讓抽象的大數據落地到具體行業上，將巨觀的大數據與現實相結合，講解詳細，實用性強。
基本介紹
- 書名：大數據：從海量到精準
- 作者：李 軍
- ISBN：9787302364474
- 定價：48.00元
- 出版社：清華大學出版社
- 出版時間：2014年9月
內容介紹,作者簡介,目錄,
內容介紹
《大數據：從海量到精準》共分為15章，具體內容包括入門：大數據的基本概念；價值：大數據商業變革；架構：大數據基礎設施；掌握：數據管理與挖掘；管理：用數據洞察一切；安全：擺脫大數據風險；平台：信息通信大數據；醫療：數據解決大難題；網路：抓牢數據發源地；零售：打響大數據之戰；製造：更快更好地生產；餐飲：精準行銷的數據；金融：大數據理財時代；交通：暢通無阻的數據；社會：用數據改變生活。
120個精彩套用案例，圖片精美，闡述細緻，在學習中找到賺錢商機，從入門到精通大數據！一本在手，輕鬆玩轉大數據，掌握套用與行銷，實現從海量到精準，從新手成為大數據套用高手！
《大數據：從海量到精準》主要有兩個特色：一是容易懂，讓抽象的大數據落地到具體行業上；二是接地氣，將巨觀的大數據與現實相結合，講解詳細，實用性強。
本書細節特色：12大行業領域套用+15章大數據專題精講+110多個經典專家提醒+120個大數據套用案例+150多張圖片全程圖解，幫助讀者在最短的時間內掌控大數據的秘密。
適合閱讀本書的讀者：對數據、數據挖掘、數據分析感興趣的IT技術人員和決策者，以及實業家、企業高管、行銷人員、政府媒體工作人員、創業者、想創業的人和相關專業的學生等。
作者簡介
本書作者浸諳網際網路多年，屬於第一代網迷網蟲，做過職業程式設計師、數據分析師，擁有10年以上數據分析、挖掘經驗，對商業數據敏感，能夠通過建模深入挖掘用戶或產品方面的有價值的信息，持續地改進完善數據採集、處理、分析、報告等各個流程上的工作，熟悉hadoop、hive等數據分析工具及Oracle等主流資料庫， 能夠對大數據條件下的消費者行為分析，並進行數據建模，實施結構化數據的管理。
目錄
海量數據聚集篇
第1章 入門：大數據的基本概念 3
1.1 初步認識，大數據究竟是什麼 4
1.1.1 大數據基本定義 6
1.1.2 大數據結構特徵 8
1.1.3 大數據與雲計算 10
1.1.4 大數據規模預測 10
1.1.5 大數據的發展史 11
1.1.6 大數據技術架構 12
1.1.7 大數據重要的理由 14
1.1.8 大數據的解決方案 16
1.2 預測未來，大數據的發展趨勢 16
1.2.1 大數據撬動全世界 17
1.2.2 大數據是大勢所趨 18
1.2.3 大數據將成為資產 19
1.2.4 大數據時代的轉變 20
1.2.5 大數據的發展動力 22
1.2.6 展望2014的大數據 23
1.3 做好準備，大數據面對的挑戰 24
1.3.1 大數據的12個不足之處 25
1.3.2 大數據挑戰的應對策略 26
第2章 價值：大數據商業變革 29
2.1 深度挖掘，大數據的商業機遇 30
2.1.1 挖掘大數據的商業價值 30
2.1.2 大數據已進入4G時代 31
2.1.3 實現商業價值的新捷徑 33
2.1.4 挖掘大數據的商業機會 34
2.1.5 用大數據預測巨觀經濟 35
2.1.6 企業用大數據獲取優勢 36
2.1.7 大數據有待更深的挖掘 37
2.2 體現價值，大數據的4大變革 38
2.2.1 變革醫療衛生 38
2.2.2 帶來商業革命 39
2.2.3 改變人們思維 40
2.2.4 開啟時代轉型 40
2.3 價值轉型，大數據下的商業智慧型 41
2.3.1 大數據為商業智慧型構建基礎 41
2.3.2 Oracle BIEE商業智慧型系統 42
2.3.3 商業智慧型成就行業價值機會 43
2.3.4 BI導出商業潛能和社會走向 43
2.3.5 商業智慧型的6大發展前景 44
2.4 大數據商業變革套用案例 45
2.4.1 【案例】大數據助力地產行業 45
2.4.2 【案例】大數據預測機票價格 46
2.4.3 【案例】用大數據增強競爭力 47
2.4.4 【案例】大數據助力企業管理 48
2.4.5 【案例】沃森人工智慧計算機 49
第3章 架構：大數據基礎設施 51
3.1 探索全球，10大大數據部署方案 52
3.1.1 Netflix：掌握視頻大數據鍊金術 52
3.1.2 家譜網：建立更準確的血緣關係 53
3.1.3 西奈山：更深刻地理解數據形態 55
3.1.4 CAIISO：實現電廠電網的智慧型化 56
3.1.5 Hydro One：把大數據放地圖上 57
3.1.6 OHSU：結合數據虛擬化技術 58
3.1.7 VTN：公共設施的實時3D模型 59
3.1.8 戴德縣：實現大型城市的智慧型化 60
3.1.9 澳網：利用大數據分析做出決策 61
3.1.10 DPR：結合3D技術與大數據 63
3.2 掘金紅海，10大大數據分析平台 63
3.2.1 IBM：大數據領域的傳統巨頭 64
3.2.2 亞馬遜：完美結合大數據與雲 65
3.2.3 甲骨文：高集成度大數據平台 66
3.2.4 谷歌：價值無可估量的大數據 67
3.2.5 微軟：“端到端”大數據平台 67
3.2.6 EMC：針對海量數據分析套用 68
3.2.7 英特爾：用Hadoop靠攏大數據 69
3.2.8 NetApp：讓大數據變得更簡單 69
3.2.9 惠普：構建靈活的“智慧型環境” 70
3.2.10 Sybase：徹底改變大數據分析 71
3.3 大數據基礎設施套用案例 72
3.3.1 【案例】Streams監控嬰兒ICU感染 72
3.3.2 【案例】沃爾瑪打造商業數據中心 73
3.3.3 【案例】Clustrix挖掘整合海量數據 74
3.3.4 【案例】長虹聯手IBM掘金大數據 74
3.3.5 【案例】LSI積極創新數據中心變革 75
第4章 掌握：數據管理與挖掘 77
4.1 管理數據，解析開源框架Hadoop 78
4.1.1 Hadoop的主要特點 78
4.1.2 Hadoop的發展歷史 78
4.1.3 Hadoop的主要用途 79
4.1.4 Hadoop的項目結構 80
4.1.5 Hadoop的體系結構 82
4.2 挖掘數據，大數據如何去粗存精 83
4.2.1 準備數據 84
4.2.2 挖掘過程 84
4.2.3 結果表示 85
4.3 大數據管理與挖掘套用案例 86
4.3.1 【案例】用數據挖掘篩查高危病人 87
4.3.2 【案例】數據挖掘助力NBA賽事 87
4.3.3 【案例】用數據挖掘控制鮮花庫存 88
4.3.4 【案例】挖掘人類頭腦里的大數據 90
4.3.5 【案例】數據挖掘助力銀行的行銷 91
4.3.6 【案例】星系動物園裡的數據挖掘 92
第5章 管理：用數據洞察一切 95
5.1 不能再等，大數據時代的思維變革 96
5.1.1 利用所有的數據 96
5.1.2 充分利用這些數據 96
5.1.3 海量數據替代採樣 97
5.2 知己知彼，數據分析的演變與現狀 99
5.2.1 大數據分析的商業驅動力 99
5.2.2 大數據分析環境的演變 100
5.2.3 大數據分析與處理方法 102
5.3 企業管理中的大數據分析套用案例 104
5.3.1 【案例】機場用大數據管理節省數百萬美元 104
5.3.2 【案例】國藥集團打造全方位的管理模式 105
5.3.3 【案例】迪士尼樂園用大數據提升遊客樂趣 107
5.3.4 【案例】Farmeron用大數據促成農業增產 109
5.3.5 【案例】西爾斯著眼於大數據以降低成本 110
5.4 能源管理中的大數據分析套用案例 112
5.4.1 【案例】用“大數據”預測風電和太陽能 112
5.4.2 【案例】電力增長情況反映巨觀經濟形勢 113
5.4.3 【案例】石油公司用大數據追求最大利益 114
5.4.4 【案例】大數據管理更準確、一致、及時 116
5.4.5 【案例】大數據幫助消費者提高能源效率 117
第6章 安全：擺脫大數據風險 119
6.1 問題凸顯，大數據存在5大風險 120
6.1.1 風險1：個人隱私泄露 120
6.1.2 風險2：數據管理困難 121
6.1.3 風險3：成本難以控制 122
6.1.4 風險4：網路安全漏洞 123
6.1.5 風險5：數據人才缺乏 124
6.2 步步小心，大數據項目7大誤區 125
6.2.1 誤區1：盲目跟風 126
6.2.2 誤區2：思路太過僵硬 126
6.2.3 誤區3：不注重他人的經驗 127
6.2.4 誤區4：把大數據當“門面” 127
6.2.5 誤區5：過度誇大數據成果 128
6.2.6 誤區6：想要獲得所有數據 128
6.2.7 誤區7：認為軟體是萬能的 129
6.3 踏雪無痕，徹底逃離大數據監視 129
6.3.1 碼頭：讓網路行為一目了然 130
6.3.2 上游：截取全球網際網路數據 130
6.3.3 稜鏡：備份全球網際網路數據 131
6.3.4 星風：監視全球通信大數據 133
6.3.5 小甜餅：竊取個人網路隱私 134
6.3.6 間諜軟體：讓我們無處藏身 135
6.4 有備無患，做好大數據風險管理 137
6.4.1 風險管理利器1：IBM StorWize V7000 137
6.4.2 風險管理利器2：EMC VNX系列 138
6.4.3 風險管理利器3：戴爾EqualLogic平台 139
6.4.4 風險管理利器4：NetApp FAS平台 140
6.5 大數據風險管理套用案例 141
6.5.1 【案例】“閃電計畫”為數據護航 141
6.5.2 【案例】智慧存儲化解大數據風險 143
6.5.3 【案例】谷歌循環利用“數據廢氣” 145
6.5.4 【案例】藉助淘寶大數據控制風險 146
精準行業聚焦篇
第7章 平台：信息通信大數據 151
7.1 信息通信平台大數據解決方案 152
7.1.1 運營商在大數據時代的認識轉變 152
7.1.2 運營商在大數據時代的模式轉型 153
7.1.3 運營商在大數據時代的機遇前景 154
7.1.4 運營商在大數據時代的應對方案 157
7.2 信息通信平台大數據套用案例 158
7.2.1 【案例】西班牙電話公司的數據再利用 158
7.2.2 【案例】德國電信的大數據行銷新策略 159
7.2.3 【案例】Verizon利用大數據精準行銷 160
7.2.4 【案例】中國聯通開啟大數據探索之路 162
7.2.5 【案例】法國電信大力發掘大數據價值 164
7.2.6 【案例】中國移動大數據全新戰略定位 165
7.2.7 【案例】中國電信大數據聚焦商業模式 167
第8章 醫療：數據解決大難題 169
8.1 醫療行業大數據解決方案 170
8.1.1 大數據在醫療行業的套用場景 170
8.1.2 如何從大數據中獲取醫療價值 172
8.1.3 醫療領域大數據的挑戰和前景 172
8.2 醫療行業大數據套用案例 174
8.2.1 【案例】利用大數據進行基因組測序 174
8.2.2 【案例】利用大數據來預防流感疫情 175
8.2.3 【案例】用大數據預測心臟病發作率 177
8.2.4 【案例】大數據BI促進醫院智慧型化 178
8.2.5 【案例】用大數據“魔毯”改善健康 179
8.2.6 【案例】用大數據分析找出治療方案 180
8.2.7 【案例】手錶成為大數據的有力武器 181
8.2.8 【案例】中南大學啟動臨床大數據系統 182
第9章 網路：抓牢數據發源地 185
9.1 網際網路大數據解決方案 186
9.1.1 傳統網際網路大數據解決方案 186
9.1.2 移動網際網路大數據解決方案 188
9.2 網際網路大數據套用案例 189
9.2.1 【案例】大數據與網際網路助力競選總統 189
9.2.2 【案例】Acxiom用數據洞悉你的心理 191
9.2.3 【案例】大數據為個性化用戶體驗撐腰 193
9.2.4 【案例】人人遊戲網用大數據了解玩家 194
9.2.5 【案例】迅雷用大數據抓“網路票房” 196
9.2.6 【案例】騰訊用微信展開大數據“首戰” 197
第10章 零售：打響大數據之戰 199
10.1 零售行業大數據解決方案 200
10.1.1 大數據對零售行業的影響 200
10.1.2 大數據對零售行業的挑戰 201
10.1.3 大數據對零售行業的價值 202
10.2 零售行業大數據套用案例 203
10.2.1 【案例】ZARA：可以預見未來的時尚圈 203
10.2.2 【案例】沃爾瑪：大數據幫你選好購物單 205
10.2.3 【案例】淘寶：開放“數據魔方”的秘密 207
10.2.4 【案例】Target：準確判斷哪位顧客懷孕 208
10.2.5 【案例】上品折扣：用大數據做全渠道行銷 210
10.2.6 【案例】愛迪達：用大數據帶來利潤 211
第11章 製造：更快更好地生產 215
11.1 生產製造業大數據解決方案 216
11.1.1 大數據對生產製造業的影響 216
11.1.2 生產製造業如何利用大數據 218
11.2 生產製造業大數據套用案例 219
11.2.1 【案例】大數據結合ERP助力生產 220
11.2.2 【案例】大數據改變福特汽車的製造 221
11.2.3 【案例】長安汽車數據與製造的結合 223
11.2.4 【案例】樂百氏BI系統助力企業成長 226
11.2.5 【案例】大數據可以破解“豬周期” 227
11.2.6 【案例】鋼鐵企業用大數據擺脫困境 229
11.2.7 【案例】大數據提高企業核心競爭力 231
第12章 餐飲：精準行銷的數據 235
12.1 餐飲行業大數據解決方案 236
12.1.1 大數據在餐飲業的市場現狀 236
12.1.2 餐飲行業面臨的大數據挑戰 237
12.1.3 大數據對餐飲企業有何作用 239
12.1.4 餐飲企業該如何套用大數據 240
12.2 餐飲行業大數據套用案例 241
12.2.1 【案例】農夫山泉用大數據賣礦泉水 241
12.2.2 【案例】絕味鴨脖的大數據經營模式 243
12.2.3 【案例】“哆啦寶”打造精準行銷平台 244
12.2.4 【案例】打造適合你的找餐館手機APP 246
第13章 金融：大數據理財時代 249
13.1 金融行業大數據解決方案 250
13.1.1 大數據對傳統金融行業的影響 250
13.1.2 大數據時代下金融業的機遇和面臨的挑戰 251
13.1.3 金融業該如何“迎戰”大數據 252
13.2 金融行業大數據套用案例 254
13.2.1 【案例】淘寶網掘金大數據金融市場 255
13.2.2 【案例】IBM用大數據預測股價走勢 256
13.2.3 【案例】滙豐銀行採用SAS管理風險 257
13.2.4 【案例】Kabbage用大數據開闢新路徑 258
13.2.5 【案例】大數據時代信用卡該怎么玩 259
第14章 交通：暢通無阻的數據 261
14.1 交通行業大數據解決方案 262
14.1.1 5大日益突出的城市交通難題 262
14.1.2 大數據為交通難題開出的藥方 263
14.1.3 大數據解決交通難題4大優勢 265
14.1.4 如何套用大數據解決交通問題 265
14.1.5 大數據在智慧型交通行業的挑戰 267
14.2 交通行業大數據套用案例 268
14.2.1 【案例】大數據解決波士頓堵車難題 268
14.2.2 【案例】谷歌街景帶你在家環遊世界 270
14.2.3 【案例】騰訊SOSO讓地圖更“真實” 272
14.2.4 【案例】用大數據APP緩解交通壓力 274
14.2.5 【案例】ETC電子收費系統加大通行力 275
第15章 社會：用數據改變生活 279
15.1 教育領域大數據套用案例 280
15.1.1 【案例】大數據讓線上教育變為現實 280
15.1.2 【案例】無孔不入的數位化學習平台 281
15.1.3 【案例】用雲平台全面推進素質教育 281
15.1.4 【案例】美國政府用大數據改善教育 283
15.1.5 【案例】大數據有效地指導學生學習 283
15.1.6 【案例】用大數據管理上海大學招生 284
15.2 體育領域大數據套用案例 285
15.2.1 【案例】Nike記錄運動中的數據價值 285
15.2.2 【案例】大數據助力NBA賽事全過程 287
15.2.3 【案例】大數據顛覆網球的遊戲規則 289
15.2.4 【案例】從大數據中獲得寶貴洞察力 290
15.2.5 【案例】用預測分析軟體來防止受傷 290
15.2.6 【案例】普通球迷也能成為分析專家 291
15.3 影音媒體大數據套用案例 292
15.3.1 【案例】《爸爸去哪兒》成口碑之王 292
15.3.2 【案例】用大數據來挖掘《小時代》 293
15.3.3 【案例】《紙牌屋》變革傳統電視業 294
15.3.4 【案例】《紐約時報》讓報紙智慧型化 295
15.3.5 【案例】大數據帶來逼真的影視特效 296
15.4 生活中的大數據套用案例 298
15.4.1 【案例】大數據讓你的生活更智慧型 298
15.4.2 【案例】數據能夠開口說話當紅娘 299
15.4.3 【案例】大數據保障人身財產安全 300
15.4.4 【案例】用大數據安全保管門鑰匙 301
15.4.5 【案例】地圖APP成為生活好助手 302
