数据实践之美

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

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