值：大數(shù)據(jù)挖掘要案紀(jì)實(shí)》可作為企業(yè)管理人員、營(yíng)銷主管、分析人員、IT 人員等理解大數(shù)據(jù)、應(yīng)用大數(shù)據(jù)為企業(yè)創(chuàng)造價(jià)值的指引，同時(shí)，《洞見數(shù)據(jù)價(jià)值：大數(shù)據(jù)挖掘要案紀(jì)實(shí)》也可供統(tǒng)計(jì)學(xué)、應(yīng)用數(shù)學(xué)及計(jì)算機(jī)專業(yè)學(xué)者和研究人員參考學(xué)習(xí)。

作者簡(jiǎn)介

　　畢馬威中國(guó)大數(shù)據(jù)團(tuán)隊(duì)，一個(gè)專注于大數(shù)據(jù)及數(shù)據(jù)挖掘的專業(yè)團(tuán)隊(duì)，堅(jiān)持有效結(jié)合分析、技術(shù)與業(yè)務(wù)三方面，多次幫助多家大型銀行、保險(xiǎn)公司、老牌企業(yè)等重要客戶利用大數(shù)據(jù)創(chuàng)造價(jià)值。團(tuán)隊(duì)中既有資深的數(shù)據(jù)科學(xué)家、統(tǒng)計(jì)學(xué)博士，也有深入了解業(yè)務(wù)的分析專家，在業(yè)界有一定影響力。團(tuán)隊(duì)持續(xù)分享結(jié)合實(shí)際業(yè)務(wù)的精品大數(shù)據(jù)內(nèi)容，幫助眾多讀者實(shí)踐大數(shù)據(jù)挖掘。

圖書目錄

目錄
第1章大數(shù)據(jù)在各行各業(yè) // 001
1.1 什么是大數(shù)據(jù)？ // 002
1.1.1 非常流行的大數(shù)據(jù)概念 // 002
1.1.2 不那么流行的大數(shù)據(jù)概念 // 006
1.1.3 也許會(huì)帶給你靈感的大數(shù)據(jù)概念 // 007
1.2 大數(shù)據(jù)在銀行業(yè) // 029
1.2.1 業(yè)界展望：大數(shù)據(jù)，銀行業(yè)未來(lái)的核心動(dòng)力 // 029
1.2.2 創(chuàng)新方向：大數(shù)據(jù)助力銀行網(wǎng)點(diǎn)實(shí)現(xiàn)轉(zhuǎn)型 // 036
1.3 大數(shù)據(jù)在征信業(yè) // 041
1.3.1 業(yè)界展望：FICO 評(píng)分與芝麻信用，傳統(tǒng)征信向大數(shù)據(jù)征信的轉(zhuǎn)變 // 042
1.3.2 創(chuàng)新方向一：從拒絕推斷看個(gè)人征信業(yè)的大有可為 // 046
1.3.3 創(chuàng)新方向二：論大中型客戶數(shù)字化授信的可行性 // 054
1.4 大數(shù)據(jù)在審計(jì)業(yè) // 057
1.4.1 業(yè)界展望：大數(shù)據(jù)分析如何支撐審計(jì)工作 // 057
1.4.2 創(chuàng)新方向：大數(shù)據(jù)能否代替?zhèn)鹘y(tǒng)審計(jì)？ // 061
1.5 大數(shù)據(jù)在傳統(tǒng)制造業(yè) // 065
業(yè)界展望：數(shù)字化企業(yè)進(jìn)階指南 // 066
1.6 大數(shù)據(jù)在互聯(lián)網(wǎng)行業(yè) // 069
創(chuàng)新方向：從滴滴收購(gòu)優(yōu)步看壟斷企業(yè)的馬太效應(yīng) // 069
1.7 大數(shù)據(jù)在輿情行業(yè) // 076
創(chuàng)新方向：數(shù)據(jù)分析幫你掌握話語(yǔ)權(quán) // 077
1.8 大數(shù)據(jù)在汽車行業(yè) // 086
業(yè)界展望：征服汽車后市場(chǎng)，大數(shù)據(jù)與你同行 // 086
1.9 大數(shù)據(jù)在影視業(yè) // 089
創(chuàng)新方向：星期幾上映的電影最具有票房號(hào)召力 // 090
1.10 大數(shù)據(jù)在環(huán)保產(chǎn)業(yè) // 098
創(chuàng)新方向：北京治霾，能為你做點(diǎn)什么 // 098
1.11 大數(shù)據(jù)在體育產(chǎn)業(yè) // 104
創(chuàng)新方向：歐洲杯，跟著西班牙隊(duì)學(xué)數(shù)據(jù)挖掘！ // 105
小結(jié) // 109
第2章大數(shù)據(jù)在商業(yè)領(lǐng)域的應(yīng)用 // 111
2.1 推薦算法在傳統(tǒng)銷售渠道中的應(yīng)用模式 // 112
2.2 巧用運(yùn)籌優(yōu)化，提升整合營(yíng)銷管理水平 // 116
2.3 關(guān)聯(lián)規(guī)則的應(yīng)用 // 121
2.3.1 小談關(guān)聯(lián)規(guī)則 // 121
2.3.2 購(gòu)物籃分析：絕不只是“啤酒與尿布” // 124
2.3.3 創(chuàng)新方向：靠關(guān)聯(lián)規(guī)則重獲新生的東北小館 // 128
2.4 智能薦食模型：大數(shù)據(jù)告訴你今天吃什么 // 133
智能薦食模型 // 134
2.5 顧客時(shí)空模型：其實(shí)天下沒有免費(fèi)的 WiFi // 138
2.5.1 無(wú)處不在的免費(fèi) WiFi // 138
2.5.2 顧客時(shí)空模型 // 139
2.5.3 進(jìn)一步挖掘 // 141
2.6 社會(huì)網(wǎng)絡(luò)分析法，助力信貸反欺詐 // 142
2.7 數(shù)據(jù)可視化利器：SAS Visual Analytics // 145
2.7.1 為什么需要數(shù)據(jù)可視化？ // 145
2.7.2 數(shù)據(jù)可視化的幾個(gè)常見例子 // 146
2.8 文本挖掘，幫你識(shí)別網(wǎng)購(gòu)評(píng)論是真是假 // 151
2.9 路徑優(yōu)化：如何改良快遞送貨路線？ // 156
第3章數(shù)據(jù)前期準(zhǔn)備 // 171
3.1 從抗日武裝的發(fā)展談到數(shù)據(jù)治理 // 172
3.1.1 數(shù)據(jù)質(zhì)量問題 // 173
3.1.2 數(shù)據(jù)應(yīng)用問題 // 174
3.1.3 實(shí)施策略和路徑問題 // 176
3.2 如何生成你需要的基礎(chǔ)數(shù)據(jù)？ // 182
3.3 如何利用數(shù)據(jù)倉(cāng)庫(kù)優(yōu)化數(shù)據(jù)分析？ // 189
3.4 二分類變量的數(shù)據(jù)缺失插補(bǔ) // 193
3.5 數(shù)據(jù)離散化，如何避免丟失信息？ // 201
3.6 如何避免數(shù)據(jù)離散化影響自變量的重要性？ // 204
3.7 二分類模型中如何應(yīng)對(duì)分類自變量取值過多？ // 206
第4章技術(shù)案例 // 211
4.1 建模變量太多怎么辦？ // 212
4.2 信用評(píng)級(jí)模型怎么評(píng)估？ // 215
4.3 觀察窗口怎么選？ // 219
4.4 K折交叉驗(yàn)證怎么做？ // 223
4.5 如何衡量變量之間的相關(guān)性？ // 230
4.6 決策樹算法真的越復(fù)雜越好嗎？ // 235
4.7 如何精選分類模型指標(biāo)？ // 245
4.8 當(dāng)數(shù)據(jù)分析遇上超級(jí)奶爸 // 250
4.9 深度挖掘，你的工資拖后腿了嗎？ // 253
4.10 用分位數(shù)回歸看你的工資水平 // 258
附錄A 一位數(shù)據(jù)工作者的成長(zhǎng)之路 // 265
A.1 數(shù)據(jù)分析師入門攻略 // 266
A.2 如何做一名“稱職”的數(shù)據(jù)專家？ // 269
A.3 一個(gè)數(shù)據(jù)倉(cāng)庫(kù)轉(zhuǎn)型者眼中的數(shù)據(jù)挖掘 // 271
A.4 預(yù)測(cè)科學(xué)：三點(diǎn)經(jīng)驗(yàn)談實(shí)際應(yīng)用 // 276
A.5 數(shù)據(jù)模型多了，應(yīng)該怎么管？ // 277
A.6 手握數(shù)據(jù)挖掘模型，你一定要知道怎么用 // 281
A.7 淺談以史為鑒與數(shù)據(jù)分析 // 286
后記 // 297