智能數據時代：企業(yè)大數據戰(zhàn)略與實戰(zhàn)

定　價：￥69.00

作　者：	TalkingData 著
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787111569466	出版時間：	2017-06-01	包裝：	平裝
開本：	16開	頁數：	330	字數：

內容簡介

　　大數據這個概念自誕生以來，已經經歷了幾次飛躍。當今社會，對傳統(tǒng)大數據中的量的需求已經很容易達到，大數據的競爭轉向了數據質量。只有將深入在各種行業(yè)情景中、非結構化的、與業(yè)務流程直接相關的高價值數據挖掘出來，企業(yè)才有可能基于自己的業(yè)務進行分析甚至預測。因此，大數據時代進入了一個新的紀元——智能數據時代。　本書作者團隊來著大數據行業(yè)的領軍企業(yè)TalkingData，他們站在企業(yè)管理者的角度上，系統(tǒng)全面地剖析了企業(yè)如何轉型以適應當今智能數據時代。全書以大數據相關的知識和工具為起點，重點介紹了企業(yè)大數據實施的三個方面——數據管理、數據工程和數據科學，并結合一線的大數據實戰(zhàn)經驗，幫助讀者更深刻地理解如何構筑數據驅動型企業(yè)。

作者簡介

　　TalkingData（北京騰云天下科技有限公司）成立于2011年，是中國*大的獨立第三方移動數據服務平臺。TalkingData一直致力于數據的深耕與數據價值的挖掘，從數據的采集、處理到數據的分析，再到數據的應用與咨詢。TalkingData已經形成了一套以“智能數據平臺”（SmartDP）為主的完整數據應用體系，并構筑了一套以數據商業(yè)化平臺、數據服務平臺及數據合作平臺為核心的數據生態(tài)。目前，TalkingData的平均月活躍用戶為6.5億，為超過12萬款移動應用以及10萬應用開發(fā)者提供服務。覆蓋的客戶主要為金融、地產、快消、零售、出行、政府等行業(yè)中的領軍企業(yè)，連續(xù)三年實現業(yè)務的三倍快速增長。

圖書目錄

前言
第一篇　大數據基礎知識
第1章　大數據的基本定義　/ 2
1.1　大數據分析的出現　/ 3
1.2　大數據如何發(fā)掘價值　/ 3
1.3　大數據處理的關鍵——數據類型　/ 5
1.4　大數據處理的微妙之處　/ 6
1.5　大數據環(huán)境下的處理分析工具　/ 7
1.6　智能數據時代到來　/ 10
第2章　數據的藝術　/ 12
2.1　評估可能性的藝術　/ 12
2.2　了解現狀　/ 13
2.3　自我評估、完善度、信息架構　/ 14
2.4　愿景部署　/ 19
2.5　現在和將來的數據倉庫　/ 20
2.6　實時建議和操作　/ 25
2.7　驗證提出的愿景　/ 26
第3章　大數據：有所為有所不為　/ 28
3.1　大數據分析最佳實踐　/ 28
3.2　從小做起　/ 29
3.3　關注大局　/ 30
3.4　避免最差實踐　/ 30
3.5　步步為營　/ 32
3.6　學會利用異常數據　/ 34
3.7　速度與精度的抉擇　/ 35
3.8　內存計算　/ 36
第二篇　大數據工具和技術
第4章　分布式世界中的設計　/ 42
4.1　可見性　/ 43
4.2　保持簡單的重要性　/ 44
4.3　組合　/ 44
4.4　分布式狀態(tài)　/ 49
4.5　CAP原則　/ 51
4.6　松耦合系統(tǒng)　/ 53
4.7　速度　/ 55
4.8　總結　/ 58
第5章　大數據分析工具　/ 59
5.1　Apache Hadoop　/ 59
5.2　Apache Spark　/ 69
5.3　NoSQL數據庫　/ 73
5.4　MongoDB　/ 89
第三篇　數據管理
第6章　大數據的類型　/ 108
6.1　定義結構化數據　/ 109
6.2　探秘結構化數據來源　/ 109
6.3　關系數據庫在大數據中扮演的角色　/ 110
6.4　非結構化數據　/ 111
6.5　內容管理系統(tǒng)在大數據管理中的作用　/ 112
6.6　實時和非實時條件　/ 113
6.7　大數據集成　/ 114
第7章　大數據的新范式：我們想要從大數據系統(tǒng)中獲得什么　/ 116
7.1　穩(wěn)定性和容錯性　/ 116
7.2　橫向擴容　/ 117
7.3　可擴展性　/ 117
7.4　即席查詢　/ 117
7.5　最小化維護　/ 117
7.6　可調試性　/ 118
7.7　完全增量式架構　/ 118
7.8　操作復雜性　/ 119
7.9　極其復雜地實現最終一致性　/ 119
7.10　人為容錯的缺陷　/ 121
7.11　Lambda架構　/ 121
第8章　數據管理　/ 125
8.1　數據管理成熟度評估　/ 125
8.2　元數據管理　/ 128
8.3　數據治理　/ 130
8.4　數據質量管理　/ 134
8.5　參考數據與主數據管理　/ 137
第四篇　數據工程
第9章　理解數據業(yè)務流程　/ 142
9.1　理解商業(yè)動機　/ 142
9.2　調查計劃　/ 146
9.3　初步研究　/ 146
9.4　專家咨詢　/ 146
9.5　識別關鍵成功因素　/ 147
9.6　優(yōu)先考慮早期路線圖的執(zhí)行　/ 150
9.7　戰(zhàn)略圖譜　/ 154
第10章　大數據和云計算　/ 163
10.1　云計算的定義　/ 163
10.2　私有云與公有云計算　/ 165
10.3　IaaS典型平臺——亞馬遜云平臺AWS　/ 165
10.4　PaaS典型平臺　/ 172
10.5　SaaS典型平臺　/ 176
第11章　數據收集　/ 179
11.1　收集一切　/ 179
11.2　為數據源設置優(yōu)先級　/ 181
11.3　關聯單獨的數據　/ 182
11.4　如何收集數據　/ 184
11.5　數據采購　/ 186
11.6　數據保留　/ 190
第12章　數據質量和數據預處理　/ 191
12.1　數據質量：為什么要對數據做預處理　/ 191
12.2　數據預處理的主要工作　/ 192
第13章　數據安全和隱私　/ 195
13.1　數據收集：了解隱私的最前沿　/ 195
13.2　策略考慮因素　/ 196
13.3　實施考慮因素　/ 200
13.4　總結　/ 201
第五篇　數據科學
第14章　數據分析　/ 204
14.1　什么是分析　/ 205
14.2　分析的類型　/ 206
第15章　數據探索　/ 221
15.1　概要　/ 221
15.2　數據探索的目標　/ 222
15.3　數據集　/ 222
15.4　描述性統(tǒng)計　/ 225
15.5　數據可視化　/ 229
15.6　數據探索路線圖　/ 240
第16章　大數據、數據科學和數據挖掘　/ 242
16.1　先驗知識　/ 244
16.2　數據準備　/ 246
16.3　建模　/ 249
16.4　應用　/ 253
16.5　總結　/ 255
第六篇　構筑數據驅動型企業(yè)
第17章　建立數據驅動文化　/ 258
17.1　數據收集　/ 260
17.2　報告　/ 261
17.3　警報　/ 262
17.4　從報告到警報再到分析　/ 263
17.5　數據驅動的標志　/ 265
17.6　分析成熟度　/ 267
第18章　構建大數據團隊　/ 271
18.1　數據科學家　/ 271
18.2　團隊挑戰(zhàn)　/ 272
18.3　不同的團隊，不同的目標　/ 272
18.4　別忘了數據　/ 273
18.5　更多挑戰(zhàn)　/ 274
18.6　團隊與文化　/ 274
18.7　量化成就　/ 275
第七篇　大數據實戰(zhàn)
第19章　大數據使用實例　/ 278
19.1　大數據的使用與意義　/ 279
19.2　案例：大數據在金融領域的應用　/ 283
19.3　案例：大數據在地產領域的應用　/ 298
第20章　大數據分析和數據驅動決策的思維實戰(zhàn)　/ 309
20.1　無處不在的數據機會　/ 309
20.2　數據科學、數據工程和數據驅動決策　/ 312
20.3　數據處理和大數據　/ 314
20.4　從大數據1.0到大數據2.0　/ 314
20.5　數據和數據科學能力作為戰(zhàn)略資產　/ 315
20.6　數據分析思維　/ 317
20.7　具備數據分析技能的管理者　/ 318
20.8　數據挖掘與數據科學　/ 319
20.9　化學反應不只限于試管：數據科學與數據科學家的工作　/ 320
20.10　總結　/ 321
第21章　結語
21.1　全面解讀　/ 322
21.2　通往大數據之路　/ 323
21.3　思索大數據的真實一面　/ 324
21.4　大數據實踐　/ 325
21.5　深度解讀大數據處理流程　/ 325
21.6　大數據可視化　/ 329
21.7　大數據隱私　/ 330