国产91青青成人a在线/在线视频成人/aaa成人永久在线观看视频/深夜草莓视频app

《洞見數據價值：大數據挖掘要案紀實》是國際知名咨詢公司畢馬威的大數據團隊的集大成之作，內容豐富，觀點新穎，貼近大眾生活、工作與學習實際場景，內容不拘泥于技術闡釋，通過寓教于樂的方式，以豐富翔實的案例來解析大數據挖掘，盡量通過常見的場景來闡述數據的價值與意義。 第1章介紹大數據在銀行業、征信業、審計、傳統制造業、互聯網行業、輿情監控、影視業、環保產業以及體育產業等多個領域的應用方案和前景。第2章重點介紹大數據分析在商業工作和營銷推廣中的作用。第3章介紹大數據挖掘過程中涉及的數據的前期準備工作，重點介紹數據準備工作的要點和訣竅。第4章結合業務、生活、娛樂，寓教于樂，介紹大數據的實際應用方式。附錄部分介紹一位數據工作者的成長之路，向感興趣的讀者介紹從事數據工作應該具備的素質和掌握的技能。 《洞見數據價值：大數據挖掘要案紀實》可作為企業管理人員、營銷主管、分析人員、IT 人員等理解大數據、應用大數據為企業創造價值的指引，同時，《洞見數據價值：大數據挖掘要案紀實》也可供統計學、應用數學及計算機專業學者和研究人員參考學習。

畢馬威亞太區及中國主席陶匡淳先生傾情作序推薦，畢馬威中國大數據團隊傾力打造，全面闡述大數據在各行各業的價值

序言

越是基本的理念，往往越能成為時代的標志、價值的度量，數據正是如此。

2020年，全球數據總量預計將超過44千萬億兆字節，數據之大，正如我們日常呼吸的空氣一般不可缺少。這意味著世界上的一切都在產生數據，一切都在使用數據；萬事萬物都可以數據化，而數據也成為價值的新載體。大數據時代也就是說，這樣一個以數據衡量價值的時代，我們已經置身其中。

今日，大數據已不僅僅是一個新興概念。國家、機構、企業都擁有數據，也急需使用數據，而物聯網等理念的興起，云計算等技術的應用，讓我們能夠幫助他們探索、挖掘、利用數據中的價值，能夠存儲、流通、關聯、交換、使用大數據，開發每一個環節中的能量。大數據是資源，是一座亟待開掘的金礦。

毫無疑問，大數據擁有巨大的商業潛力和創造力，而這樣的潛力和創造力，當然也屬于畢馬威中國大數據團隊。

本書正是畢馬威中國大數據團隊的心血之作，匯聚了其微信公眾號中的精品文章。該大數據團隊建立幾年以來，我一直非常欣賞團隊的業務能力和業績表現，同樣，文如其人，他們在這本書中展現出的實力、動力和潛力也令人贊嘆。

學術成果一向是新興行業的驅動力，而業務能力是學術與實際工作的銜接點：大數據團隊是一個集合了這兩方面高端人才的團隊，本書中的作品，專注學術、扎根業務，也體現了不俗的行業發展眼光。何況，寫這樣的文章，一篇或許容易，但能在繁忙的日常工作之余堅持一年之久則殊為不易；如果不是對數據領域有深切的熱愛，又怎么會有這樣的動力呢？這本著作見證了團隊的成長，更是團隊潛力的明證。我相信，本書的讀者們也一定會有同樣的感覺。

大數據時代，誰掌握了數據，誰就掌握了價值，也掌握了世界的節奏。面對數據之潮，畢馬威中國一直力求一馬當先，而大數據團隊正是公司內的行業先驅。大鵬一日同風起，摶搖直上九萬里，我不由得心生期待，想要看看這樣一個出色的團隊還能給我和讀者們帶來怎樣的驚喜。

陶匡淳

畢馬威亞太區及中國主席

畢馬威中國大數據團隊，一個專注于大數據及數據挖掘的專業團隊，堅持有效結合分析、技術與業務三方面，多次幫助多家大型銀行、保險公司、老牌企業等重要客戶利用大數據創造價值。團隊中既有資深的數據科學家、統計學博士，也有深入了解業務的分析專家，在業界有一定影響力。團隊持續分享結合實際業務的精品大數據內容，幫助眾多讀者實踐大數據挖掘。

目錄

第1章 大數據在各行各業 // 001

1.1 什么是大數據？ // 002

1.1.1 非常流行的大數據概念 // 002

1.1.2 不那么流行的大數據概念 // 006

1.1.3 也許會帶給你靈感的大數據概念 // 007

1.2 大數據在銀行業 // 029

1.2.1 業界展望：大數據，銀行業未來的核心動力 // 029

1.2.2 創新方向：大數據助力銀行網點實現轉型 // 036

1.3 大數據在征信業 // 041

1.3.1 業界展望：FICO 評分與芝麻信用，傳統征信向大數據征信的轉變 // 042

1.3.2 創新方向一：從拒絕推斷看個人征信業的大有可為 // 046

1.3.3 創新方向二：論大中型客戶數字化授信的可行性 // 054

1.4 大數據在審計業 // 057

1.4.1 業界展望：大數據分析如何支撐審計工作 // 057

1.4.2 創新方向：大數據能否代替傳統審計？ // 061

1.5 大數據在傳統制造業 // 065

業界展望：數字化企業進階指南 // 066

1.6 大數據在互聯網行業 // 069

創新方向：從滴滴收購優步看壟斷企業的馬太效應 // 069

1.7 大數據在輿情行業 // 076

創新方向：數據分析幫你掌握話語權 // 077

1.8 大數據在汽車行業 // 086

業界展望：征服汽車后市場，大數據與你同行 // 086

1.9 大數據在影視業 // 089

創新方向：星期幾上映的電影最具有票房號召力？ // 090

1.10 大數據在環保產業 // 098

創新方向：北京治霾，能為你做點什么？ // 098

1.11 大數據在體育產業 // 104

創新方向：歐洲杯，跟著西班牙隊學數據挖掘！ // 105

小結 // 109

第2章 大數據在商業領域的應用 // 111

2.1 推薦算法在傳統銷售渠道中的應用模式 // 112

2.2 巧用運籌優化，提升整合營銷管理水平 // 116

2.3 關聯規則的應用 // 121

2.3.1 小談關聯規則 // 121

2.3.2 購物籃分析：絕不只是啤酒與尿布 // 124

2.3.3 創新方向：靠關聯規則重獲新生的東北小館 // 128

2.4 智能薦食模型：大數據告訴你今天吃什么 // 133

智能薦食模型 // 134

2.5 顧客時空模型：其實天下沒有免費的 WiFi // 138

2.5.1 無處不在的免費 WiFi // 138

2.5.2 顧客時空模型 // 139

2.5.3 進一步挖掘 // 141

2.6 社會網絡分析法，助力信貸反欺詐 // 142

2.7 數據可視化利器：SAS Visual Analytics // 145

2.7.1 為什么需要數據可視化？ // 145

2.7.2 數據可視化的幾個常見例子 // 146

2.8 文本挖掘，幫你識別網購評論是真是假 // 151

2.9 路徑優化：如何改良快遞送貨路線？ // 156

第3章 數據前期準備 // 171

3.1 從抗日武裝的發展談到數據治理 // 172

3.1.1 數據質量問題 // 173

3.1.2 數據應用問題 // 174

3.1.3 實施策略和路徑問題 // 176

3.2 如何生成你需要的基礎數據？ // 182

3.3 如何利用數據倉庫優化數據分析？ // 189

3.4 二分類變量的數據缺失插補 // 193

3.5 數據離散化，如何避免丟失信息？ // 201

3.6 如何避免數據離散化影響自變量的重要性？ // 204

3.7 二分類模型中如何應對分類自變量取值過多？ // 206

第4章 技術案例 // 211

4.1 建模變量太多怎么辦？ // 212

4.2 信用評級模型怎么評估？ // 215

4.3 觀察窗口怎么選？ // 219

4.4 K折交叉驗證怎么做？ // 223

4.5 如何衡量變量之間的相關性？ // 230

4.6 決策樹算法真的越復雜越好嗎？ // 235

4.7 如何精選分類模型指標？ // 245

4.8 當數據分析遇上超級奶爸 // 250

4.9 深度挖掘，你的工資拖后腿了嗎？ // 253

4.10 用分位數回歸看你的工資水平 // 258

附錄A 一位數據工作者的成長之路 // 265

A.1 數據分析師入門攻略 // 266

A.2 如何做一名稱職的數據專家？ // 269

A.3 一個數據倉庫轉型者眼中的數據挖掘 // 271

A.4 預測科學：三點經驗談實際應用 // 276

A.5 數據模型多了，應該怎么管？ // 277

A.6 手握數據挖掘模型，你一定要知道怎么用 // 281

A.7 淺談以史為鑒與數據分析 // 286

后記 // 297