数据实践之美

数据实践之美

31位大数据专家的方法、技术与思想

暂无评价综合评分的显示会考虑用户真实性等多项因素,每部作品出现综合评分的时间不定。
5.827 评价豆瓣读书
春暖花开季 恰是读书时满500减300、满200减120、满100减60活动详情

作品简介

《数据实践之美:31位大数据专家的方法、技术与思想》是数据技术领域具有里程碑意义的代表性著作,由国内知名的数据技术社区天善智能领衔组织和策划,首次将来自百度、腾讯、IBM、埃森哲、Teradata、永洪科技、达观数据、神策数据、同程旅游等20余家国内外在数据和互联网领域的领头羊企业的31位数据专家(CEO、CTO、VP、技术总监、架构师、高级分析经理、咨询总监等)联合在一起,分享了他们在数据领域多年来积累下来的方法、技术与思想,同时对很多技术难题给出了经验性的解决方案,颇为珍贵!

天善智能(www.hellobi.com),一个专注于商业智能(BI)、数据分析、数据挖掘和大数据技术的技术社区 ,包括技术问答、博客、活动、学院、招聘、读书频道等众多版块。社区内容不仅覆盖了几乎所有与 BI 相关的技术和产品:微软BI、IBM Cognos、Oracle BIEE、Kettle、Informatica、DataStage、SAP BO、QlikView、Tableau等;还包含所有与数据分析、数据挖掘和大数据相关的技术和产品,如R、Python、SPSS、Hadoop、Spark、Hive、Kylin等。

天善智能致力于构建一个基于数据的生态圈,通过社区链接一切与数据相关的资源。上游,天善智能得到了IBM、Oracle、微软、永洪科技、帆软等数十家国内外数据厂商的大力支持;中游,天善智能在社区拥有一批非常知名的社区领袖和技术大拿;下游,天善智能的学员和注册会员覆盖北京、上海、深圳、广州等50多个国内的大中小城市,以及加拿大、美国、新西兰、澳大利亚、日本、德国、新加坡等海外国家。在数据领域里天善智能有着广泛的影响力。

作品目录

  1. 赞誉
  2. 前言
  3. 朝阳门和小笼包
  4. 关于本书
  5. 致谢
  6. Part1 数据化思维
  7. NO.1 数据化运营的方法论体系
  8. 谁来做数据化运营(Who)
  9. 数据化运营的驱动力(Why)
  10. 数据化运营的目标和收益(What)
  11. 数据化运营的切入点(Where)
  12. 如何做数据化运营(How)
  13. NO.2 数据化营销中的“一·二·三”
  14. 用好一个CRM模型—RFM
  15. 做好两个营销策略
  16. 把握好三个人群细分思维
  17. NO.3 企业数据化管理之巅—同业对标
  18. 站在金字塔尖—构建同业对标体系
  19. 夯实金字塔基座—完善企业数据体系
  20. 破解金字塔之谜—解决企业管理
  21. NO.4 管理数据化:柳传志30年管理智慧如何为我所用
  22. “搭班子”如何数据化
  23. “带队伍”如何数据化
  24. “定战略”如何数据化
  25. NO.5 数据领导力—指标体系规划与管理驾驶舱设计
  26. 数据领导力的重要性
  27. 指标体系规划
  28. 管理驾驶舱的设计
  29. Part2 数据治理
  30. NO.6 数据库开发实施工艺提升的6种途径
  31. 数据库开发项目常见的9种窘境
  32. 业内当前实施工艺情况
  33. 数据库开发实施工艺的提升途径探讨
  34. NO.7 ETL串并发数据跑批处理的理论与运用实践
  35. 数据跑批中的随机游走算法与规律
  36. 项目承载服务器的整体评估
  37. 基于阿姆达尔定律的存储系统性能分析
  38. 数据跑批中的串行度与并发度判断
  39. GC垃圾回收对调度的性能影响
  40. 参考资料
  41. NO.8 如何高效地对复杂数据进行清洗与转换
  42. 数据清洗
  43. 数据转换
  44. Part3 BI与数据可视化
  45. NO.9 商务智能业务分析构建“5步曲”
  46. 第一步:确定正确的人
  47. 第二步:确定正确的信息
  48. 第三步:确定正确的时间
  49. 第四步:设计正确的方式
  50. 第五步:支持正确的行为
  51. NO.10 构建数据体系的两个“5步曲”
  52. 第一个5步曲:由上至下梳理指标体系
  53. 第二个5步曲:由下至上实施落地到BI系统
  54. 实操案例
  55. NO.11 成功实施BI项目的4大要素
  56. 要素1:明确需求
  57. 要素2:专业经验
  58. 要素3:风险把控力
  59. 要素4:项目执行力
  60. 案例分析
  61. 案例1(乙方)
  62. 案例2(甲方)
  63. 参考文献
  64. NO.12 Kimball理论在BI项目中的应用
  65. 开宗明义,BI的内涵及外延
  66. 胸中丘壑,项目群规划与管理的蓝图
  67. 追根溯源,业务需求定义的对象
  68. 循序渐进,维度建模的决策
  69. 一脉相承,ETL和BI设计的准则
  70. 相得益彰,技术架构与产品选择的考量
  71. 洗尽铅华,Kimball理论的本色
  72. NO.13 BI数据可视化分析SaaS产品前瞻
  73. 了解云计算和SaaS
  74. 数据可视化分析SaaS产品遇到的4个挑战
  75. 做好数据可视化分析SaaS产品应注意的8大要点
  76. NO.14 大数据工程的系统架构设计和技术选型
  77. 系统架构
  78. 技术选型
  79. NO.15 数据可视化4步工作法
  80. 步骤1:明确应用场景
  81. 步骤2:确定框架结构—面
  82. 步骤3:确定指标维度—线、点
  83. 步骤4:校核明细数据—图元类型
  84. NO.16 如何用R语言对复杂数据进行可视化
  85. 谢佳标(Daniel.xie)
  86. 常用的复杂数据绘图方式
  87. 利用lattice包绘制面板数据
  88. 利用ggplot2包绘图
  89. 利用R语言绘制交互图
  90. NO.17 新思路,新体系:让银行报表的3大痛点不再是噩梦
  91. DT时代银行业面临的5大挑战
  92. 银行报表的3大痛点
  93. 新型银行报表体系
  94. NO.18 Cognos在金融银行业的最佳运用
  95. 重拾银行经典BI平台:Cognos调优方案
  96. 银行数据之自助式分析
  97. 决策系统与管理驾驶舱设计
  98. Part4 数据分析与数据挖掘
  99. NO.19 如何做好一名商业分析师?
  100. 商业分析师工作职责及分类
  101. 商业分析师工作流及注意事项
  102. 商业分析师职业素养及能力模型
  103. 商业分析师的成长修炼
  104. NO.20 如何用数据驱动运营
  105. 数据驱动决策
  106. 数据处理过程
  107. 数据分析方法
  108. 运营分析实践
  109. 构建指标体系
  110. NO.21 企业增长中的精细化分析和Growth Hacking
  111. 人群差异化,精细化运营势在必行
  112. 从流量经济到AARRR用户模型
  113. 硅谷公司的Growth Hacking
  114. 寻找自己的Growth Hacking策略
  115. NO.22 如何基于业务实现用户行为数据产品化
  116. 为什么要做用户行为轨迹产品
  117. 如何做一款支撑海量数据的用户行为轨迹产品
  118. 如何让业务人员喜欢用
  119. 如何创造全新的价值
  120. NO.23 电商的数据化管理与运营
  121. 电商数据的3类指标
  122. 市场数据分析
  123. 库存分析
  124. NO.24 零售业数据分析指标的管理与应用
  125. 线下零售门店的核心问题和指标
  126. 零售指标的数据化管理应用
  127. 会员指标在线下零售的进一步应用
  128. NO.25 做好零售业数据分析必须解决的3个难点
  129. 观念层面:大数据对零售行业来说到底是什么?(我是谁)
  130. 技术层面:如何从技术上解决大数据分析的难点?(从哪里来)
  131. 应用层面:如何发挥大数据的价值?(到哪里去)
  132. NO.26 如何用R语言做量化分析
  133. R语言适合做量化分析的5个理由
  134. 如何用R语言做量化分析
  135. 量化分析实例
  136. 参考文献
  137. NO.27 从BI到AI,数据分析的4个误区
  138. 误区1:满足客户需求
  139. 误区2:数据深度挖掘
  140. 误区3:数据支撑决策
  141. 误区4:数据分析是系统工程
  142. NO.28 企业如何利用跨行业数据挖掘标准流程开展大数据实践
  143. 商业理解
  144. 数据理解
  145. 数据准备
  146. 建立模型
  147. 模型评价
  148. 结果部署
  149. NO.29 详解过程挖掘的技术和方法
  150. 数据挖掘的灵魂
  151. 技术过程挖掘
  152. 业务过程挖掘
  153. NO.30 个性化数据挖掘的关键技术与应用实践
  154. 正确看待数据蕴藏的价值
  155. 实战个性化数据挖掘应用
  156. 数据挖掘的机器学习技术点详解
  157. 达观数据个性化挖掘的实践经验
  158. Part5 大数据化之路
  159. NO.31 教育行业的大数据实施路径
  160. 大数据给教育带来的5点影响和变革
  161. 教育大数据的实施路径
  162. NO.32 数据科学在互联网金融中的应用
  163. 反欺诈
  164. 策略模型
  165. NO.33 地理大数据驱动的智慧选址
  166. 传统选址方式及其弊端
  167. 案例:从销售数据与会员信息洞察新店机会
  168. 大数据智慧选址—数据与传统经验的正循环
  169. 附录
载入中

大家都喜欢