商务智能：数据分析的管理视角（原书第3版） pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

[美] 拉姆什·沙尔达（Ramesh Sharda），[美] 杜尔森·德伦（Dursun Delen），[美] 埃弗雷姆·特班（Efraim Turban） 等 著，赵卫东 译

图书标签:

• 商务智能
• 数据分析
• 管理
• 决策支持系统
• 数据挖掘
• 商业分析
• 数据可视化
• 商业智能工具
• 数据战略
• 信息管理

出版社： 机械工业出版社

ISBN：9787111494393

版次：1

商品编码：11670153

品牌：机工出版

包装：平装

开本：16开

出版时间：2015-04-01

用纸：胶版纸

页数：321

编辑推荐

　　管理导向：《商务智能：数据分析的管理视角（原书第3版）》主要从管理视角详细介绍商务智能的应用和实施，同时非常重视商务智能技术层面的应用，尤其是新出现的一些新领域、新应用。
　　真实案例：通过大量全球大公司、小企业、政府机构和非营利组织的真实案例来生动形象地阐述相关概念和理论。
　　集成系统：《商务智能：数据分析的管理视角（原书第3版）》强调支持企业和众多用户的系统，而不是孤立的基于互联网的商务智能系统。
　　热点研究：本书分别从理论和应用角度对无线射频识别、云计算、社交网络、Web2.0、大数据等进行了阐述。

内容简介

　　《商务智能：数据分析的管理视角（原书第3版）》侧重于商务智能和为企业决策提供支持的业务分析。书中不仅介绍了传统的商务智能基本理论和应用，还介绍了当前商务智能涉及的新技术和新趋势，如社交网络、云计算、数据分析生态系统以及法律、隐私和道德问题等。
　　《商务智能：数据分析的管理视角（原书第3版）》可以作为管理科学、电子商务和企业管理等专业的MBA、研究生以及本科生商务智能、决策支持系统等课程的教材，也可以作为管理信息系统、商务数据分析等课程的辅助教材，还适合从事企业信息管理、业务分析的人士阅读。

作者简介

　　拉姆什·沙尔达（Ramesh Sharda）博士，商业主管项目主任，信息系统研究所所长，康菲石油公司技术管理主席，俄克拉荷马州立大学斯皮尔斯商学院管理科学与信息系统的杰出贡献教授，信息系统协会决策支持系统和知识管理专业组（SIGDSS）的共同创办人，服务于多个编辑委员会。他的研究方向包括决策支持系统、商务分析、信息过载管理技术。

　　杜尔森·德伦（Dursun Delen）博士，俄克拉荷马州立大学斯皮尔斯商学院管理科学与信息系统教授，创新医疗系统研究中心主任，业务分析教授。他的研究方向包括数据和文本挖掘、业务分析、决策支持系统、知识管理、商务智能和企业建模。

　　埃弗雷姆·特班（Efraim Turban）博士，夏威夷大学太平洋信息系统管理研究院访问学者，曾经就职于多所大学，包括香港城市大学、里海大学、佛罗里达国际大学、加利福尼亚州立大学长滩分校、东伊利诺伊大学以及南加利福尼亚大学。他还是世界各地许多公司的咨询师。他的研究方向包括基于Web的决策支持系统、社会化电子商务和协同决策

目录

Business Intelligence: A Managerial Perspective On Analytics, 3E
出版者的话
译者序
前言
作者简介
第1章　商务智能、数据分析和决策支持概述
1.1　开篇小插曲：Magpie Sensing公司使用分析技术高效而安全地管理疫苗供应链
1.2　变化的商业环境和计算机决策支持
1.3　商务智能架构
1.3.1　BI的定义
1.3.2　BI的简史
1.3.3　BI的架构
1.3.4　BI的起源和驱动力
1.3.5　BI中的多媒体练习
1.4　智能产生、使用与商务智能治理
1.4.1　智能产生和使用的循环过程
1.4.2　智能与窃取
1.5　事务处理与分析处理
1.6　成功的BI实施
1.6.1　典型的BI用户群体
1.6.2　合理规划与业务战略的统一
1.6.3　实时的、随需应变的BI是
可以实现的
1.6.4　开发或收购BI系统
1.6.5　理由和成本 -收益分析
1.6.6　安全和隐私保护
1.6.7　系统和应用的集成
1.7　数据分析概述
1.7.1　描述性分析
1.7.2　预测性分析
1.7.3　规范性分析
1.7.4　应用于不同领域的数据分析
1.7.5　数据分析还是数据科学
1.8　大数据分析简介
1.9　本书的安排
1.10　资源、链接和Teradata大学网络连接
1.10.1　资源和链接
1.10.2　供应商、产品和演示
1.10.3　期刊
1.10.4　Teradata大学网络连接
1.10.5　本书的网站
本章要点
关键词
问题讨论
练习
章末应用案例
参考文献
第2章　数据仓库
2.1　开篇小插曲：卡普里岛赌场利用企业数据仓库获胜
2.2　数据仓库的定义和概念
2.2.1　什么是数据仓库
2.2.2　数据仓库历史透视
2.2.3　数据仓库的特点
2.2.4　数据集市
2.2.5　操作数据存储
2.2.6　企业数据仓库
2.2　元数据
2.3　数据仓库流程概述
2.4　数据仓库架构
2.4.1　可选的数据仓库架构
2.4.2　哪种架构最好
2.5　数据集成以及提取、转换和加载过程
2.5.1　数据集成
2.5.2　提取、转换和加载
2.6　数据仓库的开发
2.6.1　数据仓库开发方法
2.6.2　数据仓库开发的其他思考
2.6.3　数据仓库中的数据表示
2.6.4　数据仓库中的数据分析
2.6.5　OLAP和OLTP
2.6.6　OLAP操作
2.7　数据仓库的实施问题
2.8　实时数据仓库
2.9　数据仓库管理、安全问题和未来趋势
2.10　资源、链接和Teradata大学网络连接
2.10.1　资源和链接
2.10.2　案例
2.10.3　供应商、产品和演示
2.10.4　期刊
2.10.5　其他参考文献
2.10.6　Teradata大学网络连接
本章要点
关键词
问题讨论
练习
章末应用案例
参考文献
第3章　业务报表、可视化分析与企业
绩效管理
3.1　开篇小插曲: 自助服务的报表环境为企业用户节省上百万美元
3.2　业务报表的定义和概念
3.2.1　什么是业务报表
3.2.2　业务报表系统的组件
3.3　数据与信息可视化
3.4　不同类型的图表
3.4.1　基本图表
3.4.2　专用图表
3.5　数据可视化与可视化分析的出现
3.5.1　可视化分析
3.5.2　高性能可视化分析环境
3.6　绩效仪表盘
3.6.1　仪表盘设计
3.6.2　在仪表盘中寻找什么
3.6.3　仪表盘设计的最佳实践
3.6.4　根据行业标准建立 KPI 基准
3.6.5　利用上下文元数据封装仪表盘度量
3.6.6　通过可用性专家检验仪表盘设计
3.6.7　在仪表盘中指定警报和异常的优先级
3.6.8　使用用户评论丰富的仪表盘
3.6.9　在3个不同层次展示信息
3.6.10　使用仪表盘设计准则选择正确的可视化方式
3.6.11　提供指导性分析
3.7　企业绩效管理
3.8　绩效度量
3.8.1　关键绩效指标
3.8.2　绩效度量系统
3.9　平衡记分卡
3.9.1　4个视角
3.9.2　平衡在BSC中的意义
3.9.3　仪表盘与平衡记分卡
3.10　作为绩效度量系统的六西格玛
3.10.1　DMAIC绩效模型
3.10.2　平衡记分卡与六西格玛
3.10.3　有效的绩效度量
本章要点
关键词
问题讨论
练习
章末应用案例
参考文献
第4章　数据挖掘
4.1　开篇小插曲：坎贝拉公司将高级分析和数据挖掘应用于更多客户
4.2　数据挖掘概念和应用
4.2.1　定义、特征和优势
4.2.2　数据挖掘原理
4.2.3　数据挖掘与统计学
4.3　数据挖掘应用
4.4　数据挖掘过程
4.4.1　步骤1：业务理解
4.4.2　步骤2：数据理解
4.4.3　步骤3：数据准备
4.4.4　步骤4：建模
4.4.5　步骤5：测试和评估
4.4.6　步骤6：部署
4.4.7　其他标准化的数据挖掘过程和方法
4.5　数据挖掘方法
4.5.1　分类
4.5.2　估算分类模型的准确率
4.5.3　数据挖掘聚类分析
4.5.4　关联规则挖掘
4.6　数据挖掘软件工具
4.7　数据挖掘的隐私问题、谬误和隐患
4.7.1　数据挖掘和隐私问题
4.7.2　数据挖掘谬误和隐患
本章要点
关键词
问题讨论
练习
章末应用案例
参考文献
第5章　文本与Web分析
5.1　开篇小插曲：《危险边缘》上的人机大战：Watson的故事
5.2　文本分析和文本挖掘概述
5.3　自然语言处理
5.4　文本挖掘应用
5.4.1　营销应用
5.4.2　安全应用
5.4.3　生物医学应用
5.4.4　学术应用
5.5　文本挖掘过程
5.5.1　任务1：建立语料库
5.5.2　任务2：创建词项-文档矩阵
5.5.3　任务3：提取知识
5.6　情感分析
5.6.1　情感分析应用
5.6.2　情感分析过程
5.6.3　极性识别方法
5.6.4　使用词典
5.6.5　使用训练文档集
5.6.6　识别句子和短语的语义倾向
5.6.7　识别文档的语义倾向
5.7　Web挖掘概述
5.8　搜索引擎
5.8.1　搜索引擎剖析
5.8.2　开发环
5.8.3　网络爬虫
5.8.4　文档索引器
5.8.5　响应环
5.8.6　查询分析器
5.8.7　文档匹配器/排名器
5.8.8　搜索引擎优化
5.8.9　搜索引擎优化的方法
5.9　Web使用挖掘（Web分析）
5.9.1　Web分析技术
5.9.2　Web分析度量
5.9.3　网站可用性
5.9.4　流量来源
5.9.5　访客特征
5.9.6　转化统计
5.10　社交分析
5.10.1　社交网络分析
5.10.2　社交网络分析度量
5.10.3　联系
5.10.4　分布
5.10.5　分割
5.10.6　社交媒体分析
5.10.7　人们如何使用社交媒体
5.10.8　评估社交媒体的影响
5.10.9　社交媒体分析的最佳实践
本章要点
关键词
问题讨论
练习
章末应用案例
参考文献
第6章　大数据与分析
6.1　开篇小插曲：当大数据遇上大数据科学
6.2　大数据的定义
6.3　大数据分析基础
6.4　大数据技术
6.4.1　MapReduce
6.4.2　为什么使用MapReduce
6.4.3　Hadoop
6.4.4　Hadoop如何工作
6.4.5　Hadoop技术组件
6.4.6　Hadoop：利与弊
6.4.7　NoSQL
6.5　数据科学家
6.6　大数据和数据仓库
6.6.1　Hadoop的使用案例
6.6.2　数据仓库的使用案例
6.6.3　灰色区域（任意一个都能胜任）
6.6.4　Hadoop和数据仓库共存
6.7　大数据供应商
6.8　大数据与流分析
6.8.1　流分析与持久性分析
6.8.2　关键事件处理
6.8.3　数据流挖掘
6.9　流分析的应用
6.9.1　电子商务
6.9.2　电信
6.9.3　法律实施与网络安全
6.9.4　电力行业
6.9.5　金融服务
6.9.6　健康科学
6.9.7　政府
本章要点
关键词
问题讨论
练习
章末应用案例
参考文献
第7章　业务分析：趋势与前景
7.1　开篇小插曲：俄克拉荷马州天然气及电力公司利用数据分析促进智能能源使用
7.2　为组织提供基于位置的分析
7.2.1　地理空间分析
7.2.2　实时位置智能
7.3　面向消费者的分析应用
7.4　推荐引擎
7.5　Web 2.0革命和在线社交网络
7.5.1　Web 2.0的典型特征
7.5.2　社交网络
7.5.3　定义和基本信息
7.5.4　商业和企业社交网络
7.6　云计算与商务智能
7.6.1　面向服务的DSS
7.6.2　数据即服务
7.6.3　信息即服务
7.6.4　分析即服务
7.7　数据分析对组织的影响
7.7.1　新的组织结构
7.7.2　重构业务流程和虚拟团队
7.7.3　工作满意度
7.7.4　工作压力和焦虑
7.7.5　分析工具对管理人员活动和绩效的影响
7.8　法律、隐私和道德问题
7.8.1　法律问题
7.8.2　隐私
7.8.3　最近涉及隐私和数据分析的技术问题
7.8.4　决策中的道德问题和支持
7.9　数据分析生态系统
7.9.1　数据分析行业的类别
7.9.2　数据基础设施供应商
7.9.3　数据仓库行业
7.9.4　中间件/BI平台行业
7.9.5　数据聚合商与分发商
7.9.6　专注于分析的软件开发者
7.9.7　报表和分析
7.9.8　预测性分析
7.9.9　规范性分析
7.9.10　特定行业或通用的应用开发者、系统集成者
7.9.11　分析工具的用户组织
7.9.12　行业分析师和影响者
7.9.13　教育机构和认证机构
本章要点
关键词
问题讨论
练习
章末应用案例
参考文献
索引

精彩书摘

　　《商务智能：数据分析的管理视角（原书第3版）》：
　　什么是大数据
　　我们的大脑运作极其迅速、高效，可以处理各种数据：图片、文字、音频、气味和视频。我们可以相对容易地处理各种类型的数据。相反，计算机则很难应对数据生成的速度，更不用说快速地分析了。这就是为什么产生了大数据问题。那么什么是大数据呢？简单地说，大数据就是不能再用单个存储单元存储的数据。通常大数据以不同的形式出现：结构化、非结构化、数据流等。这些数据的主要来源是网站的点击流、社交网络（例如，Facebook）的帖子、交通数据、传感器、天气等。搜索引擎（例如，Google）需要查询并为数10亿的页面编制索引才能在1秒内返回相关结果。虽然这不是实时的，但为因特网上所有的页面编制索引可不是件容易的事。幸运的是，Google有能力解决这个问题。除了其他工具外，Google还使用了大数据分析技术。
　　管理这种规模的数据包含两方面：存储和处理。如果我们能够购买一个非常昂贵的存储解决方案，将所有这些数据都存放在一个地方的单个存储单元内，那么使该存储单元具有容错能力需要花费大量成本。一种聪明的解决方法是将这些数据分块存储在不同的机器上，并由网络相互连接，将数据块的一份（或者两份）备份在逻辑上和物理上存储在网络的不同地方。这种方法最初由Google使用，称为Google文件系统（GoogleFileSystem），后来作为Apache项目的Hadoop分布式文件系统（HDFS）开发并发布。
　　然而，存储这些数据只完成了一半工作。如果不能提供商业价值，数据则毫无价值。换言之，要使数据发挥商业价值，就需要进行分析。如何分析如此庞大的数据？将所有计算交给一台超级计算机来完成是行不通的。如此规模的数据将对超级计算机产生很大开支。另一种聪明的方法被提出：将计算推送给数据，而不是将数据推给计算节点。这是一种新的范式，提供了一种处理数据的新方法。这就是我们今天称为Map Reduce的编程范式，使大数据的处理成为现实。MapReduee最初由Google提出，随后Apache发布了后续版本Hadoop Map Reduceo
　　如今，当我们谈论存储、处理或分析大数据时，总要涉及HDFS和Map Reduce。其他相关的标准和软件解决方案也被提出。虽然主要工具都是开源的，但一些公司也在该领域推出了特定的分析硬件和软件服务，例如：Horton Works、Cloudera和TeradataAster。
　　……

前言/序言

　　Business Intelligence: A Managerial Perspective On Analytics, 3E
　　分析已经成为当今时代的技术驱动器。许多公司，比如IBM、Oracle和Microsoft，正在创建基于分析的新部门，以帮助公司更加灵活有效地进行商业运作。决策者正在使用更加计算机化的工具来支持他们的工作。甚至消费者也在直接或间接地使用分析工具帮助做日常活动的决策，例如购物、健康护理和娱乐。商务智能（Business Intelligence，BI）领域正在朝着实时数据流的创新应用发展，这些数据在过去都没有被捕获过，且没有一种有效的方法对数据进行分析。新的应用转向了日常健康护理、运动、娱乐、供应链管理、公共设施和几乎所有可以想象的行业。
　　除了传统的决策支持应用外，第3版利用案例、产品、服务和练习，以及基于网络的问题讨论将读者的视角扩展到不同的分析类型中。我们重点讨论了网络智能和网络分析，这些内容与电子商务及其他网络应用领域的商务智能和业务分析（Business Analytics，BA）是并列的。本书由一个独立网站（pearsonhighered.com/sharda）和dssbibook.com上的一个非独立站点提供支持。我们也在网站的一个专区提供了许多软件指导书的链接。
　　本书旨在向读者介绍统称为分析的技术。本书介绍了这些技术的基本原理、系统构建和使用的方式。我们按照EEE方法来组织这些主题：展示（Exposure）、体验（Experience）、探索（Explore）。本书主要展示了不同分析技术及其应用，旨在使学生了解其他组织怎样运用分析技术做决策或获得竞争力，并从中收获知识。我们相信展示可以用分析做些什么和怎样做是学习分析的关键。在描述这些技术时，我们也介绍了一些软件工具，帮助学生体验这些技术。虽然每一章都给出了具体的建议，但是学生和教师可以结合不同的软件工具使用本书。本书对应的网站包括具体的软件指导，但是学生仍然能够通过不同的方法体验这些技术。最后，我们希望这样的展示和体验能够激励读者探索这些技术在他们所在领域的潜能。为了促成这样的探索，我们在书中提供了练习，指导读者加入Teradata大学网络和其他包含团队练习的网站。我们也重点介绍了在网站中新的创新应用。
　　第3版的大量工作集中在3个部分：改编、内容更新和重点更清晰。除了这些修改工作外，我们仍然保留了综合性和用户友好性，使本书在市场上占据领先地位。最后，我们提供了其他书籍没有的准确、及时的素材。下面我们将具体说明第3版中的变化。
　　第3版增加了什么内容
　　为了改善质量，第3版对内容进行了大规模改编，将本书的重点放到分析上。本版主要围绕着三种类型的分析组织全书，并且增加了许多新内容，删除了一些过时的内容。下面列出了几个主要的变化：
　　新的组织结构　本书介绍了INFORMS提出的三种类型的分析：描述性（descriptive）分析预测性（predictive）分析和规范性（prescriptive）分析。第1章首先介绍商务智能和分析，第2章对数据仓库和数据集成进行概述。第3章包括描述性分析或报表分析，重点讨论可视化和商业性能评估。第4章介绍有关预测性分析的内容。第5章将分析领域扩展至文本、Web和社交媒体。第6章介绍大数据和分析。第7章对业务分析未来的趋势和主题进行讨论，例如基于位置的智能、移动计算、基于云的分析和隐私/道德问题。第7章还对分析生态系统进行了概述，帮助读者了解所有不同的方法。
　　新的章节　本书增加了以下章节：
　　第5章涉及许多流行话题，包括文本挖掘、Web分析和社交分析，几乎是全新的一章（95%是新内容）。
　　第6章介绍大数据和分析，涵盖了大数据技术的主要组成和特征。本章也是全新的一章（99%是新内容）。
　　第7章分析了几个正在改变或将要改变的分析技术的新现象，包括基于位置的分析应用、面向消费者的分析应用、移动平台、基于云的分析和隐私/道德问题。在第7章的结尾，对分析生态系统进行了讨论（90%是新内容）。
　　精简的内容　为了使本书更加精简，我们只保留了最常用的内容。我们也几乎删除了所有网上的内容，使用网站提供更新的内容和链接。此外，也减少了每章参考文献的数量。
　　更新的作者团队　在第2版作者（Turban、Sharda、Delen和King）编写的精彩内容的基础上，第3版主要由Ramesh Sharda和Dursun Delen进行修订。Ramesh Sharda和Dursun Delen在业界和学术界都拥有丰富的决策支持系统和分析方面的工作经验。
　　为幻灯片配置的新图　虽然印刷版保留了上一版的原图并且增加了许多新图，但是我们重画了许多图，这些彩色图可以在图片库中得到。
　　实时更新网站　本书提供了一个网站（dssbibook.com），该网站包括书中提到的新闻故事、软件和YouTube视频的链接。
　　修订和更新的内容　几乎所有的章节都更换了新的开篇小插曲和章末应用案例，这些内容都是根据最新的故事和事件编写的。此外，我们更新了本书的应用案例，包括一些特定技术/模型应用的最新案例。我们也删除了一些较老的产品链接和参考文献。最后，大部分章节都有新的练习、网络任务和讨论问题。
　　第3版前几章的主要变化如下所述。
　　第1章介绍INFORMS提出的3种类型的分析：描述性分析、预测性分析和规范性分析。正如前面提到的，我们利用这种分类对本书进行重组。第1章有60%的内容是新的。
　　第2章
　　更新了30%的内容（包含案例在内）。
　　新的开篇案例。
　　几乎全新的案例。
　　一个历史性的数据仓库视角。
　　更好地覆盖了多维建模（星形模式和雪花模式）。
　　更好地覆盖了数据仓库未来的发展。
　　第3章
　　更新了60%的内容，尤其是在可视化分析和报表部分。
　　几乎全新的案例。
　　第4章
　　更新了25%的内容。
　　几乎全新的案例。
　　第5～7章几乎是全新的章节。
　　我们对第2版也做了一些增强型改进，并更新了内容，总结如下：
　　到Teradata大学网络（TUN）的链接　大部分章节包括了到TUN的新链接（teradata- universitynetwork.com）。
　　书名　书名和重点内容已经明显改变。
　　软件支持　TUN网站提供了免费的软件支持以及免费的数据挖掘和其他软件的链接。此外，该网站也提供了使用类似软件的练习。
　　致谢
　　自从本书第1版出版以来，有许多人提出了意见和建议，也有许多学生参与了章节、软件和问题的测验，并辅助我们收集材料。想要列出所有参与该项目的人是很难的，我们在这里感谢所有的人。值得特别提出的是，他们中有些人做出了卓越贡献。
　　第一，我们感谢所有为第1～3版正式评审做出贡献的人，他们是：
　　Ann Aksut，中部皮德特社区学院
　　Bay Arinze，德雷塞尔大学
　　Ranjit Bose，新墨西哥大学
　　Marty Crossland，中美拿撒勒大学
　　Kurt Engemann，爱纳大学
　　Badie Farah，东密歇根大学
　　Gary Farrar，哥伦比亚大学
　　Jerry Fjermestad，新泽西理工学院
　　Christie M. Fuller，路易斯安那理工大学
　　Martin Crossman，布里奇沃特州立学院
　　Jahangir Karimi，美国科罗拉多大学丹佛学院
　　Huei Lee，东密歇根大学
　　Natalie Nazarenko，纽约州立大学弗雷多尼亚分校
　　Asil Oztekin，马萨诸塞大学卢维尔分校
　　Kala Chand Seal，洛约拉马利蒙特大学
　　Roger Wilson，费尔蒙特州立大学
　　Vincent Yu，密苏里科技大学
　　Fan Zhao，佛罗里达海湾海岸大学
　　同时，我们感谢为第3版图书和其他决策支持系统书籍——《Business Intelligence and Analytics：Systems for Decision Support》第10版（培生教育，2013）正式评审付出努力的人。
　　第二，许多人为本书的材料和支持素材做出了贡献。Teradata（天睿公司）的Susan Baxley和David Schrader帮助我们收集了新的TUN内容并获得许可。《OR/MS Today》的编辑Peter Horner允许我们从《OR/MS Today》和《Analytics Magazine》中总结应用案例。我们也感谢INFORMS允许我们引用《Interfaces》中的内容。这里，我们特别感谢来自俄克拉荷马州立大学的Natraj Ponna、Daniel Asamoah、Kartik Dasika、Clara Gregory和Amy Wallace的协助。
　　第三，我们感谢Dave King（JDA软件公司）。对上一版内容做出主要贡献的还有同著者：J. Aronson（佐治亚大学）负责数据仓库一章；Mike Goul（亚利桑那州立大学）主要负责第1章；T. P. Liang（中国台湾中山大学）主要负责神经网络内容。Judy Lang曾与我们一起合作，参与编辑，并在第1版出版的整个过程中为我们提供指导。
　　第四，感谢与我们合作的生产商，他们向我们提供了开发软件或演示软件：Acxiom公司（小岩城，阿肯色州）、California Scientific Software公司（内华达城，加利福尼亚州）、Cary Harwin of Catalyst Development公司（尤卡谷，加利福尼亚州）、Demandtec公司（圣卡罗，加利福尼亚州）、DS Group股份有限公司（格林尼治，康涅狄格州）、Greygory Piatesky-Shapiro of KDNuggets.com公司（盖恩斯维尔，佛罗里达州）、Gary Lynn of NeuroDimension股份有限公司（盖恩斯维尔市，佛罗里达州）、Palisade Software（纽菲德，纽约州）、Promised Land Technologies公司（纽黑文市，康涅狄格州）、Salford Systems（拉由拉布，加利福尼亚州）、Sense Networks（纽约，纽约州）、Gary Miner of StatSoft股份有限公司（塔尔萨，俄克拉荷马州）、Ward Systems Group股份有限公司（弗雷德里克，马里兰州）、Idea Fisher Systems股份有限公司（欧文，加利福尼亚州）和Wordtech Systems公司（奥林达，加利福尼亚州）。
　　第五，我们感谢Teradata大学网络，特别是项目经理Susan Baxley和TUN创始人Hugh Watson。我们还感谢Michael Goul、Barb Wixom和Mary Gros，是他们鼓励我们将该书与TUN联合，并为我们提供了大量素材。
　　第六，我们对培生团队给予表彰：责任编辑Bob Horan安排了这个项目；培生教育的Tom Benfatti编写了内容，Integra软件服务公司的George和员工将手稿变成书。
　　在此，我们感谢所有这些人和企业，没有他们的帮助，本书就不可能完成。




alt="" />

《商业智能：驱动企业战略决策的变革之道》 在瞬息万变的商业环境中，信息就是力量。然而，仅仅拥有大量数据早已不足以支撑企业在激烈的竞争中脱颖而出。真正能够转化为竞争优势的，是能够洞察数据背后深层含义、指导战略方向的智能。本书《商业智能：驱动企业战略决策的变革之道》正是为致力于解锁数据潜能、实现企业智能化转型的管理者和从业者量身打造的全面指南。 本书并非简单罗列技术名词或介绍冰冷的代码，而是从战略层面出发，深入剖析商业智能（Business Intelligence, BI）如何成为现代企业不可或缺的核心能力。它着眼于“为什么”和“如何做”，帮助读者理解为何BI如此关键，以及如何在组织内部有效地构建、实施和优化BI体系，从而实现可持续的业务增长和竞争优势。 第一部分：重塑认知——理解商业智能的战略价值 在当今信息爆炸的时代，企业每天都在产生海量的数据：从客户交易记录、市场营销活动反馈，到运营流程效率、供应链动态，再到员工绩效表现，无一不蕴含着巨大的商业价值。然而，这些数据如同未经雕琢的原石，需要专业的工具和方法才能将其转化为闪耀的钻石——有价值的商业洞察。 本书的第一部分将引领读者跳出传统的数据处理思维，认识到商业智能的真正战略意义。它不仅仅是报表制作和数据可视化，更是企业战略决策的“千里眼”和“顺风耳”。我们将探讨： 商业智能的演进与未来趋势： 从早期的报表系统到如今的预测分析和人工智能驱动的决策支持，BI的进化历程揭示了其不断适应商业需求变化的能力。了解未来的发展方向，有助于企业提前布局，抓住机遇。 BI与企业战略目标的高度契合： 无论您的企业目标是提升客户满意度、优化运营成本、拓展新市场，还是创新产品服务，BI都能提供强有力的支撑。本书将通过丰富的案例，展示BI如何将模糊的战略愿景转化为可执行、可衡量的具体行动。 数据驱动决策的文化变革： BI的成功实施，绝不仅仅是技术问题，更是一场深刻的组织文化变革。我们将分析如何培养一种崇尚数据、基于事实进行决策的文化，打破部门壁垒，促进跨团队协作，让数据成为全员的共同语言。 BI在不同行业和职能领域的应用： 从零售业的精准营销到制造业的精益生产，从金融业的风险控制到医疗保健的个性化服务，BI的应用场景广阔而深入。本书将逐一剖析BI在营销、销售、运营、财务、人力资源等核心职能部门发挥的关键作用。 第二部分：构建基石——打造高效能的BI平台与体系 有了正确的战略认知，接下来的关键是如何构建一个坚实可靠的BI平台和完善的体系，使其能够支撑企业持续不断的数据洞察需求。本部分将深入探讨BI平台建设的核心要素和关键考量。 数据源的整合与治理： 原始数据往往分散在不同的系统、格式各异，这为BI分析带来了巨大的挑战。本书将详细介绍数据仓库（Data Warehouse）、数据集市（Data Mart）的概念，以及ETL（Extract, Transform, Load）过程的重要性。我们将重点讲解数据治理（Data Governance）的原则与实践，确保数据的准确性、一致性、完整性和安全性，为后续分析打下坚实基础。 BI工具的选择与部署： 市场上的BI工具琳琅满目，各有特色。本书将提供一套系统性的选型指南，帮助管理者根据企业的规模、预算、技术能力和具体需求，选择最适合的BI平台。我们将介绍主流BI工具的功能特点、部署模式（云端 vs. 本地部署），以及评估工具供应商的维度，确保您的投资物有所值。 数据模型的设计与优化： 数据模型是连接原始数据和最终洞察的桥梁。本书将深入讲解维度建模（Dimensional Modeling）等核心数据建模技术，以及如何设计出既能满足当前分析需求，又能灵活应对未来变化的优化模型。一个好的数据模型，能够显著提升报表加载速度和查询效率。 报表、仪表板与自助式分析： 最终，BI的价值体现在能够将复杂的数据转化为易于理解的图表、报表和仪表板。本书将探讨如何设计出信息量丰富、视觉效果直观、用户体验友好的BI报表和仪表板。同时，我们将重点介绍自助式BI（Self-Service BI）的理念和实现方式，赋能业务用户独立进行数据探索和分析，从而提高决策的响应速度。 BI系统的性能优化与可扩展性： 随着数据量的增长和用户数量的增加，BI系统的性能和可扩展性变得至关重要。本书将分享性能调优的关键技术，以及如何规划BI系统的未来扩展，确保其能够随着业务的发展而持续演进。 第三部分：赋能决策——将BI洞察转化为 actionable insights 拥有强大的BI平台只是第一步，如何将平台产出的数据洞察转化为切实可行的业务行动，实现真正的“智能决策”，才是BI成功的最终衡量标准。本部分将聚焦于BI的落地应用与价值最大化。 高级分析与预测建模： BI的边界正在不断拓展，本书将介绍如何引入更高级的分析技术，如统计分析、机器学习、预测建模等，帮助企业预见未来趋势、识别潜在风险、发现新的增长机会。我们将探讨这些技术如何与传统BI相结合，提供更深层次的洞察。 仪表板设计原则与最佳实践： 一个好的仪表板不仅仅是数据的堆砌，更是战略信息的浓缩。本书将提供一套详细的仪表板设计原则，包括明确的关键绩效指标（KPIs）、清晰的可视化布局、交互式功能的设计，以及如何根据不同用户群体定制仪表板，确保信息传递的效率和有效性。 赋能业务用户——BI的普及与培训： BI的价值在于被广泛使用。本书将强调赋能业务用户的重要性，提供关于如何进行BI培训、推广BI工具使用、建立BI社区以及鼓励数据驱动文化建设的实用建议。当业务人员能够轻松使用BI工具解决问题时，BI的价值才能真正释放。 BI与绩效管理联动： 将BI与企业的绩效管理体系紧密结合，能够有效地将数据洞察转化为可衡量的业务成果。本书将探讨如何设定基于数据的绩效目标，如何通过BI实时监控绩效表现，以及如何利用BI分析绩效差异的原因，驱动持续改进。 BI的风险管理与合规性： 在数据驱动的时代，数据安全、隐私保护和合规性是不可忽视的重要方面。本书将指导管理者如何建立BI系统的风险管理框架，确保数据使用符合相关法律法规要求，维护企业的声誉和信誉。 BI项目的实施与管理： BI项目的成功离不开有效的项目管理。本书将分享BI项目从需求收集、方案设计、开发实施到上线运维的全过程管理方法，包括团队组建、沟通协调、风险控制和变更管理等关键环节。 第四部分：迈向卓越——BI的持续优化与未来展望 商业智能的旅程并非一蹴而就，而是一个持续学习、不断优化的过程。本书的最后部分将带领读者展望BI的未来，探讨如何使BI成为企业持续竞争力的源泉。 BI的成熟度模型与评估： 如何评估企业当前的BI成熟度？本书将介绍BI成熟度模型，帮助管理者识别企业在BI发展各个阶段的优势与不足，并提供具体的改进方向。 AI与机器学习在BI中的深化应用： 人工智能（AI）和机器学习（ML）正在以前所未有的方式重塑BI领域。本书将深入探讨AI/ML如何赋能自动化数据分析、智能预测、异常检测、自然语言交互（NLI）等，为企业带来更智能、更高效的决策支持。 实时数据分析与流式处理： 随着业务节奏的加快，对实时数据的需求日益增长。本书将探讨实时数据处理技术，如流式计算，如何支持企业在瞬息万变的商业环境中快速响应。 数据伦理与负责任的AI： 在数据应用日益广泛的今天，数据伦理和负责任的AI原则变得尤为重要。本书将引导管理者思考如何在BI应用中坚守道德底线，确保公平、透明和负责任的数据使用。 构建数据驱动型组织： 最终，BI的最高境界是打造一个真正的数据驱动型组织。本书将提供一套系统性的战略框架，帮助企业将BI深深植根于企业文化和日常运营之中，实现数据智能的全面普及与价值最大化。 《商业智能：驱动企业战略决策的变革之道》不仅仅是一本技术手册，更是一本战略启迪之书。它旨在帮助您理解BI的深层价值，掌握构建与应用BI的关键技能，并最终将数据转化为驱动企业持续创新与增长的强大引擎。无论您是企业高管、IT决策者，还是业务分析师，都能从中获得宝贵的启示和实用的指导，踏上通往数据智能卓越之路。

评分☆☆☆☆☆

当我在书店浏览时，这本书的书名立刻吸引了我的目光：“商务智能：数据分析的管理视角（原书第3版）”。“商务智能”这个词汇本身就充满了吸引力，它暗示着一种能够提升企业智慧和决策能力的工具。而“数据分析的管理视角”则更是点睛之笔，它表明这本书并非仅仅关注技术层面的数据处理，而是从一个更高、更宏观的视角出发，探讨数据分析如何服务于企业的管理和战略。我尤其对“原书第3版”这个标记感到欣慰，这通常意味着这本书的内容经过了多年的打磨和优化，紧随行业发展，能够提供最新、最可靠的知识。作为一个在商业领域摸爬滚打多年的从业者，我深知数据的重要性，但常常感到在数据的海洋中迷失方向，不知如何有效地利用它们来指导决策。我希望这本书能够为我提供一个清晰的框架，让我能够更好地理解数据分析的价值，掌握实用的分析方法，并最终将这些知识转化为提升企业竞争力的实际行动。

评分☆☆☆☆☆

我个人一直认为，信息时代的核心竞争力，很大程度上体现在对数据的运用能力上。特别是对于企业管理者而言，如何从海量的数据中挖掘出有价值的商业洞察，进而指导战略决策，是区分优秀企业和普通企业的重要标志。这本书的标题，尤其是“商务智能”和“数据分析的管理视角”这两个关键词，让我对其内容充满了期待。我迫切希望书中能够深入浅出地阐述，如何将复杂的数据转化为清晰、可执行的商业洞察。我希望它不仅能够介绍各种数据分析工具和技术，更重要的是，能够教导我如何从宏观的管理层面去理解和运用这些工具，如何将数据分析的结果有效地融入到企业的战略规划、运营优化、风险管理以及客户关系管理等各个环节。我更期待书中能够提供一些实际的案例研究，通过具体的商业场景，来展示数据分析在解决实际问题中的强大力量，并且能够让我学习到如何构建一个以数据为驱动的企业文化。

评分☆☆☆☆☆

我一直对商业决策背后的逻辑充满好奇，尤其是当数据变得越来越唾手可得时，如何从中提炼出有价值的洞察，并将其转化为切实的商业行动，这似乎是现代企业成功的关键。这本书的书名，尤其是“数据分析的管理视角”这几个字，精准地击中了我的痛点。很多时候，市面上关于数据分析的书籍，要么过于侧重技术细节，让人望而却步，要么过于理论化，缺乏实际应用指导。我期待这本书能够架起技术与管理之间的桥梁，让我这个非技术背景的管理者，也能深刻理解数据分析的原理，掌握分析的方法，更重要的是，能够将这些分析结果有效地应用于日常的管理决策中，比如市场营销策略的制定、产品开发的优先级排序、客户关系的维护等等。我希望这本书能够帮助我摆脱“凭感觉”做决定的困境，而是能够基于可靠的数据分析，做出更科学、更明智的判断。我希望它不仅仅提供“是什么”，更能告诉我“怎么做”，并且是从一个管理者的角度出发，考虑资源分配、团队协作、风险控制等实际问题。

评分☆☆☆☆☆

我一直对商业领域的信息化建设和决策支持系统非常感兴趣，尤其是在大数据时代，如何将海量的数据转化为企业决策的有力支撑，是衡量一个企业竞争力的重要标准。这本书的标题，“商务智能：数据分析的管理视角（原书第3版）”，准确地抓住了我的兴趣点。“商务智能”本身就包含了提升商业洞察力的含义，而“数据分析的管理视角”则进一步聚焦了其应用层面，表明它并非一本纯粹的技术手册，而是更侧重于管理者如何理解和运用数据分析来驱动业务发展。我非常期待书中能够深入探讨如何将数据分析融入到企业的日常运营和战略规划中，例如在市场营销、产品开发、客户服务等方面的实际应用。同时，“原书第3版”的标识也让我对其内容的权威性和时效性有了更高的期待，我相信它能够提供当前行业最新的知识和最佳实践。这本书的标题设计本身就传递出一种专业、务实、且具有前瞻性的信息，让我对它充满了好奇和求知欲。

评分☆☆☆☆☆

这本书的封面设计给我留下了深刻的第一印象。它并非那种华而不实的风格，而是透着一种沉稳而专业的质感。深邃的蓝色作为主色调，象征着智慧和深度，而银色的文字则在深蓝的背景下显得格外醒目，传递出信息和洞察力。书名“商务智能：数据分析的管理视角（原书第3版）”清晰而有力地表明了其核心内容，尤其“管理视角”这个词，立刻点燃了我对这本书的兴趣。我一直认为，数据分析不应仅仅是技术人员的专属领域，而应是管理者们能够理解、掌握并有效运用的强大工具。原书第3版这个标识，也让我对这本书的权威性和内容的更新程度有了初步的信心，毕竟一本能够不断修订再版的书籍，往往经过了时间的检验和读者的反馈，其价值不言而喻。封面的设计细节，比如字体的大小、排版的疏密，都恰到好处，没有一丝冗余，仿佛在暗示着书中内容的精炼和重点突出。我甚至能想象到，当这本书摆放在办公室的书架上，它不仅仅是一本书，更是一种态度的体现，一种对数据驱动决策的重视和追求。这让我对接下来的阅读充满了期待，希望它能为我带来全新的视角和实用的知识。

评分☆☆☆☆☆

很好

评分☆☆☆☆☆

教材

评分☆☆☆☆☆

OK

评分☆☆☆☆☆

OK

评分☆☆☆☆☆

质量不错. 值得购买. O(∩_∩)O哈哈~

评分☆☆☆☆☆

里面有很多teradata的案例，挺好的，开拓眼界

评分☆☆☆☆☆

OK

评分☆☆☆☆☆

很不错? 讲解的很清楚 适合入门的朋友看

评分☆☆☆☆☆

翻译版的质量还是不错的，思路清晰深入浅出。推荐看下