| | | 管理數據分析(原理方法工具及實踐) | 該商品所屬分類:管理 -> 一般管理學 | 【市場價】 | 334-484元 | 【優惠價】 | 209-303元 | 【介質】 | book | 【ISBN】 | 9787111566977 | 【折扣說明】 | 一次購物滿999元台幣免運費+贈品 一次購物滿2000元台幣95折+免運費+贈品 一次購物滿3000元台幣92折+免運費+贈品 一次購物滿4000元台幣88折+免運費+贈品
| 【本期贈品】 | ①優質無紡布環保袋,做工棒!②品牌簽字筆 ③品牌手帕紙巾
| |
版本 | 正版全新電子版PDF檔 | 您已选择: | 正版全新 | 溫馨提示:如果有多種選項,請先選擇再點擊加入購物車。*. 電子圖書價格是0.69折,例如了得網價格是100元,電子書pdf的價格則是69元。 *. 購買電子書不支持貨到付款,購買時選擇atm或者超商、PayPal付款。付款後1-24小時內通過郵件傳輸給您。 *. 如果收到的電子書不滿意,可以聯絡我們退款。謝謝。 | | | | 內容介紹 | |
-
出版社:機械工業
-
ISBN:9787111566977
-
作者:(美)麥克·沃森//德裡克·內爾森|譯者:王忠玉//王瓊
-
頁數:172
-
出版日期:2017-08-01
-
印刷日期:2017-08-01
-
包裝:平裝
-
開本:16開
-
版次:1
-
印次:1
-
字數:212千字
-
數據科學與大數據技術在商業領域的應用越來越受到企業界的關注。企業不但需要會熟練掌握數據分析和處理的技術人纔,而且*需要擁有大數據思維的管理者,後者能從大數據分析結果中汲取可以獲利的信息,將有用的信息和企業的中長期戰略良好地銜接起來,進而為企業的發展爭取競爭優勢。 麥克·沃森、德裡克·內爾森著的《管理數據分析(原理方法工具及實踐)》正是為試圖認識和了解大數據分析方法如何應用於企業運營管理的企業管理者、大學生、政府官員等,提供一個通俗易懂、生動有趣的簡明介紹,是一本中級層次的普及讀本。
-
。。。
-
。。。
-
本書榮獲的贊譽 關於作者 序言 **部分 概述 第1章 什麼是管理數據分析 1.1 關於數據分析含義的疑惑 1.2 十麼是數據分析 1.2.1 運用描述性數據分析的事例 1.2.2 運用預測性數據分析的事例 1.2.3 運用規範性數據分析的事例 1.3 什麼是新的內容 1.4 哪種數據分析*好 1.5 什麼是管理數據分析 第2章 什麼在推動數據分析蓬勃發展 2.1 數據是數據分析的原料 2.1.1 什麼是大數據 2.1.2 大數據能替代科學嗎 2.1.3 在缺少大數據的條件下可以做數據分析嗎 2.2 檢驗促進數據分析的發展 第3章 數據分析思維方式 3.1 管理數據盲 3.1.1 計算能力的錯覺 3.1.2 過濾謬論 3.1.3 一點改進的益處 3.2 數據分析是一種思維方式 3.2.1 80/20法則 3.2.2 將可變性納入到數據分析中 3.2.3 不能僅使用會計數據 3.3 透徹思考數據 3.3.1 並非所有的數字都是數據 3.3.2 能否信任數據 3.3.3 應該對數據做簡單的測試 3.3.4 就地取材 3.4 數據科學家的興起 第2部分 數據分析工具 第4章 機器學習 4.1 什麼是機器學習 4.2 監督機器學習算法 4.2.1 分類與k*近鄰算法 4.2.2 分類與決策樹 4.2.3 **繫統 4.2.4 回歸分析 4.3 無監督機器學習算法 4.3.1 聚類分析與k均值算法 4.3.2 關聯規則與購物籃算法 4.4 對模型過度擬合與欠擬合的評注 4.5 其他機器學習算法與總結 第5章 描述性數據分析 5.1 基於數據庫的描述性數據分析 5.1.1 數據庫基礎 本書榮獲的贊譽 關於作者 序言 **部分 概述 第1章 什麼是管理數據分析 1.1 關於數據分析含義的疑惑 1.2 十麼是數據分析 1.2.1 運用描述性數據分析的事例 1.2.2 運用預測性數據分析的事例 1.2.3 運用規範性數據分析的事例 1.3 什麼是新的內容 1.4 哪種數據分析*好 1.5 什麼是管理數據分析 第2章 什麼在推動數據分析蓬勃發展 2.1 數據是數據分析的原料 2.1.1 什麼是大數據 2.1.2 大數據能替代科學嗎 2.1.3 在缺少大數據的條件下可以做數據分析嗎 2.2 檢驗促進數據分析的發展 第3章 數據分析思維方式 3.1 管理數據盲 3.1.1 計算能力的錯覺 3.1.2 過濾謬論 3.1.3 一點改進的益處 3.2 數據分析是一種思維方式 3.2.1 80/20法則 3.2.2 將可變性納入到數據分析中 3.2.3 不能僅使用會計數據 3.3 透徹思考數據 3.3.1 並非所有的數字都是數據 3.3.2 能否信任數據 3.3.3 應該對數據做簡單的測試 3.3.4 就地取材 3.4 數據科學家的興起 第2部分 數據分析工具 第4章 機器學習 4.1 什麼是機器學習 4.2 監督機器學習算法 4.2.1 分類與k*近鄰算法 4.2.2 分類與決策樹 4.2.3 **繫統 4.2.4 回歸分析 4.3 無監督機器學習算法 4.3.1 聚類分析與k均值算法 4.3.2 關聯規則與購物籃算法 4.4 對模型過度擬合與欠擬合的評注 4.5 其他機器學習算法與總結 第5章 描述性數據分析 5.1 基於數據庫的描述性數據分析 5.1.1 數據庫基礎 本書榮獲的贊譽 關於作者 序言 **部分 概述 第1章 什麼是管理數據分析 1.1 關於數據分析含義的疑惑 1.2 十麼是數據分析 1.2.1 運用描述性數據分析的事例 1.2.2 運用預測性數據分析的事例 1.2.3 運用規範性數據分析的事例 1.3 什麼是新的內容 1.4 哪種數據分析*好 1.5 什麼是管理數據分析 第2章 什麼在推動數據分析蓬勃發展 2.1 數據是數據分析的原料 2.1.1 什麼是大數據 2.1.2 大數據能替代科學嗎 2.1.3 在缺少大數據的條件下可以做數據分析嗎 2.2 檢驗促進數據分析的發展 第3章 數據分析思維方式 3.1 管理數據盲 3.1.1 計算能力的錯覺 3.1.2 過濾謬論 3.1.3 一點改進的益處 3.2 數據分析是一種思維方式 3.2.1 80/20法則 3.2.2 將可變性納入到數據分析中 3.2.3 不能僅使用會計數據 3.3 透徹思考數據 3.3.1 並非所有的數字都是數據 3.3.2 能否信任數據 3.3.3 應該對數據做簡單的測試 3.3.4 就地取材 3.4 數據科學家的興起 第2部分 數據分析工具 第4章 機器學習 4.1 什麼是機器學習 4.2 監督機器學習算法 4.2.1 分類與k*近鄰算法 4.2.2 分類與決策樹 4.2.3 **繫統 4.2.4 回歸分析 4.3 無監督機器學習算法 4.3.1 聚類分析與k均值算法 4.3.2 關聯規則與購物籃算法 4.4 對模型過度擬合與欠擬合的評注 4.5 其他機器學習算法與總結 第5章 描述性數據分析 5.1 基於數據庫的描述性數據分析 5.1.1 數據庫基礎 5.1.2 數據建模 5.1.3 學習SQL語言,*好地認識數據 5.1.4 什麼是NO_SQL 5.1.5 結構化數據與非結構化數據 5.1.6 數據倉庫與數據集 5.1.7 儀表盤和平衡計分卡:實用的及時報告 5.1.8 運用OLAP和數據立方體拓展描述性數據分析 5.1.9 何時打破關繫數據庫的規則 5.1.10 實時數據與自動預警 5.2 運用數據可視化做描述性數據分析 5.3 運用描述性統計做描述性數據分析 5.4 重用機器學習做描述性數據分析 第6章 預測性數據分析 6.1 回歸預測 6.2 機器學習與集成模型 6.3 AB檢測 6.4 模擬 第7章 案例分析:《點球成金》與*優化 第8章 規範性數據分析(又稱*優化) 8.1 什麼是*優化 8.2 *優化=目標、約束條件、選擇+數據 8.2.1 目標 8.2.2 約束條件 8.2.3 選擇 8.2.4 數據 8.3 TLC+D應用:每個人都愛喫比薩 8.3.1 目標 8.3.2 約束條件 8.3.3 選擇 8.3.4 數據 8.3.5 數學公式 8.4 *優化算法的類型 8.4.1 **算法 8.4.2 近似算法 8.4.3 啟發式算法 8.4.4 假設分析 第3部分 結論 第9章 收益管理 **0章 實施數據分析的**技巧 10.1 它隻是弓箭手,而不是弓箭本身 10.2 總結 非傳統參考書目和擴展閱讀 譯後記 5.1.2 數據建模 5.1.3 學習SQL語言,*好地認識數據 5.1.4 什麼是NO_SQL 5.1.5 結構化數據與非結構化數據 5.1.6 數據倉庫與數據集 5.1.7 儀表盤和平衡計分卡:實用的及時報告 5.1.8 運用OLAP和數據立方體拓展描述性數據分析 5.1.9 何時打破關繫數據庫的規則 5.1.10 實時數據與自動預警 5.2 運用數據可視化做描述性數據分析 5.3 運用描述性統計做描述性數據分析 5.4 重用機器學習做描述性數據分析 第6章 預測性數據分析 6.1 回歸預測 6.2 機器學習與集成模型 6.3 AB檢測 6.4 模擬 第7章 案例分析:《點球成金》與*優化 第8章 規範性數據分析(又稱*優化) 8.1 什麼是*優化 8.2 *優化=目標、約束條件、選擇+數據 8.2.1 目標 8.2.2 約束條件 8.2.3 選擇 8.2.4 數據 8.3 TLC+D應用:每個人都愛喫比薩 8.3.1 目標 8.3.2 約束條件 8.3.3 選擇 8.3.4 數據 8.3.5 數學公式 8.4 *優化算法的類型 8.4.1 **算法 8.4.2 近似算法 8.4.3 啟發式算法 8.4.4 假設分析 第3部分 結論 第9章 收益管理 **0章 實施數據分析的**技巧 10.1 它隻是弓箭手,而不是弓箭本身 10.2 總結 非傳統參考書目和擴展閱讀 譯後記 5.1.2 數據建模 5.1.3 學習SQL語言,*好地認識數據 5.1.4 什麼是NO_SQL 5.1.5 結構化數據與非結構化數據 5.1.6 數據倉庫與數據集 5.1.7 儀表盤和平衡計分卡:實用的及時報告 5.1.8 運用OLAP和數據立方體拓展描述性數據分析 5.1.9 何時打破關繫數據庫的規則 5.1.10 實時數據與自動預警 5.2 運用數據可視化做描述性數據分析 5.3 運用描述性統計做描述性數據分析 5.4 重用機器學習做描述性數據分析 第6章 預測性數據分析 6.1 回歸預測 6.2 機器學習與集成模型 6.3 AB檢測 6.4 模擬 第7章 案例分析:《點球成金》與*優化 第8章 規範性數據分析(又稱*優化) 8.1 什麼是*優化 8.2 *優化=目標、約束條件、選擇+數據 8.2.1 目標 8.2.2 約束條件 8.2.3 選擇 8.2.4 數據 8.3 TLC+D應用:每個人都愛喫比薩 8.3.1 目標 8.3.2 約束條件 8.3.3 選擇 8.3.4 數據 8.3.5 數學公式 8.4 *優化算法的類型 8.4.1 **算法 8.4.2 近似算法 8.4.3 啟發式算法 8.4.4 假設分析 第3部分 結論 第9章 收益管理 **0章 實施數據分析的**技巧 10.1 它隻是弓箭手,而不是弓箭本身 10.2 總結 非傳統參考書目和擴展閱讀 譯後記
-
第一章 什麼是管理數據分析
1.1 關於數據分析含義的疑惑
數據分析領域(及其常用同義詞大數據)已經引發
了許多企業管理者的無限遐想。 有些公司經常公開地聲稱:他們熱衷於數據分析
。通用電氣(General Electric)*近宣布,為了充
分利用自己的工業機器所產生的數據而大舉進軍“數
據分析”。IBM和俄亥俄州立大學宣布成立數據分析
研發中心,預計雇用多達500人來做數據分析研究工
作。而谷歌則大力宣傳自己內部的**搜索功能的數
據分析,並為其他公司提供跟蹤自己網站的服務。這
份所羅列的公司一覽表及其他們所新公布的數據分析
能力,將會繼續*新發展。 對咨詢公司和軟件公司數據分析服務和產品所進
行的推銷越激動,越是會心存疑惑地認為,這些公司
除了他們的營銷信息裡面包括“數據分析”這個詞之
外,並沒有改變任何東西。但是,這樣的懷疑觀點並
不能反駁如下的事實:很明顯,對數據分析的需求是
相當地多,否則這些公司不會嘗試在**時間跟進。 數據分析這個術語甚至進入了大眾媒體。*常看
到的情況是,它出現在大眾媒體的商業部分甚至是報
紙的首頁。電影《點球成金》(基於同名書改編的電
影)向我們展示了,聰明人如何使用統計數據來幫助
奧克蘭運動家職業棒球隊以一種低成本方式來創建團
隊並贏得勝利,這可能是關於數據分析*能吸引公眾
眼球的精彩力作。那些密切關注政治的人士,也可能
讀到過美國前總統***競選連任的原因就是大量運
用數據分析來精準定位*有可能投票給他的選民。這
些進軍主流文化(體育和政治)的嘗試促進了公眾對數
據分析的興趣。 為了解決雇主的招聘需求和滿足學生的就業意願
,一些大學開始提供數據分析相關的專業學位。你很
可能已經在主流出版物中看到了關於對數據分析技能
市場需求的探討。 可是,數據分析到底是什麼呢?公司和記者*願
意使用這個詞,而不是告訴你它是什麼。倘若沒有定
義,你怎樣知道你所做的就是數據分析呢?你如何將
數據分析應用於你的具體情況呢?你怎樣知道,你的
供應商確實賣給你一個數據分析解決方案呢?
然而,每當一個詞具有如此好的內涵卻難以給出
定義時,就會出現那樣的風險:當下一個流行詞出現
時,前一個流行詞將被人們所遺忘。當首席執行官想
要*多的數據分析項目時,經理就將這個數據分析詞
語放入到他們所有項目的標題上,此時本質上並沒有
改變他們所做的任何工作。供貨商意識到,他們可以
用數據分析來重新命名他們一直在做的事物,進而會
賣得*好。如果某個批次的產品與數據分析這個詞語
有聯繫,則出售那些產品的公司就沒有動力來澄清,
如果它對你有利,為什麼還要澄清數據分析這個術語
呢?吸引人們這樣做的部分原因在於,對很多人來講
問者,或創建*好的報告)。它的益處遠不止於此。 但是,我們仍然沒有真正弄明白,數據分析的定
義究竟是什麼。達文波特的文章給出了企業解決具體
問題的例子。例如,萬豪酒店利用數據分析來設定房
間的*優價格,而**資本使用數據分析來測驗不同
的價格、促銷方式和捆綁式服務吸引什麼樣的客戶群
體。但文章中隻是將數據分析定義為“收集、分析和
使用數據。”換句話說,依據這篇文章,數據分析就
是通過分析數據做出*好的決策。這個定義,盡管是
正確的和嚴謹的,但是沒有給予*多的指導。管理者
不總是談論如何用數據來做決策嗎?是的,可是如今
可以利用的數據量*為龐大。但是,僅僅是利用大量
數據來做出*多的決策,這件事並不能幫助我們定義
數據分析。 達文波特文章的貢獻並不在於它對分析的定義。 相反,這篇文章開啟了數據分析的蓬勃發展運動。也
就是說,它提出了如下的想法:許多人利用各種不同
的工具來解決眾多問題,而所有這些工具都被稱為“
數據分析”。 這篇文章將數據分析的思想看成是一個探索的領
域(如同計算機科學或化學領域)。作為佐證的是,許
多大學已經開始提供數據分析專業學位。致力於數據
分析的專業機構,諸如INFORMS,也開始促進和不斷
完善這一領域。(P2-4)
問者,或創建*好的報告)。它的益處遠不止於此。 但是,我們仍然沒有真正弄明白,數據分析的定
義究竟是什麼。達文波特的文章給出了企業解決具體
問題的例子。例如,萬豪酒店利用數據分析來設定房
間的*優價格,而**資本使用數據分析來測驗不同
的價格、促銷方式和捆綁式服務吸引什麼樣的客戶群
體。但文章中隻是將數據分析定義為“收集、分析和
使用數據。”換句話說,依據這篇文章,數據分析就
是通過分析數據做出*好的決策。這個定義,盡管是
正確的和嚴謹的,但是沒有給予*多的指導。管理者
不總是談論如何用數據來做決策嗎?是的,可是如今
可以利用的數據量*為龐大。但是,僅僅是利用大量
數據來做出*多的決策,這件事並不能幫助我們定義
數據分析。 達文波特文章的貢獻並不在於它對分析的定義。 相反,這篇文章開啟了數據分析的蓬勃發展運動。也
就是說,它提出了如下的想法:許多人利用各種不同
的工具來解決眾多問題,而所有這些工具都被稱為“
數據分析”。 這篇文章將數據分析的思想看成是一個探索的領
域(如同計算機科學或化學領域)。作為佐證的是,許
多大學已經開始提供數據分析專業學位。致力於數據
分析的專業機構,諸如INFORMS,也開始促進和不斷
完善這一領域。(P2-4)
| | | | | |