数据革命

作品简介

在信息技术革命之后，我们将迎来数据革命。在大数据的概念、性质和价值已得到政府和社会的认可之后，大家关注的是数据如何获取，以及有了数据以后如何挖掘数据的价值。仅适合特定行业、满足特定需求的技术不足以应对一场革命，大数据不但是超出计算机软硬件处理的能力，更是超出人类的认知能力。只有实现对数据的认知，利用数据辅助决策，才是适合不同行业数据价值实现的通用手段。本书描述了数据革命的起源、实现的思路、所用的技术和要达到的目标，针对当今社会热点描述了在数据时代的应对之策。本书宏观和微观、人文和技术、启迪思想和关注实用并举，既适合宏观层面的领导启迪思维，提出工作目标，又适合微观层次的执行人员找到实现的方法和路径。本书介绍的理论和技术均可在智慧城市、智能制造领域实际使用。本书适合政府、企业决策者和CIO，及其他对大数据应用感兴趣的人阅读。

范煜，江苏南通人，研究员级高级工程师，大数据软件专家，范思软件有限公司创始人，毕业于南京航空航天大学，喜爱阅读和旅行，对经济、管理、历史、地理等方面知识有浓厚兴趣。

作品目录

• 作者简介
• 内容简介
• 前言
• 开编故事
• 第1章 迎接数据革命
• 1.1　信息技术革命
• 1.1.1　未完成的第三次工业革命
• 1.1.2　从智力替代到辅助决策、自主决策
• 1.1.3　三次工业革命的比较
• 1.1.4　数据是信息革命的主要遗产
• 1.2　为什么是数据革命
• 1.3　社会需要数据革命
• 1.3.1　发展需要资源配置均衡
• 1.3.2　数据促进社会平等
• 1.3.3　不均衡导致中国古代王朝更迭
• 1.3.4　熵增原理
• 1.3.5　中国国内市场的完善
• 1.3.6　新的就业机会
• 1.3.7　建立社会经济运行的反馈机制
• 1.3.8　权威的信息交换平台
• 1.3.9　分享经济模式的扩张
• 1.4　从海关数据看数据价值
• 1.5　美国的启示
• 1.6　数据的价值与变现
• 1.6.1　数据的变现
• 1.6.2　决策产生价值
• 1.6.3　数据的价值特点
• 1.6.4　数据服务的商业模式
• 1.7　信息时代遗留的问题
• 1.7.1　缺乏原始数据
• 1.7.2　难搞的需求
• 1.7.3　自助分析的陷阱
• 1.7.4　难以满足的客户
• 1.7.5　完全不一样的需求
• 1.7.6　心有余而力不足的数据挖掘
• 1.7.7　跳出事务处理的红海
• 第2章 认识数据革命
• 2.1　认识数据
• 2.1.1　数据分类
• 2.1.2　数据来源和存储
• 2.1.3　非结构化数据
• 2.1.4　数据处理的三个层次：产生、获取和分析
• 2.1.5　数据比图像、视频更有价值
• 2.1.6　数据与程序要分离
• 2.1.7　SQL是访问数据的通用语言
• 2.1.8　需要标准并开源的数据库设计
• 2.2　关于数据
• 2.2.1　数据和信息的区别
• 2.2.2　数据含金量
• 2.2.3　用于理解大数据的小数据
• 2.2.4　广义和狭义大数据技术
• 2.2.5　看懂数据的认知计算
• 2.2.6　数据的冷态、温态和热态
• 2.3　走出大数据应用误区
• 2.3.1　从个性化需求到普遍服务
• 2.3.2　走出结果导向
• 2.3.3　从有方向到无方向
• 2.3.4　自助分析工具与自助分析系统的区别
• 2.4　信息系统总体规划
• 2.4.1　基于数据的规划
• 2.4.2　用规划展示数据不足
• 2.4.3　以市长为核心的智慧城市总体规划
• 第3章 推动数据革命
• 3.1　数据的立法
• 3.2　数据的公开
• 3.2.1　对信息公开的认识
• 3.2.2　政府开放数据
• 3.2.3　对开放数据的要求
• 3.2.4　政府主导的公共数据库
• 3.2.5　科研数据的公开
• 3.3　有时数据隐私只是借口
• 3.4　数据基础设施
• 3.4.1　数据作为基础设施
• 3.4.2　数据垄断的“滑铁卢”
• 3.4.3　公共数据服务与中介
• 3.4.4　农产品交易数据的案例
• 3.5　建立数据图书馆
• 第4章 进行数据革命
• 4.1　数据用于决策支持
• 4.1.1　数据分析需要统计而不是检索
• 4.1.2　数据通过辅助决策产生价值
• 4.1.3　两类完全不同的程序
• 4.1.4　传统商业智能模式的沦落
• 4.1.5　像鹰一样看数据
• 4.1.6　数据一致性不是分析的先决条件
• 4.1.7　从数据比较中发现价值
• 4.1.8　保障决策者的决策思维流
• 4.1.9　建立基于可视化数据的指挥室
• 4.1.10　组织的决策支持流程
• 4.1.11　宏观和微观的融合
• 4.1.12　用过度设计满足任意需求
• 4.2　建立数据模型
• 4.2.1　存储数据的数据仓库
• 4.2.2　可以推导需求的维度模型
• 4.2.3　维度模型原理
• 4.2.4　分主题进行数据分析
• 4.2.5　离不开的时间维度
• 4.2.6　通过时间分析数据
• 4.2.7　空间维度直观地显示数据
• 4.2.8　数据的可视化钻取
• 4.2.9　用OLAP提升统计速度
• 4.2.10　数据可视化加快对数据的认知
• 4.2.11　用内存数据库实现实时数据分析
• 4.3　改变思路
• 4.3.1　建立基于真实数据的KPI
• 4.3.2　为实现工业4.0建立数据基础设施
• 4.3.3　主动抽取数据实现数据集中
• 4.3.4　统计数据从报送到抽取
• 4.3.5　改进数据分析工作流程
• 4.4　适应数据分析的硬件
• 第5章 实现数据革命
• 5.1　数据革命的作用
• 5.1.1　对国家治理的作用
• 5.1.2　对国有企业改革的作用
• 5.1.3　对政府“三公”经费管理的作用
• 5.1.4　对“一带一路”战略的作用
• 5.1.5　对医疗改革的作用
• 5.1.6　对银行信贷风控的作用
• 5.1.7　对降低社会成本的作用
• 5.1.8　对防止欺诈上市的作用
• 5.2　数据革命的后果
• 5.2.1　竞争机制的替代
• 5.2.2　计划经济和市场经济的融合
• 5.2.3　经济危机的消除
• 5.3　数据革命后的技术
• 5.3.1　以数据检索为主的搜索引擎
• 5.3.2　基于数据的云服务
• 5.3.3　可以检索数据的浏览器
• 第6章 工业数据革命
• 6.1　智能制造首先要解决数据问题
• 6.2　工业企业数据总体架构
• 6.3　财务数据分析
• 6.3.1　四个层次
• 6.3.2　阿特曼Z-score模型
• 6.3.3　财务比率
• 6.4　经营数据分析
• 6.4.1　名词解释
• 6.4.2　经营数据中心
• 6.4.3　销售数据分析
• 6.4.4　毛利数据分析
• 6.4.5　应收款数据分析
• 6.4.6　采购数据分析
• 6.4.7　应付款数据分析
• 6.4.8　库存数据分析
• 6.5　与上市公司外部数据比较
• 6.6　控制数据分析
• 6.6.1　从工业大数据中找到故障
• 6.6.2　从检测大数据中发现质量问题
• 第7章 设计案例
• 7.1　政府房产数据分析
• 7.1.1　监控中心
• 7.1.2　预售数据分析
• 7.1.3　成交数据分析
• 7.2　医院管理决策支持系统
• 7.2.1　监控中心
• 7.2.2　医药收费数据分析
• 7.2.3　门诊数据分析
• 7.2.4　住院数据分析
• 7.2.5　手术数据分析
• 7.2.6　用药数据分析
• 7.2.7　医疗项目收入数据分析
• 7.2.8　大型诊断检查数据分析
• 7.2.9　体检数据分析
• 7.2.10　物资出入库数据分析
• 7.3　政府财政数据分析
• 7.3.1　监控中心
• 7.3.2　收入数据分析
• 7.3.3　支出数据分析
• 7.3.4　收支执行数据分析
• 7.3.5　预算执行用款数据分析
• 7.3.6　政府采购数据分析
• 致谢
• 参考文献