乐比赞

本书先简单概述了商务智能、分析学和数据科学的基础知识，然后介绍了描述性分析、预测性分析和规范性分析，接着介绍了大数据的概念和相关工具，后对商务智能的发展趋势进行了展望，并探讨了分析中对隐私和管理的考量。

作者介绍：
Ramesh Sharda 博士，商业主管项目的主任，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。
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的教授，创新医疗系统研究中心的主任，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。
Efraim Turban 博士，夏威夷大学太平洋信息系统管理研究院的访问学者，曾经就职于多所大学，包括佛罗里达国际大学、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。

前　　言
分析已经成为这十年来的技术驱动力。诸如IBM、SAP、SAS、Teradata、Oracle、Microsoft和Dell等公司正在创建专注于分析的新型组织单元，帮助企业更加有效和高效地运营。决策者也正在使用更多的计算机化工具来支持他们的工作。消费者甚至都在直接或间接地使用分析工具来对购物、健康或医疗保健、旅游和娱乐等日常活动做出决定。商务智能和商务分析领域得到了迅速发展，它们更加专注于能从数据流中提取知识和洞察力的创新应用，以往这些数据流并没有被捕获，更不用说以任何重要的方式进行分析。分析技术在医疗保健、体育、旅游、娱乐、供应链管理、公用事业以及几乎所有可想象的行业都有新的应用，术语“分析”已成为主流。事实上，它已经演变成其他术语，如数据科学，其最新的形式演变是深度学习和物联网。
本书提供了从描述性分析（例如数据的性质、统计建模、数据可视化和商务智能）开始的商务分析连续统一体的管理视角，然后转向预测性分析（例如数据挖掘、文本/Web挖掘、社交媒体挖掘），然后进行规范性分析（例如优化和模拟），最后两章分别讨论大数据的概念和工具以及商务分析未来趋势、隐私和管理思考。本书有一个原出版社支持的配套网站（pearsonhighered.com/sharda），还有一个作者维护的独立网站（dssbibook.com）。
本书的目的是向读者介绍这些通常被称为商务分析或数据科学的技术。本书介绍了这些系统的构建和使用方法的基本技术原理。我们遵循EEE方法介绍这些主题：展示、体验和探索（Exposure, Experience, and Exploration）。本书主要提供各种分析技术及其应用的展示，这将会激发学生学习其他组织如何采用分析做出决策或者获得竞争优势。我们认为，这种对分析工作内容以及分析实现方式的展示是学习分析的关键组成部分。在描述这些技术时，我们还会介绍可用于开发此类应用的特定软件工具。但本书不限于任何一种软件工具，因此学生可以使用任何其他可用的软件工具来体验这些技术。每章都给出了特定的建议，学生和教师可以结合不同的数据分析软件工具阅读本书。本书的配套网站也包括特定的软件指导，学生可以通过多种方式获得运用这些技术的经验。最后，我们希望这些经验能够鼓励读者在各自不同的领域探究这些技术的潜力。为了便于学习，我们提供了一些指向Teradata大学网络和其他网站的练习以及面向团队的练习。我们也会从本书的网站分布新的和创新性的应用。
本书第4版的具体改进主要集中在四个方面：重新编排、新的章节、内容更新和更加突出的重点。尽管发生了许多变化，但我们仍保持着全面性和用户友好性。最后，我们提供了更准确、更新的内容。接下来我们介绍第4版的变化。
第4版中有哪些更新变化为了改进本书以反映商务分析的重点，意味着第4版需要进行重大重组。这一版围绕三种主要的商务分析（即描述性、预测性和规范性）组织。新版本补充了很多新的内容，删除了过时的内容，具体的变化如下。
新的组织形式：本书接受了INFORMS提出的三种类型的分析分类——描述性、预测性和规范性。第1章介绍了商务智能和商务分析，以及它们在许多行业中的应用。该章还包括分析生态系统的概述，以帮助用户探索在分析环境中参与和发展的所有不同方式。第2章对统计学、数据的重要性和描述性分析/可视化进行了概述。第3章介绍数据仓库和数据基础，包括更新的内容，特别是数据湖的概念。第4章涵盖了预测性分析。第5章将商务分析应用扩展到文本、Web和社交媒体。第6章涉及规范性分析，特别是线性规划和模拟，这是本书中的全新内容。第7章介绍了大数据工具和平台。第8章对本书的内容进行了总结，涉及商务分析中的新兴趋势和主题，包括位置分析、物联网、基于云的分析和商务分析中的隐私与道德考虑。数据分析生态系统的讨论也提及了规范性分析。
新章节：以下章节被全新补充。
第2章：描述性分析I：数据性质、统计建模和可视化该章的目的是透彻了解数据的性质，这是任何分析研究的主要组成部分。然后，统计建模将作为描述性分析的一部分介绍。数据可视化已成为任何业务报表或描述性分析项目的热门部分，因此它在该章中会详细解释。该章还介绍了几个现实世界的案例（75%的新材料）。
第6章：规范性分析：优化与模拟该章介绍规范性分析。重点介绍使用线性规划技术在Excel中进行优化建模，还介绍了模拟的概念。该章是作者关于决策支持系统的书第10版中两章内容的更新版本。对于这本书，这是一个全新的章节（99%的新材料）。
第8章：商务分析的未来趋势、隐私和管理思考该章将考察几个新的社会现象，这些现象已经在改变，或者有可能改变分析领域，包括地理空间分析、物联网以及基于云分析的资料的重大更新。该章还更新了上一版中关于道德和隐私考虑的内容（70%的新材料）。
章节修订：其他的所有章节也已修改和更新，以下是其他章节的更改摘要。
第1章：商务智能、商务分析和数据科学概述该章已经被重写并显著扩展，开篇小插曲涵盖了体育分析的多种应用，介绍了INFORMS提出的三种类型的商务分析：描述性、预测性和规范性分析。前面提到，这个分类用于指导本书的完整重组（之前的内容呈现了新的面貌）。然后，该章包括几个医疗保健和零售业分析的新例子。最后，该章以分析生态系统的扩展和更新内容结尾，为学生提供了商务分析和数据科学行业的广泛性（约60%的新材料）。
第3章：描述性分析II：商务智能和数据这是一个旧章节，但插入了一些新的小节（例如数据湖）和新的案例（约30％的新材料）。
第4章：预测性分析I：数据挖掘过程、方法和算法这是一个旧章节，但是补充了新的内容、流程和一些新的案例（约20％的新材料）。
第5章：预测性分析II：文本、Web和社交媒体分析这是一个旧章节，但是添加了一些新的内容组织、流程以及新的案例（约25％的新材料）。
第7章：大数据概念和分析，这是上一版的第6章，更新了一个新的开篇小插曲和案例，介绍了Teradata Aster以及替代数据的新材料（约25%的新材料）。
改版作者团队：基于以前的版本作者（Turban，Sharda，Delen和King）的优秀内容，本版本主要由Ramesh Sharda和Dursun Delen进行修订。Ramesh和Dursun都在分析行业中工作已久，拥有行业和研究经验。
实时更新的网站：本书的使用者可以访问一个网站，其中包含与新故事、软件、教程，甚至与本书涵盖主题相关的YouTube视频的链接。该网站可在dssbibook.com上访问。
修订和更新的内容。几乎所有的章节都有基于最近的故事和事件的新的开篇小插曲。此外，整本书中的应用案例已更新，包含了特定技术和模型的最新应用示例。在整本书中增加了新的网站链接。我们还删除了许多较旧的产品链接和引用。最后，大多数章节都有新的练习、网络任务和问题讨论。
与Teradata大学网络（TUN）的链接。大部分章节包括了与TUN（teradata-unive-r-sitynetwork.com）的新链接。
书名。已经很明显，这本书的书名和重点已经发生了很大变化。
软件支持。TUN网站免费提供软件支持。它还提供了免费数据挖掘和其他软件的链接。此外，该网站还提供使用此类软件的练习。
补充包：www.pearsonhighered.com/sharda提供全面灵活的技术支持包，以提高教学和学习经验。以下教师和学生补充包可在本书的网站pearsonhighered.com/sharda上获得。
教师手册。教师手册（Instructor’s Manual）包括整个课程每章的学习目标和每章的结尾处的问题与练习的答案以及教学建议（包括项目说明）。教师手册可在Pearsonhighered.com/sharda的secure faculty部分获得。
测试项目文件和TestGen软件。测试项目文件（the Test Item File）是判断题、多项选择题、填空题和叙述题的综合集合。测试项目文件在Microsoft Word和TestGen中可用。Pearson Education的测试生成软件可从www.pearsonhighered.com/ irc获得。该软件与PC/MAC兼容，并预装了所有的测试项目文件问题。你可以手动或随机查看测试问题并进行拖放以创建测试，也可以根据需要添加或修改测试问题。我们的TestGens可以被转换为在BlackBoard、WebCT、Moodle、D2L和Angel中使用。这些转换可以在pearsonhighered.com/sharda找到。TestGen可从Respondus获取，也可以从www.respondus.com上找到。
PowerPoint幻灯片。PowerPoint幻灯片可用于演示和构建内容中的关键概念。教师可以从Pearson-highered.com/sharda下载PowerPoint幻灯片。
致谢自本书第1版出版以来，许多人提出了建议和批评。也有几十名学生参加了各个章节、软件和问题的测试，并协助收集材料。列举参与这个项目的所有人是不可能的，但我们要感谢所有人。有些人也做出了重大贡献，他们值得特别感谢。
首先，我们感谢那些为第1版到第3版提供正式评审的人的辛苦工作：
我们也感谢那些对本书以及我们关于决策支持系统的书——《Business Intelligence and Analytics: Systems for Decision Support》（第10版，Pearson Education, 2013）进行正式评审的人的辛苦工作。
第二，有几个人为本书或支持材料提供了材料。Teradata的Susan Baskin和David Schrader博士为本书确定新的TUN和Teradata内容提供了特别的帮助，并为其确定了许可。Dave Schrader博士为本书写了开篇小插曲。这个小插曲还得到了奥本大学的Ashish Gupta博士和田纳西州–查塔努加大学的Gary Wilkerson开发的材料的帮助，它将为分析提供一个很好的介绍。我们也非常感谢INFORMS允许我们从Interfaces引用一些内容。以下人员在我们更新这本书的时候也提供了帮助：Pankush Kalgotra，Prasoon Mathur，Rupesh Agarwal，Shubham Singh，Nan Liang，Jacob Pearson，Kinsey Clemmer和Evan Murlette（都来自俄克拉何马州立大学），非常感激他们对本版的帮助。Teradata Aster团队，特别是Mark Ott，为第7章的开篇小插曲提供了材料。第7章中的Aster材料改编自John Thuma和Greg Bethardy开发的培训指南。Humana Corporation首席信息官Brian LeClaire博士提供了他和他的团队在Humana开发的几项真实的医疗保健案例。vCreaTek的Abhishek Rathi贡献了他在零售行业的分析愿景。感谢Rick Wilson博士在Excel中优秀的教学和线性编程技能的表现。Matt Turck同意让我们采用他的物联网生态系统材料。Ramesh还感谢女儿Ruchy Sharda Sen提供的文字编辑工作。此外，我们以前的博士生和研究同事以多种直接或间接的方式为本书提供了内容或建议和支持：
第三，对于上一版，我们非常感谢Dave King（JDA Software Group，Inc.）的贡献。上一版的其他主要贡献者包括J. Aronson（佐治亚大学），他是我们的共同作者，贡献了数据仓库章节。Mike Goul（亚利桑那州立大学）主要在第1章做出了贡献；以及T. P. Liang（台湾“中山大学”）在以前的版本中为神经网络提供了材料。Judy Lang与我们所有人合作，完成编辑任务，并在第1版的整个项目中指导我们。
第四，几家供应商通过为以前的版本提供案例研究和演示软件与我们合作：Acxiom (Little Rock， Arkansas)，California Scientific Software (Nevada City，California)，Cary Harwin of Catalyst Development (Yucca Valley，California)， IBM (San Carlos，California)，DS Group， Inc. (Greenwich，Connecticut)，Gregory Piatetsky-Shapiro of KDnuggets.com，Gary Lynn of NeuroDimension Inc. (Gainesville，Florida)，Palisade Software (Newfield，New York)， Promised Land Technologies (New Haven， Connecticut)， Salford Systems (La Jolla，California)， Sense Networks (New York， New York)，Gary Miner of StatSoft， Inc. (Tulsa，Oklahoma)， Ward Systems Group， Inc. (Frederick，Maryland)，Idea Fisher Systems，Inc. (Irving， California)， Wordtech Systems (Orinda，California)。
第五，特别感谢Teradata大学网络，特别感谢项目总监Susan Baskin。Hugh Watson，他创办了TUN网络；以及Michael Goul、Barb Wixom和Mary Gros，他们鼓励将本书与TUN网络相连，并为本书提供有用的材料。
最后，感谢Pearson团队的Samantha Lewis，他们与我们合作完成了修订，感谢生产团队的Ann Pulido、Revathi Viswanathan，以及Cenveo的工作人员，他们将手稿变成了一本书。
我们要感谢所有为本书出版做出贡献的个人和公司。若没有他们的帮助，本书是不可能出现的。

译者序
作者简介
前言
第1章　商务智能、商务分析和数据科学概述 1
1.1　开篇小插曲：体育分析——学习和了解商务分析应用的一个令人兴奋的前沿 1
1.2　变化的商业环境，决策支持和商务分析的需求变化 8
1.3　计算机决策支持向商务分析和数据科学的演变 9
1.4　商务智能框架 12
1.4.1　商务智能的定义 12
1.4.2　商务智能的简史 12
1.4.3　商务智能的架构 13
1.4.4　商务智能的起源和驱动力 13
应用案例1.1　Sabre通过仪表盘和分析帮助客户 14
1.4.5　商务智能多媒体应用 15
1.4.6　事务处理与分析处理 15
1.4.7　进行适当的规划并与企业战略保持一致 16
1.4.8　实时按需的BI实现 17
1.4.9　开发或获取BI系统 17
1.4.10　合理性和成本效益分析 17
1.4.11　安全和隐私保护 17
1.4.12　系统和应用集成 18
1.5　商务分析概述 18
1.5.1　描述性分析 19
应用案例1.2　Silvaris通过可视化分析和实时报表功能提升业务 19
应用案例1.3　西门子通过使用数据可视化降低成本 20
1.5.2　预测性分析 20
应用案例1.4　运动损伤分析 21
1.5.3　规范性分析 21
应用案例1.5　特种钢筋公司使用商务分析确定可承诺交付日期 22
1.5.4　商务分析应用于不同领域 22
1.5.5　商务分析或数据科学 23
1.6　所处领域的商务分析实例 23
1.6.1　应用于医疗保健的商务分析——Humana实例 24
1.6.2　零售价值链中的商务分析 27
1.7　大数据分析简介 29
应用案例1.6　CenterPoint Energy使用实时大数据分析改善客户服务 30
1.8　商务分析生态系统概述 31
1.8.1　数据生成基础设施提供商 32
1.8.2　数据管理基础设施提供商 32
1.8.3　数据仓库提供商 33
1.8.4　中间件提供商 33
1.8.5　数据服务提供商 33
1.8.6　专注于商务分析的软件开发者 34
1.8.7　应用开发者：特定行业或一般行业 35
1.8.8　商务分析行业分析师和有影响力者 36
1.8.9　学术机构和认证机构 37
1.8.10　监管者和政策制定者 37
1.8.11　分析用户组织 37
1.9　本书计划 38
1.10　资源、链接和Teradata大学网络连接 39
第2章　描述性分析Ⅰ：数据的性质、统计建模与可视化 44
2.1　开篇小插曲：SiriusXM利用数据驱动的营销吸引新一代的移动消费者 44
2.2　数据的性质 47
2.3　数据的简单分类 50
应用案例2.1　医疗器械公司节省开支的同时确保产品质量 52
2.4　数据预处理的艺术与科学 54
应用案例2.2　通过数据驱动分析提高学生保留率 56
2.5　用于商务分析的统计建模 61
2.5.1　用于描述性分析的描述性统计 62
2.5.2　集中趋势度量（也可以称作位置或中心度量） 62
2.5.3　算术平均数 62
2.5.4　中位数 63
2.5.5　众数 63
2.5.6　离散趋势度量（也可称为散布或分散度量） 63
2.5.7　极差 64
2.5.8　方差 64
2.5.9　标准差 64
2.5.10　平均绝对偏差 64
2.5.11　四分位数与四分位距 64
2.5.12　箱图 65
2.5.13　分布形状 66
技术洞察2.1　如何使用Microsoft Excel进行描述性统计 67
应用案例2.3　Cary镇使用商务分析来分析传感器数据、评估需求和检测问题 70
2.6　用于推断性统计的回归建模 71
2.6.1　我们如何开发线性回归模型 72
2.6.2　我们如何知道模型是否足够好 73
2.6.3　什么是线性回归最重要的假设 74
2.6.4　逻辑回归 74
应用案例2.4　预测NCAA碗赛结果 75
2.6.5　时间序列预测 79
2.7　业务报表 80
应用案例2.5　纸质报表的洪水结束于FEMA 82
2.8　数据可视化 83
应用案例2.6　Macfarlan Smith使用Tableau Online提高运营绩效洞察 85
2.9　不同类型的图表 87
2.9.1　基本图表 88
2.9.2　专用图表 88
2.9.3　你应该使用哪种图表 89
2.10　可视化分析的兴起 91
技术洞察2.2　商务智能和分析平台的Gartner魔力象限 91
2.10.1　可视化分析 93
技术洞察2.3　通过数据和可视化讲出色的故事 93
2.10.2　高效率可视化分析环境 95
2.11　信息仪表盘 97
应用案例2.7　Dallas Cowboys使用Tableau与Teknion获得高分 98
2.11.1　仪表盘设计 99
应用案例2.8　可视化分析帮助能源供应商实现更好的连接 100
2.11.2　在仪表盘中要寻找的内容 101
2.11.3　仪表盘设计的最佳实践 101
2.11.4　符合行业标准的基准关键绩效指标 101
2.11.5　使用情境的元数据包装仪表盘指标 101
2.11.6　通过可用性专家验证仪表盘设计 102
2.11.7　把传输到仪表盘的报警或异常按优先级划分并排序 102
2.11.8　以业务用户评论丰富仪表盘 102
2.11.9　从三个不同层次呈现信息 102
2.11.10　使用仪表盘设计原则选取正确的视觉构造 102
2.11.11　为指导性分析做准备 102
第3章　描述性分析II：商务智能和数据仓库 109
3.1　开篇小插曲：利用商务智能和数据仓库定位税务欺诈 109
3.2　商务智能与数据仓库 111
3.2.1　什么是数据仓库 112
3.2.2　数据仓库的历史视角 112
3.2.3　数据仓库的特征 114
3.2.4　数据集市 115
3.2.5　操作数据存储 115
3.2.6