智能数据时代：企业大数据战略与实战。

图书标准信息

• 作者 TalkingData 著
• 出版社 机械工业出版社
• 出版时间 2017-06
• 版次 1
• ISBN 9787111569466
• 定价 69.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 330页

【内容简介】

　　大数据这个概念自诞生以来，已经经历了几次飞跃。当今社会，对传统大数据中的量的需求已经很容易达到，大数据的竞争转向了数据质量。只有将深入在各种行业情景中、非结构化的、与业务流程直接相关的高价值数据挖掘出来，企业才有可能基于自己的业务进行分析甚至预测。因此，大数据时代进入了一个新的纪元——智能数据时代。

 

　　本书作者团队来着大数据行业的领军企业TalkingData，他们站在企业管理者的角度上，系统全面地剖析了企业如何转型以适应当今智能数据时代。全书以大数据相关的知识和工具为起点，重点介绍了企业大数据实施的三个方面——数据管理、数据工程和数据科学，并结合一线的大数据实战经验，帮助读者更深刻地理解如何构筑数据驱动型企业。

 

【作者简介】

   TalkingData（北京腾云天下科技有限公司）成立于2011年，是中国*大的独立第三方移动数据服务平台。TalkingData一直致力于数据的深耕与数据价值的挖掘，从数据的采集、处理到数据的分析，再到数据的应用与咨询。TalkingData已经形成了一套以“智能数据平台”（SmartDP）为主的完整数据应用体系，并构筑了一套以数据商业化平台、数据服务平台及数据合作平台为核心的数据生态。目前，TalkingData的平均月活跃用户为6.5亿，为超过12万款移动应用以及10万应用开发者提供服务。覆盖的客户主要为金融、地产、快消、零售、出行、政府等行业中的领军企业，连续三年实现业务的三倍快速增长。

 

【目录】

前言

 

第一篇　大数据基础知识

 

第1章　大数据的基本定义　/ 2

 

1.1　大数据分析的出现　/ 3

 

1.2　大数据如何发掘价值　/ 3

 

1.3　大数据处理的关键——数据类型　/ 5

 

1.4　大数据处理的微妙之处　/ 6

 

1.5　大数据环境下的处理分析工具　/ 7

 

1.6　智能数据时代到来　/ 10

 

第2章　数据的艺术　/ 12

 

2.1　评估可能性的艺术　/ 12

 

2.2　了解现状　/ 13

 

2.3　自我评估、完善度、信息架构　/ 14

 

2.4　愿景部署　/ 19

 

2.5　现在和将来的数据仓库　/ 20

 

2.6　实时建议和操作　/ 25

 

2.7　验证提出的愿景　/ 26

 

第3章　大数据：有所为有所不为　/ 28

 

3.1　大数据分析最佳实践　/ 28

 

3.2　从小做起　/ 29

 

3.3　关注大局　/ 30

 

3.4　避免最差实践　/ 30

 

3.5　步步为营　/ 32

 

3.6　学会利用异常数据　/ 34

 

3.7　速度与精度的抉择　/ 35

 

3.8　内存计算　/ 36

 

第二篇　大数据工具和技术

 

第4章　分布式世界中的设计　/ 42

 

4.1　可见性　/ 43

 

4.2　保持简单的重要性　/ 44

 

4.3　组合　/ 44

 

4.4　分布式状态　/ 49

 

4.5　CAP原则　/ 51

 

4.6　松耦合系统　/ 53

 

4.7　速度　/ 55

 

4.8　总结　/ 58

 

第5章　大数据分析工具　/ 59

 

5.1　Apache Hadoop　/ 59

 

5.2　Apache Spark　/ 69

 

5.3　NoSQL数据库　/ 73

 

5.4　MongoDB　/ 89

 

第三篇　数据管理

 

第6章　大数据的类型　/ 108

 

6.1　定义结构化数据　/ 109

 

6.2　探秘结构化数据来源　/ 109

 

6.3　关系数据库在大数据中扮演的角色　/ 110

 

6.4　非结构化数据　/ 111

 

6.5　内容管理系统在大数据管理中的作用　/ 112

 

6.6　实时和非实时条件　/ 113

 

6.7　大数据集成　/ 114

 

第7章　大数据的新范式：我们想要从大数据系统中获得什么　/ 116

 

7.1　稳定性和容错性　/ 116

 

7.2　横向扩容　/ 117

 

7.3　可扩展性　/ 117

 

7.4　即席查询　/ 117

 

7.5　最小化维护　/ 117

 

7.6　可调试性　/ 118

 

7.7　完全增量式架构　/ 118

 

7.8　操作复杂性　/ 119

 

7.9　极其复杂地实现最终一致性　/ 119

 

7.10　人为容错的缺陷　/ 121

 

7.11　Lambda架构　/ 121

 

第8章　数据管理　/ 125

 

8.1　数据管理成熟度评估　/ 125

 

8.2　元数据管理　/ 128

 

8.3　数据治理　/ 130

 

8.4　数据质量管理　/ 134

 

8.5　参考数据与主数据管理　/ 137

 

第四篇　数据工程

 

第9章　理解数据业务流程　/ 142

 

9.1　理解商业动机　/ 142

 

9.2　调查计划　/ 146

 

9.3　初步研究　/ 146

 

9.4　专家咨询　/ 146

 

9.5　识别关键成功因素　/ 147

 

9.6　优先考虑早期路线图的执行　/ 150

 

9.7　战略图谱　/ 154

 

第10章　大数据和云计算　/ 163

 

10.1　云计算的定义　/ 163

 

10.2　私有云与公有云计算　/ 165

 

10.3　IaaS典型平台——亚马逊云平台AWS　/ 165

 

10.4　PaaS典型平台　/ 172

 

10.5　SaaS典型平台　/ 176

 

第11章　数据收集　/ 179

 

11.1　收集一切　/ 179

 

11.2　为数据源设置优先级　/ 181

 

11.3　关联单独的数据　/ 182

 

11.4　如何收集数据　/ 184

 

11.5　数据采购　/ 186

 

11.6　数据保留　/ 190

 

第12章　数据质量和数据预处理　/ 191

 

12.1　数据质量：为什么要对数据做预处理　/ 191

 

12.2　数据预处理的主要工作　/ 192

 

第13章　数据安全和隐私　/ 195

 

13.1　数据收集：了解隐私的最前沿　/ 195

 

13.2　策略考虑因素　/ 196

 

13.3　实施考虑因素　/ 200

 

13.4　总结　/ 201

 

第五篇　数据科学

 

第14章　数据分析　/ 204

 

14.1　什么是分析　/ 205

 

14.2　分析的类型　/ 206

 

第15章　数据探索　/ 221

 

15.1　概要　/ 221

 

15.2　数据探索的目标　/ 222

 

15.3　数据集　/ 222

 

15.4　描述性统计　/ 225

 

15.5　数据可视化　/ 229

 

15.6　数据探索路线图　/ 240

 

第16章　大数据、数据科学和数据挖掘　/ 242

 

16.1　先验知识　/ 244

 

16.2　数据准备　/ 246

 

16.3　建模　/ 249

 

16.4　应用　/ 253

 

16.5　总结　/ 255

 

第六篇　构筑数据驱动型企业

 

第17章　建立数据驱动文化　/ 258

 

17.1　数据收集　/ 260

 

17.2　报告　/ 261

 

17.3　警报　/ 262

 

17.4　从报告到警报再到分析　/ 263

 

17.5　数据驱动的标志　/ 265

 

17.6　分析成熟度　/ 267

 

第18章　构建大数据团队　/ 271

 

18.1　数据科学家　/ 271

 

18.2　团队挑战　/ 272

 

18.3　不同的团队，不同的目标　/ 272

 

18.4　别忘了数据　/ 273

 

18.5　更多挑战　/ 274

 

18.6　团队与文化　/ 274

 

18.7　量化成就　/ 275

 

第七篇　大数据实战

 

第19章　大数据使用实例　/ 278

 

19.1　大数据的使用与意义　/ 279

 

19.2　案例：大数据在金融领域的应用　/ 283

 

19.3　案例：大数据在地产领域的应用　/ 298

 

第20章　大数据分析和数据驱动决策的思维实战　/ 309

 

20.1　无处不在的数据机会　/ 309

 

20.2　数据科学、数据工程和数据驱动决策　/ 312

 

20.3　数据处理和大数据　/ 314

 

20.4　从大数据1.0到大数据2.0　/ 314

 

20.5　数据和数据科学能力作为战略资产　/ 315

 

20.6　数据分析思维　/ 317

 

20.7　具备数据分析技能的管理者　/ 318

 

20.8　数据挖掘与数据科学　/ 319

 

20.9　化学反应不只限于试管：数据科学与数据科学家的工作　/ 320

 

20.10　总结　/ 321

 

第21章　结语

 

21.1　全面解读　/ 322

 

21.2　通往大数据之路　/ 323

 

21.3　思索大数据的真实一面　/ 324

 

21.4　大数据实践　/ 325

 

21.5　深度解读大数据处理流程　/ 325

 

21.6　大数据可视化　/ 329

 

21.7　大数据隐私　/ 330