　　作者納撒尼爾·林力是營銷分析和企業決策領域的領先者。　　甲骨文谘詢公司副總監、嘉信理財集團高級副總裁等人傾情推薦。　　一本書全麵掌控商業分析價值鏈。　　理解分析師告訴你的事情，確定分析師為你提供的是你真正需要的東西。　　應用卓越的商業分析流程解決真實的商業問題，從真實的案例中，發現實踐方式並將其應用到自身環境中。

內容簡介

　　在快速變化的時代，企業需要依靠與時俱進的商業分析和基於分析的決策來抓住未來的各種機遇，從而以快於競爭對手的速度適應商業發展趨勢，成為市場的主導者而不是盲從者。納撒尼爾·林設計齣瞭一個將商業分析融入商業流程中的架構，並剖析瞭具有實踐性的分析工具和模型，幫助企業和組織參透各類數據的復雜性並及時分析市場變化。本書不僅展示瞭一幅商業分析流程的全貌圖，還闡述瞭發展和實現分析決策所需要的條件與過程。此外，本書還演示瞭數據驅動的變革如何推動組織發展和決策方式轉變。本書在數據準備、數據分析和數據演繹幾大方麵，囊括瞭豐富的案例研究以及KNIME分析工具實操經驗，引領企業決策者培養一種著眼於全局的思維，及時辨認商業機會並從容應對各種商業挑戰。　　《大數據商業分析：整閤大數據與業務流程的高級商業分析指南》對那些希望運用分析技術實現企業變革的商業人士尤為閤適，同時適閤各類企業和機構的決策者以及高等院校相關專業的師生閱讀。

作者簡介

　　納撒尼爾·林（Nathaniel Lin），分析谘詢有限責任公司（Analytics Consult, LLC）總裁、美國逍遙道公司（Attract China）首席客戶關係執行官。他緻力於多個行業，包括科技産業、零售業、金融業、電子通信業、汽車行業和傳媒業，是營銷分析和企業決策領域的領先者，也是美國本特利大學（Bentley University）的駐校高級管理人員。　　納撒尼爾·林在IBM、富達投資集團（Fidelity Investments）等知名企業中擁有超過20年的從業經驗。作為國際分析研究所（International Institute of Analytics）的成員，納撒尼爾·林和托馬斯·達文波特（Thomas Davenport）教授閤作，對大型公司進行基準化競爭分析。他也服務於INFORMS實踐委員會，並代錶IBM公司擔任美國營銷科學學會理事。近期他還創立瞭LinkedIn高級分析高管聯盟。

第1章．導論　1
新的石油——原始數據　3
分析10大商業問題　7
重要的學習經驗　14
連接分析和商業　15
小結　19
第2章．瞭解你的原料——大數據和小數據　21
垃圾進，垃圾齣　23
數據和大數據　24
數據類型　26
數據格式　41
小結　45
第3章．數據管理——．．．數據整閤、數據質量和數據治理　47
數據整閤　50
數據質量　51
數據安全和數據隱私　52
數據治理　59
數據準備　62
數據操作　64
探索性數據分析　70
數據模式和趨勢的可視化　72
小結　76
第4章．掌握工具——．．．．．分析方法和工具　79
熟悉工具　81
不會烹飪的主廚　82
分析的類型　83
高級分析和應用程序的類型　89
小結　119
第5章．分析決策流程和分析決策者　123
是時候脫下手套瞭　125
商業分析流程概述　126
分析快速原型　130
人和決策的盲區　135
美第奇效應　137
分析決策者　139
小結　148
第6章．商業流程和分析　151
流程係列概述　154
運營管理係統的缺陷　159
小結　167
第7章．通過辨認模式發現商業機會　169
群體行為的模式　171
模式識彆在商業中的重要性　172
認識購買模式：關聯分析　181
隨著時間推移的模式：時間序列預測　187
小結　193
第8章．瞭解不可知之事　195
不可知事件　197
商業中的未知之事　198
商業中的杠杆設定和因果性　213
小結　216
第9章．商業分析流程實例——．分析企業　217
案例展示　220
應用分析的10大問題　225
小結　231
第10章．商業分析流程實例——分析客戶關係管理　233
客戶問題　236
瞭解消費者　236
可操作的客戶觀點　238
社交和移動客戶關係管理事項　242
客戶關係知識管理　242
小結　243
第11章．分析競爭力和生態係統　245
分析成熟度級彆　249
分析性組織架構　250
角色和職責　257
分析生態係統　263
分析人纔管理　269
小結　273
第12章．總結以及現在怎麼辦　275
分析不是一時的熱潮　277
獲得豐富和有效的數據　278
從探索性數據分析和商業智能分析入手　278
獲得第一手分析經驗　279
成為一位分析決策者並招聘其他人　279
加強企業商業流程的分析　280
用分析識彆模式　281
瞭解不可知之事　282
嚮商業流程灌輸分析　283
獲得分析競爭力和建立生態係統　283
結語　284
附錄　285
KNIME基礎篇　285
數據準備　286
數據標準化　289
探索性數據分析　291