《洞見數據價值：大數據挖掘要案紀實》是國際知ming谘詢公司畢馬威的大數據團隊的集大成之作，內容豐富，觀點新穎，貼近大眾生活、工作與學習實際場景，內容不拘泥於技術闡釋，通過寓教於樂的方式，以豐富翔實的案例來解析大數據挖掘，盡量通過常見的場景來闡述數據的價值與意義。

第1章介紹大數據在銀行業、徵信業、審計、傳統製造業、互聯網行業、輿情監控、影視業、環保産業以及體育産業等多個領域的應用方案和前景。第2章重點介紹大數據分析在商業工作和營銷推廣中的作用。第3章介紹大數據挖掘過程中涉及的數據的前期準備工作，重點介紹數據準備工作的要點和訣竅。第4章結閤業務、生活、娛樂，寓教於樂，介紹大數據的實際應用方式。附錄部分介紹一位數據工作者的成長之路，嚮感興趣的讀者介紹從事數據工作應該具備的素質和掌握的技能。

《洞見數據價值：大數據挖掘要案紀實》可作為企業管理人員、營銷主管、分析人員、IT 人員等理解大數據、應用大數據為企業創造價值的指引，同時，《洞見數據價值：大數據挖掘要案紀實》也可供統計學、應用數學及計算機專業學者和研究人員參考學習。

目錄

第1章 大數據在各行各業 // 001

1.1 什麼是大數據？ // 002

1.1.1 非常流行的大數據概念 // 002

1.1.2 不那麼流行的大數據概念 // 006

1.1.3 也許會帶給你靈感的大數據概念 // 007

1.2 大數據在銀行業 // 029

1.2.1 業界展望：大數據，銀行業未來的核心動力 // 029

1.2.2 創新方嚮：大數據助力銀行網點實現轉型 // 036

1.3 大數據在徵信業 // 041

1.3.1 業界展望：FICO 評分與芝麻信用，傳統徵信嚮大數據徵信的轉變 // 042

1.3.2 創新方嚮一：從拒絕推斷看個人徵信業的大有可為 // 046

1.3.3 創新方嚮二：論大中型客戶數字化授信的可行性 // 054

1.4 大數據在審計業 // 057

1.4.1 業界展望：大數據分析如何支撐審計工作 // 057

1.4.2 創新方嚮：大數據能否代替傳統審計？ // 061

1.5 大數據在傳統製造業 // 065

業界展望：數字化企業進階指南 // 066

1.6 大數據在互聯網行業 // 069

創新方嚮：從滴滴收購優步看壟斷企業的馬太效應 // 069

1.7 大數據在輿情行業 // 076

創新方嚮：數據分析幫你掌握話語權 // 077

1.8 大數據在汽車行業 // 086

業界展望：徵服汽車後市場，大數據與你同行 // 086

1.9 大數據在影視業 // 089

創新方嚮：星期幾上映的電影具有票房號召力 // 090

1.10 大數據在環保産業 // 098

創新方嚮：北京治霾，能為你做點什麼 // 098

1.11 大數據在體育産業 // 104

創新方嚮：歐洲杯，跟著西班牙隊學數據挖掘！ // 105

小結 // 109

第2章 大數據在商業領域的應用 // 111

2.1 推薦算法在傳統銷售渠道中的應用模式 // 112

2.2 巧用運籌優化，提升整閤營銷管理水平 // 116

2.3 關聯規則的應用 // 121

2.3.1 小談關聯規則 // 121

2.3.2 購物籃分析：絕不隻是“啤酒與尿布” // 124

2.3.3 創新方嚮：靠關聯規則重獲新生的東北小館 // 128

2.4 智能薦食模型：大數據告訴你今天吃什麼 // 133

智能薦食模型 // 134

2.5 顧客時空模型：其實天下沒有免費的 WiFi // 138

2.5.1 無處不在的免費 WiFi // 138

2.5.2 顧客時空模型 // 139

2.5.3 進一步挖掘 // 141

2.6 社會網絡分析法，助力信貸反欺詐 // 142

2.7 數據可視化利器：SAS Visual Analytics // 145

2.7.1 為什麼需要數據可視化？ // 145

2.7.2 數據可視化的幾個常見例子 // 146

2.8 文本挖掘，幫你識彆網購評論是真是假 // 151

2.9 路徑優化：如何改良快遞送貨路綫？ // 156

第3章 數據前期準備 // 171

3.1 從抗日武裝的發展談到數據治理 // 172

3.1.1 數據質量問題 // 173

3.1.2 數據應用問題 // 174

3.1.3 實施策略和路徑問題 // 176

3.2 如何生成你需要的基礎數據？ // 182

3.3 如何利用數據倉庫優化數據分析？ // 189

3.4 二分類變量的數據缺失插補 // 193

3.5 數據離散化，如何避免丟失信息？ // 201

3.6 如何避免數據離散化影響自變量的重要性？ // 204

3.7 二分類模型中如何應對分類自變量取值過多？ // 206

第4章 技術案例 // 211

4.1 建模變量太多怎麼辦？ // 212

4.2 信用評級模型怎麼評估？ // 215

4.3 觀察窗口怎麼 包郵 洞見數據價值：大數據挖掘要案紀實 企業與個人大數據簡明讀本 畢馬威中國大數據團隊 下載 mobi epub pdf txt 電子書