商务智能：数据分析的管理视角 （未拆封）

RameshSharda（威斯康星大学麦迪逊分校工商管理硕士、博士），俄克拉何马州立大学（OSU）斯皮尔斯商学院负责研究和研究生课程的副院长，沃森/康菲石油公司讲席教授，管理科学与信息系统专业校董教授。他参与创立并指导了俄克拉何马州立大学面向高管的商学博士课程。他发表的研究论文多达200余篇，主要刊物包括《运筹学》《管理科学》《信息系统研究》《决策支持系统》和《管理信息系统杂志》等。他参与创立了信息系统协会（AIS）关于决策支持系统和知识管理的专业兴趣小组（SIGDSA）。Sharda博士担任多个编辑委员会委员，包括《决策科学杂志》《决策支持系统》和《ACM数据库》。他撰写和编辑了多本教科书和专著，并担任Springer多套丛书的联合主编。2013年至2020年，他担任Teradata大学网络执行总监。他目前的研究兴趣是决策支持系统、商务分析和管理信息超载技术。Ramesh是INFORMS和AIS会士，2015年入选俄克拉何马州高等教育名人堂。2023年春季，他被授予富布赖特-阿尔托大学杰出讲席教授。
DursunDelen（俄克拉何马州立大学博士），俄克拉何马州立大学斯皮尔斯商学院商务管理讲席教授（斯皮尔斯捐赠），商务分析讲席教授（帕特森基金会捐赠），卫生系统创新中心研究主任，管理科学与信息系统专业校董教授。在开始学术生涯之前，他曾在得克萨斯科利奇站的一家私营研究和咨询公司KnowledgeBasedSystems担任了5年研究科学家。在此期间，他领导了许多决策支持项目和其他由几个联邦机构资助的与信息系统相关的研究项目，包括美国国防部（DoD）、美国国家航空航天局（NASA）、美国国家标准与技术研究所（NIST）、弹道导弹防御组织（BMDO）和能源部（DoE）。Delen博士发表了200多篇同行评审文章，其中一些文章发表在《决策科学杂志》《决策支持系统》《ACM通讯》《计算机与运筹学》《工业计算机》《生产运营管理杂志》《医学人工智能》《国际医学信息学杂志》《专家系统与应用》以及《IEEE无线通信》上。他最近撰写/合著了12本书籍，内容涉及商务分析、数据挖掘、文本挖掘、商务智能和决策支持系统等领域。他经常应邀参加国内和国际会议，就数据/文本挖掘、商务分析、决策支持系统、商务智能和知识管理等主题发表演讲。他曾担任第四届网络计算和高级信息管理国际会议（2008年9月2日至2008年9月4日，韩国首尔）的大会共同主席，并定期在各种信息系统和分析会议上担任主席、分论坛主席或迷你论坛主席。他目前担任《商业分析期刊》和《商业中的人工智能期刊》的主编，以及其他十几种学术期刊的高级编辑、副主编或编委会成员。他的研究和教学方向是数据和文本挖掘、商务分析、决策支持系统、数据科学、知识管理、商务智能和企业建模。
EfraimTurban（加州大学伯克利分校工商管理硕士、博士），夏威夷大学太平洋信息系统管理研究所访问学者。在此之前，他曾在多所大学任职，包括香港城市大学、理海大学、佛罗里达国际大学、加利福尼亚州立大学长滩分校、东伊利诺伊大学和南加州大学。Turban博士在《管理科学》《管理信息系统季刊》和《决策支持系统》等主流期刊上发表了100多篇论文。他还著有20本书，包括ElectronicCommerce:AManagerialPerspective和InformationTechnologyforManagement。他还是全球各大公司的顾问。Turban博士目前感兴趣的领域是基于网络的决策支持系统、社交商务和协同决策。

br/>目　　录
译者序
前言
致谢
作者简介
第1章　商务智能、分析、数据
科学与AI概述　1
1.1　开篇小插曲：运动分析—学习
和理解分析应用领域令人兴奋的前沿　2
1.2　不断变化的商业环境和不断发展的决策支持和分析需求　15
决策过程　16
数据分析和决策支持技术　16
1.3　决策过程与计算机化决策支持
框架　18
Simon过程：情报、设计与
选择　18
情报活动阶段：问题（或机会）
识别　19
设计阶段　21
选择阶段　21
实施阶段　21
1.4　计算机决策支持向分析/数据
科学的发展历程　22
1.5　商务智能框架　25
BI的定义　25
BI发展简史　25
BI的体系结构　26
BI的起源和驱动因素　26
商务智能多媒体练习　27
事务处理与分析处理　27
适当规划并与企业战略保持
一致　28
可实现的实时、按需BI　29
开发或获取BI系统　29
合理性和成本效益分析　29
安全及隐私保护　30
系统与应用集成　30
1.6　分析概述　30
描述性分析　31
预测性分析　32
规范性分析　37
分析/数据科学/机器学习/AI　38
1.7　部分领域分析实例　39
医疗保健业分析应用—
Humana　39
零售价值链分析　41
博彩行业分析应用　43
1.8　本书安排　46
1.9　可用资源和Teradata大学学术
链接　47
可用资源和链接　47
供应商、产品和试用软件　47
期刊　47
Teradata大学学术链接　47
第2章　人工智能：概念、驱动
因素、主要技术及其
商业应用　50
2.1　开篇小插曲：Grant Thornton
雇用Aisera聊天机器人减轻IT
服务台负担　51
2.2　人工智能简介　52
人工智能的定义　52
AI机器的主要特征　53
AI的主要要素　53
AI应用　54
AI的主要目标　54
AI的驱动因素　54
AI的优势　55
AI机器的一些局限　56
AI决策的三种风格　57
2.3　人机智能　58
什么是智能　58
AI有多智能　59
测试AI　59
2.4　主要的AI技术及其衍生产品　60
2.5　AI对决策的支持　65
2.6　AI在各种业务功能中的应用　68
AI在会计中的应用　68
AI在金融服务中的应用　69
AI在人力资源管理中的应用　71
AI在市场营销、广告和CRM领域
中的应用　72
AI在生产经营管理中的应用　72
2.7　机器人简介　74
2.8　机器人应用简介　78
自动驾驶汽车：跑起来的机器人　85
2.9　对话式AI—聊天机器人　87
什么是聊天机器人　87
聊天机器人的发展　88
聊天机器人的组成部分及其使用过程　88
使用聊天机器人的驱动因素和
好处　89
全球代表性聊天机器人　90
2.10　企业聊天机器人　90
企业对聊天机器人的兴趣　91
企业聊天机器人：营销和客户
体验　91
可口可乐　91
企业聊天机器人：金融服务　92
企业聊天机器人：服务行业　93
聊天机器人平台　93
企业聊天机器人知识　94
虚拟个人助理　94
如果你是Facebook首席执行官
马克·扎克伯格　94
亚马逊的Alexa和Echo　94
苹果公司的Siri　95
Google Assistant　95
其他个人助理　96
聊天机器人作为专业顾问　96
Robo金融顾问　96
金融机器人顾问的发展　96
第3章　描述性分析：数据的本质、
大数据与统计建模　104
3.1　开篇小插曲：SiriusXM通过数据
驱动式营销吸引新一代无线电
消费者　105
3.2　用于分析的数据的性质　108
3.3　数据的简单分类　111
3.4　数据预处理的艺术与科学　113
3.5　大数据的定义　121
定义大数据的“V”　122
3.6　大数据分析基础　125
大数据分析解决的业务问题　127
3.7　大数据技术　128
Hadoop　128
Hadoop如何工作　128
MapReduce　129
为什么使用MapReduce　130
Hadoop技术组件　130
Hadoop的利与弊　131
Spark与Hadoop　133
NoSQL　135
数据有益　135
3.8　大数据与流分析　136
流分析应用　138
电子商务　138
电信　138
执法与网络安全　138
电力工业　138
金融服务　139
健康科学　139
政府　139
3.9　商务分析统计建模　140
用于描述性分析的描述性统计　140
集中趋势度量　141
算术平均值　141
中位数　142
众数　142
离散程度度量　142
范围　142
方差　143
标准差　143
平均绝对偏差　143
四分位数和四分位数间距　143
箱线图　144
分布形状　145
3.10　推断性统计回归建模　150
如何开发线性回归模型　151
如何知道模型是否足够好　152
线性回归中最重要的假设是
什么　153
逻辑回归　154
时间序列预测　159
第4章　描述性分析：商务智能、
数据仓库和可视化　166
4.1　开篇小插曲：通过数据仓库和
商务分析锁定税务欺诈　166
4.2　商务智能与数据仓库　169
什么是数据仓库　170
数据仓库的历史视角　170
数据仓库的特征　174
数据集市　174
操作数据存储　175
企业数据仓库　175
元数据　175
4.3　数据仓库过程　176
4.4　数据仓库架构　177
可选数据仓库架构　179
哪种架构最好　181
4.5　数据管理和数据仓库开发　183
数据仓库开发方法　184
其他数据仓库开发注意事项　186
数据仓库中数据的表示　187
数据仓库中的数据分析　188
OLAP和OLTP　188
OLAP操作　188
数据集成与提取、转换和加载
过程　189
数据集成　190
提取、转换和加载　193
4.6　数据仓库管理、安全问题和未来趋势　195
数据仓库的未来　196
4.7　业务报表　201
4.8　数据可视化　203
数据可视化简史　203
4.9　不同类型的图表　205
基本图表　205
专用图表　206
应该使用哪种图表　207
4.10　可视化分析的兴起　208
可视化分析　210
高性能可视化分析环境　212
4.11　信息仪表盘　214
仪表盘设计　216
仪表盘中要查找的内容　217
仪表盘设计最佳实践　217
以行业标准为基准制定关键
性能指标　217
使用情境元数据包装仪表盘
指标　217
由可用性专家对仪表盘设计
进行验证　218
对传输到仪表盘的报警或异常
进行优先级排序　218
以业务用户的评论丰富
仪表盘　218
从三个不同层级呈现信息　218
使用仪表盘设计原则选择正确的
可视化结构　218
提供指导性分析　218
第5章　预测性分析：数据挖掘
过程、方法和算法　226
5.1　开篇小插曲：警察部门利用预测
分析来预测和打击犯罪　226
5.2　数据挖掘概念与应用　230
定义、特征和优势　231
数据挖掘原理　232
数据挖掘与统计学　235
5.3　数据挖掘应用　236
5.4　数据挖掘过程　238
步骤1?：业务理解　238
步骤2?：数据理解　239
步骤3?：数据准备　239
步骤4?：建模　239
步骤5?：测试和评估　242
步骤6?：部署　242
其他数据挖掘标准化过程和
方法　243
5.5　数据挖掘方法　245
分类　245
估计分类模型的准确度　246
数据挖掘聚类分析　252
关联规则挖掘　254
5.6　数据挖掘软件工具　257
5.7　数据挖掘的隐私问题、谬误和
隐患　262
数据挖掘的误区　264
第6章　预测性分析：文本、Web以及社交媒体分析　273
6.1　开篇小插曲：Jeopardy!上的
人机大战：Watson的故事　273
6.2　文本分析与文本挖掘概述　276
6.3　自然语言处理　279
6.4　文本挖掘应用　284
市场营销应用　284
安全应用　284
生物医学应用　287
学术应用　287
6.5　文本挖掘过程　288
任务1?：建立语料库　290
任务2?：创建词项-文档矩阵　290
任务3?：提取知识　291
6.6　情感分析与主题建模　296
情感分析　296
情感分析应用　300
情感分析过程　302
极性识别方法　303
使用词典　304
使用训练文档集　305
识别句子和短语的语义倾向　306
识别文档的语义倾向　306
主题建模　306
隐含狄利克雷分配　307
6.7　Web挖掘概述　308
Web内容挖掘和Web结构
挖掘　311
6.8　搜索引擎　312
搜索引擎剖析　313
搜索引擎优化　315
搜索引擎优化方法　317
6.9　Web使用挖掘　318
Web分析技术　318
Web分析指标　319
网站可用性　319
流量来源　320
访客特征　321
转化统计　321
6.10　社分析　323
社交网络分析　323
社交网络分析指标　324
联系　324
分布　324
分割　325
社交媒体分析　325
人们如何使用社交媒体　326
度量社交媒体的影响　328
社交媒体分析的最佳实践　329
第7章　深度学习与认知计算　337
7.1　开篇小插曲：利用深度学习和
人工神经网络处理欺诈　338
7.2　深度学习简介　341
7.3　浅层神经网络概述　344
7.4　开发神经网络系统的过程　351
人工神经网络中的学习过程　352
用于神经网络训练的反向传播
算法　353
7.5　照亮人工神经网络的黑箱　355
7.6　深度神经网络　362
前馈多层感知机深度网络　362
随机权重在深度MLP中的
影响　363
更多的隐藏层与更多的神经元　364
7.7　卷积神经网络　367
卷积函数　368
池化　370
使用卷积网络进行图像处理　371
使用卷积网络处理文本　374
7.8　递归网络和长短期记忆网络　377
LSTM网络的应用　379
ChatGPT　381
7.9　实施深度学习的计算机架构　385
Torch　386
Caffe　386
TensorFlow　387
Theano　387
Keras?：一个应用程序编程
接口　387
7.10　认知计算　390
认知计算如何工作　390
认知计算与AI有何不同　392
认知搜索　393
认知计算实例：IBM Watson　395
第8章　规范性分析：优化和
模拟　408
8.1　开篇小插曲：平衡配送路线、
生产计划和库存　409
8.2　基于模型的决策　410
规范性分析模型示例　412
问题识别与环境分析　413
模型类别　415
8.3　用于决策支持的数学模型的
结构　416
决策支持数学模型的组成部分　416
数学模型的结构　417
8.4　确定性、不确定性与风险分析　418
确定性决策　418
不确定性决策　418
风险下的决策（风险分析）　419
8.5　使用电子表格进行决策建模　419
8.6　数学规划优化　423
线性规划模型　425
线性规划中的建模：一个例子　426
实现　431
8.7　多目标、敏感性分析、假设
分析和目标搜索　432
多目标　433
敏感性分析　433
假设分析　434
目标搜索　435
8.8　基于决策表和决策树的决策
分析　436
决策表　436
决策树　438
8.9　模拟概论　438
模拟的主要特征　440
模拟的优点　440
模拟的缺点　441
模拟方法　441
模拟类型　442
蒙特卡罗模拟　443
离散事件模拟　443
常规模拟的不足　444
视觉交互模拟　444
视觉交互式模拟与决策支持
系统　444
模拟软件　445
8.10　遗传算法及其开发应用　445
遗传算法术语　447
遗传算法的工作原理　448
遗传算法的应用　450
第9章　商务分析工具的前景　460
9.1　开篇小插曲：希捷如何应用
KNIME应对数字化转型　460
9.2　分析工具的重要性　463
分析工具的多维分类　464
分析工具的流行程度　466
9.3　免费开源的分析程序语言　470
R语言　470
如何开始使用R　470
R分析及应用教程—预测
员工流失　472
数据可视化　474
机器学习用于预测建模　476
可解释性AI　478
Rattle　480
Python语言　481
如何开始使用Python　481
Python分析及应用教程—预测
电影票房成绩　482
9.4　免费和开源分析可视化工具　488
KNIME　488
KNIME应用教程：预测客户
流失　495
Orange　499
Orange应用教程：已出版文献的
文本挖掘　499
Weka　505
RapidMiner　506
RapidMiner应用教程：使用Titanic数据集预测乘客的生存情况　506
9.5　商务分析工具　510
Alteryx　510
IBM　511
SAS　511
JMP　513
JMP Pro应用教程：已出版文献的
文本挖掘　513
JMP Pro与Orange的比较　518
Teradata　519
分析引擎和功能　519
TIBCO　523
其他分析工具　523
第10章　分析与数据科学中的
AI趋势　528
10.1　开篇小插曲：Discover Foods
探索利用物联网和机器学习来
确保食品质量　528
10.2　基于云的分析　531
数据即服务　533
桌面即服务　533
软件即服务　534
平台即服务　534
基础设施即服务　534
云计算基本技术　534
云部署模型　537
App开发和部署中的主要云
平台提供商　538
分析即服务　539
代表性分析即服务产品　539
使用云基础设施的图解分析
应用　541
10.3　定位分析　542
地理空间分析　543
利用地理空间分析的多媒体
分析练习　546
实时智能定位　547
面向消费者的分析应用　548
10.4　图像分析/另类数据　549
10.5　物联网基础　552
定义和特征　552
物联网生态系统　553
物联网系统结构　554
物联网的主要优势和驱动
因素　556
物联网的工作原理　557
物联网与决策支持　558
传感器及其在物联网中的
作用　558
传感器技术简介　558
传感器如何与物联网协同
工作　558
传感器应用与射频识别
传感器　559
RFID和智能传感器在物联网
中的应用　560
10.6　物联网应用　561
智能家居和家电　562
智能家居的典型组件　562
智能家电　563
智能家居是机器人的天下　564
智能家居应用存在的障碍　564
智慧城市和智能工厂中的智能
组件　564
改善智慧城市的交通　565
自动驾驶汽车　565
自动驾驶汽车的实施问题　566
物联网的未来　566
10.7　5G技术及其对AI的影响　567
10.8　其他新兴AI主题：机器人过程
自动化　569
10.9　生物信息学与健康网络科学　570
10.10　其他最新进展　574
Web 3.0　574
元宇宙与数字孪生　575
GPT-3/ChatGPT　576
LaMDA　576
Blenderbot　577
第11章　商务分析中的道德、
隐私和管理思考　583
11.1　开篇小插曲：从组织的分析历程
中汲取的经验教训　583
11.2　实现智能系统：概述　586
智能系统的实施过程　587
11.3　智能系统的成功部署　588
最高管理层和实施　588
系统开发实施问题　589
连接和集成　589
安全保护　589
在业务中利用智能系统　590
智能系统应用　590
11.4　物联网实施及管理思考　59