洞見數據價值：大數據採擷要案紀實（簡體書）

《洞見資料價值：大資料採擷要案紀實》是國際知名諮詢公司畢馬威的大資料團隊的集大成之作，內容豐富，觀點新穎，貼近大眾生活、工作與學習實際場景，內容不拘泥於技術闡釋，通過寓教於樂的方式，以豐富翔實的案例來解析大資料採擷，儘量通過常見的場景來闡述資料的價值與意義。
第1章介紹大資料在銀行業、征信業、審計、傳統製造業、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章重點介紹大資料分析在商業工作和行銷推廣中的作用。第3章介紹大資料採擷過程中涉及的資料的前期準備工作，重點介紹資料準備工作的要點和訣竅。第4章結合業務、生活、娛樂，寓教於樂，介紹大資料的實際應用方式。附錄部分介紹一位元資料工作者的成長之路，向感興趣的讀者介紹從事資料工作應該具備的素質和掌握的技能。
《洞見資料價值：大資料採擷要案紀實》可作為企業管理人員、行銷主管、分析人員、IT 人員等理解大資料、應用大資料為企業創造價值的指引，同時，《洞見資料價值：大資料採擷要案紀實》也可供統計學、應用數學及電腦專業學者和研究人員參考學習。

畢馬威中國大資料團隊，一個專注於大資料及資料採擷的專業團隊，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資料創造價值。團隊中既有資深的資料科學家、統計學博士，也有深入瞭解業務的分析專家，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資料內容，説明眾多讀者實踐大資料採擷。

目錄

第1章 大資料在各行各業 // 001
1.1 什麼是大數據？ // 002
1.1.1 非常流行的大資料概念 // 002
1.1.2 不那麼流行的大資料概念 // 006
1.1.3 也許會帶給你靈感的大資料概念 // 007
1.2 大資料在銀行業 // 029
1.2.1 業界展望：大資料，銀行業未來的核心動力 // 029
1.2.2 創新方向：大資料助力銀行網點實現轉型 // 036
1.3 大資料在征信業 // 041
1.3.1 業界展望：FICO 評分與芝麻信用，傳統征信向大資料征信的轉變 // 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：論大中型客戶數位化授信的可行性 // 054
1.4 大數據在審計業 // 057
1.4.1 業界展望：大資料分析如何支撐審計工作 // 057
1.4.2 創新方向：大資料能否代替傳統審計？ // 061
1.5 大資料在傳統製造業 // 065
業界展望：數位化企業進階指南 // 066
1.6 大資料在互聯網行業 // 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 大資料在輿情行業 // 076
創新方向：資料分析幫你掌握話語權 // 077
1.8 大資料在汽車行業 // 086
業界展望：征服汽車後市場，大資料與你同行 // 086
1.9 大資料在影視業 // 089
創新方向：星期幾上映的電影最具有票房號召力 // 090
1.10 大資料在環保產業 // 098
創新方向：北京治霾，能為你做點什麼 // 098
1.11 大資料在體育產業 // 104
創新方向：歐洲杯，跟著西班牙隊學資料採擷！ // 105
小結 // 109

第2章 大資料在商業領域的應用 // 111
2.1 推薦演算法在傳統銷售管道中的應用模式 // 112
2.2 巧用運籌優化，提升整合行銷管理水準 // 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 智慧薦食模型：大資料告訴你今天吃什麼 // 133
智慧薦食模型 // 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 社會網路分析法，助力信貸反欺詐 // 142
2.7 資料視覺化利器：SAS Visual Analytics // 145
2.7.1 為什麼需要資料視覺化？ // 145
2.7.2 資料視覺化的幾個常見例子 // 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 資料前期準備 // 171
3.1 從抗日武裝的發展談到資料治理 // 172
3.1.1 資料品質問題 // 173
3.1.2 資料應用問題 // 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資料？ // 182
3.3 如何利用資料倉庫優化資料分析？ // 189
3.4 二分類變數的資料缺失插補 // 193
3.5 資料離散化，如何避免丟失資訊？ // 201
3.6 如何避免資料離散化影響引數的重要性？ // 204
3.7 二分類模型中如何應對分類引數取值過多？ // 206

第4章 技術案例 // 211
4.1 建模變數太多怎麼辦？ // 212
4.2 信用評級模型怎麼評估？ // 215
4.3 觀察視窗怎麼選？ // 219
4.4 K折交叉驗證怎麼做？ // 223
4.5 如何衡量變數之間的相關性？ // 230
4.6 決策樹演算法真的越複雜越好嗎？ // 235
4.7 如何精選分類模型指標？ // 245
4.8 當資料分析遇上超級奶爸 // 250
4.9 深度挖掘，你的工資拖後腿了嗎？ // 253
4.10 用分位數回歸看你的工資水準 // 258

附錄A 一位元資料工作者的成長之路 // 265
A.1 資料分析師入門攻略 // 266
A.2 如何做一名“稱職”的資料專家？ // 269
A.3 一個資料倉庫轉型者眼中的資料採擷 // 271
A.4 預測科學：三點經驗談實際應用 // 276
A.5 資料模型多了，應該怎麼管？ // 277
A.6 手握資料採擷模型，你一定要知道怎麼用 // 281
A.7 淺談以史為鑒與資料分析 // 286

後記 // 297