編輯推薦:　　管理導(dǎo)向：《商務(wù)智能：數(shù)據(jù)分析的管理視角（原書第3版）》主要從管理視角詳細介紹商務(wù)智能的應(yīng)用和實施，同時非常重視商務(wù)智能技術(shù)層面的應(yīng)用，尤其是新出現(xiàn)的一些新領(lǐng)域、新應(yīng)用。
　　真實案例：通過大量全球大公司、小企業(yè)、政府機構(gòu)和非營利組織的真實案例來生動形象地闡述相關(guān)概念和理論。
　　集成系統(tǒng)：《商務(wù)智能：數(shù)據(jù)分析的管理視角（原書第3版）》強調(diào)支持企業(yè)和眾多用戶的系統(tǒng)，而不是孤立的基于互聯(lián)網(wǎng)的商務(wù)智能系統(tǒng)。
　　熱點研究：本書分別從理論和應(yīng)用角度對無線射頻識別、云計算、社交網(wǎng)絡(luò)、Web2.0、大數(shù)據(jù)等進行了闡述。

內(nèi)容簡介:　　《商務(wù)智能：數(shù)據(jù)分析的管理視角（原書第3版）》側(cè)重于商務(wù)智能和為企業(yè)決策提供支持的業(yè)務(wù)分析。書中不僅介紹了傳統(tǒng)的商務(wù)智能基本理論和應(yīng)用，還介紹了當前商務(wù)智能涉及的新技術(shù)和新趨勢，如社交網(wǎng)絡(luò)、云計算、數(shù)據(jù)分析生態(tài)系統(tǒng)以及法律、隱私和道德問題等。
　　《商務(wù)智能：數(shù)據(jù)分析的管理視角（原書第3版）》可以作為管理科學(xué)、電子商務(wù)和企業(yè)管理等專業(yè)的MBA、研究生以及本科生商務(wù)智能、決策支持系統(tǒng)等課程的教材，也可以作為管理信息系統(tǒng)、商務(wù)數(shù)據(jù)分析等課程的輔助教材，還適合從事企業(yè)信息管理、業(yè)務(wù)分析的人士閱讀。

作者簡介:　 　拉姆什·沙爾達（Ramesh Sharda）博士，商業(yè)主管項目主任，信息系統(tǒng)研究所所長，康菲石油公司技術(shù)管理主席，俄克拉荷馬州立大學(xué)斯皮爾斯商學(xué)院管理科學(xué)與信息系統(tǒng)的杰出貢獻教授，信息系統(tǒng)協(xié)會決策支持系統(tǒng)和知識管理專業(yè)組（SIGDSS）的共同創(chuàng)辦人，服務(wù)于多個編輯委員會。他的研究方向包括決策支持系統(tǒng)、商務(wù)分析、信息過載管理技術(shù)。

　　 杜爾森·德倫（Dursun Delen）博士，俄克拉荷馬州立大學(xué)斯皮爾斯商學(xué)院管理科學(xué)與信息系統(tǒng)教授，創(chuàng)新醫(yī)療系統(tǒng)研究中心主任，業(yè)務(wù)分析教授。他的研究方向包括數(shù)據(jù)和文本挖掘、業(yè)務(wù)分析、決策支持系統(tǒng)、知識管理、商務(wù)智能和企業(yè)建模。

　 　埃弗雷姆·特班（Efraim Turban）博士，夏威夷大學(xué)太平洋信息系統(tǒng)管理研究院訪問學(xué)者，曾經(jīng)就職于多所大學(xué)，包括香港城市大學(xué)、里海大學(xué)、佛羅里達國際大學(xué)、加利福尼亞州立大學(xué)長灘分校、東伊利諾伊大學(xué)以及南加利福尼亞大學(xué)。他還是世界各地許多公司的咨詢師。他的研究方向包括基于Web的決策支持系統(tǒng)、社會化電子商務(wù)和協(xié)同決策

目錄:Business Intelligence: A Managerial Perspective On Analytics, 3E
出版者的話
譯者序
前言
作者簡介
第1章　商務(wù)智能、數(shù)據(jù)分析和決策支持概述
1.1　開篇小插曲：Magpie Sensing公司使用分析技術(shù)高效而安全地管理疫苗供應(yīng)鏈
1.2　變化的商業(yè)環(huán)境和計算機決策支持
1.3　商務(wù)智能架構(gòu)
1.3.1　BI的定義
1.3.2　BI的簡史
1.3.3　BI的架構(gòu)
1.3.4　BI的起源和驅(qū)動力
1.3.5　BI中的多媒體練習(xí)
1.4　智能產(chǎn)生、使用與商務(wù)智能治理
1.4.1　智能產(chǎn)生和使用的循環(huán)過程
1.4.2　智能與竊取
1.5　事務(wù)處理與分析處理
1.6　成功的BI實施
1.6.1　典型的BI用戶群體
1.6.2　合理規(guī)劃與業(yè)務(wù)戰(zhàn)略的統(tǒng)一
1.6.3　實時的、隨需應(yīng)變的BI是
可以實現(xiàn)的
1.6.4　開發(fā)或收購BI系統(tǒng)
1.6.5　理由和成本 -收益分析
1.6.6　安全和隱私保護
1.6.7　系統(tǒng)和應(yīng)用的集成
1.7　數(shù)據(jù)分析概述
1.7.1　描述性分析
1.7.2　預(yù)測性分析
1.7.3　規(guī)范性分析
1.7.4　應(yīng)用于不同領(lǐng)域的數(shù)據(jù)分析
1.7.5　數(shù)據(jù)分析還是數(shù)據(jù)科學(xué)
1.8　大數(shù)據(jù)分析簡介
1.9　本書的安排
1.10　資源、鏈接和Teradata大學(xué)網(wǎng)絡(luò)連接
1.10.1　資源和鏈接
1.10.2　供應(yīng)商、產(chǎn)品和演示
1.10.3　期刊
1.10.4　Teradata大學(xué)網(wǎng)絡(luò)連接
1.10.5　本書的網(wǎng)站
本章要點
關(guān)鍵詞
問題討論
練習(xí)
章末應(yīng)用案例
參考文獻
第2章　數(shù)據(jù)倉庫
2.1　開篇小插曲：卡普里島賭場利用企業(yè)數(shù)據(jù)倉庫獲勝
2.2　數(shù)據(jù)倉庫的定義和概念
2.2.1　什么是數(shù)據(jù)倉庫
2.2.2　數(shù)據(jù)倉庫歷史透視
2.2.3　數(shù)據(jù)倉庫的特點
2.2.4　數(shù)據(jù)集市
2.2.5　操作數(shù)據(jù)存儲
2.2.6　企業(yè)數(shù)據(jù)倉庫
2.2　元數(shù)據(jù)
2.3　數(shù)據(jù)倉庫流程概述
2.4　數(shù)據(jù)倉庫架構(gòu)
2.4.1　可選的數(shù)據(jù)倉庫架構(gòu)
2.4.2　哪種架構(gòu)最好
2.5　數(shù)據(jù)集成以及提取、轉(zhuǎn)換和加載過程
2.5.1　數(shù)據(jù)集成
2.5.2　提取、轉(zhuǎn)換和加載
2.6　數(shù)據(jù)倉庫的開發(fā)
2.6.1　數(shù)據(jù)倉庫開發(fā)方法
2.6.2　數(shù)據(jù)倉庫開發(fā)的其他思考
2.6.3　數(shù)據(jù)倉庫中的數(shù)據(jù)表示
2.6.4　數(shù)據(jù)倉庫中的數(shù)據(jù)分析
2.6.5　OLAP和OLTP
2.6.6　OLAP操作
2.7　數(shù)據(jù)倉庫的實施問題
2.8　實時數(shù)據(jù)倉庫
2.9　數(shù)據(jù)倉庫管理、安全問題和未來趨勢
2.10　資源、鏈接和Teradata大學(xué)網(wǎng)絡(luò)連接
2.10.1　資源和鏈接
2.10.2　案例
2.10.3　供應(yīng)商、產(chǎn)品和演示
2.10.4　期刊
2.10.5　其他參考文獻
2.10.6　Teradata大學(xué)網(wǎng)絡(luò)連接
本章要點
關(guān)鍵詞
問題討論
練習(xí)
章末應(yīng)用案例
參考文獻
第3章　業(yè)務(wù)報表、可視化分析與企業(yè)
績效管理
3.1　開篇小插曲: 自助服務(wù)的報表環(huán)境為企業(yè)用戶節(jié)省上百萬美元
3.2　業(yè)務(wù)報表的定義和概念
3.2.1　什么是業(yè)務(wù)報表
3.2.2　業(yè)務(wù)報表系統(tǒng)的組件
3.3　數(shù)據(jù)與信息可視化
3.4　不同類型的圖表
3.4.1　基本圖表
3.4.2　專用圖表
3.5　數(shù)據(jù)可視化與可視化分析的出現(xiàn)
3.5.1　可視化分析
3.5.2　高性能可視化分析環(huán)境
3.6　績效儀表盤
3.6.1　儀表盤設(shè)計
3.6.2　在儀表盤中尋找什么
3.6.3　儀表盤設(shè)計的最佳實踐
3.6.4　根據(jù)行業(yè)標準建立 KPI 基準
3.6.5　利用上下文元數(shù)據(jù)封裝儀表盤度量
3.6.6　通過可用性專家檢驗儀表盤設(shè)計
3.6.7　在儀表盤中指定警報和異常的優(yōu)先級
3.6.8　使用用戶評論豐富的儀表盤
3.6.9　在3個不同層次展示信息
3.6.10　使用儀表盤設(shè)計準則選擇正確的可視化方式
3.6.11　提供指導(dǎo)性分析
3.7　企業(yè)績效管理
3.8　績效度量
3.8.1　關(guān)鍵績效指標
3.8.2　績效度量系統(tǒng)
3.9　平衡記分卡
3.9.1　4個視角
3.9.2　平衡在BSC中的意義
3.9.3　儀表盤與平衡記分卡
3.10　作為績效度量系統(tǒng)的六西格瑪
3.10.1　DMAIC績效模型
3.10.2　平衡記分卡與六西格瑪
3.10.3　有效的績效度量
本章要點
關(guān)鍵詞
問題討論
練習(xí)
章末應(yīng)用案例
參考文獻
第4章　數(shù)據(jù)挖掘
4.1　開篇小插曲：坎貝拉公司將高級分析和數(shù)據(jù)挖掘應(yīng)用于更多客戶
4.2　數(shù)據(jù)挖掘概念和應(yīng)用
4.2.1　定義、特征和優(yōu)勢
4.2.2　數(shù)據(jù)挖掘原理
4.2.3　數(shù)據(jù)挖掘與統(tǒng)計學(xué)
4.3　數(shù)據(jù)挖掘應(yīng)用
4.4　數(shù)據(jù)挖掘過程
4.4.1　步驟1：業(yè)務(wù)理解
4.4.2　步驟2：數(shù)據(jù)理解
4.4.3　步驟3：數(shù)據(jù)準備
4.4.4　步驟4：建模
4.4.5　步驟5：測試和評估
4.4.6　步驟6：部署
4.4.7　其他標準化的數(shù)據(jù)挖掘過程和方法
4.5　數(shù)據(jù)挖掘方法
4.5.1　分類
4.5.2　估算分類模型的準確率
4.5.3　數(shù)據(jù)挖掘聚類分析
4.5.4　關(guān)聯(lián)規(guī)則挖掘
4.6　數(shù)據(jù)挖掘軟件工具
4.7　數(shù)據(jù)挖掘的隱私問題、謬誤和隱患
4.7.1　數(shù)據(jù)挖掘和隱私問題
4.7.2　數(shù)據(jù)挖掘謬誤和隱患
本章要點
關(guān)鍵詞
問題討論
練習(xí)
章末應(yīng)用案例
參考文獻
第5章　文本與Web分析
5.1　開篇小插曲：《危險邊緣》上的人機大戰(zhàn)：Watson的故事
5.2　文本分析和文本挖掘概述
5.3　自然語言處理
5.4　文本挖掘應(yīng)用
5.4.1　營銷應(yīng)用
5.4.2　安全應(yīng)用
5.4.3　生物醫(yī)學(xué)應(yīng)用
5.4.4　學(xué)術(shù)應(yīng)用
5.5　文本挖掘過程
5.5.1　任務(wù)1：建立語料庫
5.5.2　任務(wù)2：創(chuàng)建詞項-文檔矩陣
5.5.3　任務(wù)3：提取知識
5.6　情感分析
5.6.1　情感分析應(yīng)用
5.6.2　情感分析過程
5.6.3　極性識別方法
5.6.4　使用詞典
5.6.5　使用訓(xùn)練文檔集
5.6.6　識別句子和短語的語義傾向
5.6.7　識別文檔的語義傾向
5.7　Web挖掘概述
5.8　搜索引擎
5.8.1　搜索引擎剖析
5.8.2　開發(fā)環(huán)
5.8.3　網(wǎng)絡(luò)爬蟲
5.8.4　文檔索引器
5.8.5　響應(yīng)環(huán)
5.8.6　查詢分析器
5.8.7　文檔匹配器/排名器
5.8.8　搜索引擎優(yōu)化
5.8.9　搜索引擎優(yōu)化的方法
5.9　Web使用挖掘（Web分析）
5.9.1　Web分析技術(shù)
5.9.2　Web分析度量
5.9.3　網(wǎng)站可用性
5.9.4　流量來源
5.9.5　訪客特征
5.9.6　轉(zhuǎn)化統(tǒng)計
5.10　社交分析
5.10.1　社交網(wǎng)絡(luò)分析
5.10.2　社交網(wǎng)絡(luò)分析度量
5.10.3　聯(lián)系
5.10.4　分布
5.10.5　分割
5.10.6　社交媒體分析
5.10.7　人們?nèi)绾问褂蒙缃幻襟w
5.10.8　評估社交媒體的影響
5.10.9　社交媒體分析的最佳實踐
本章要點
關(guān)鍵詞
問題討論
練習(xí)
章末應(yīng)用案例
參考文獻
第6章　大數(shù)據(jù)與分析
6.1　開篇小插曲：當大數(shù)據(jù)遇上大數(shù)據(jù)科學(xué)
6.2　大數(shù)據(jù)的定義
6.3　大數(shù)據(jù)分析基礎(chǔ)
6.4　大數(shù)據(jù)技術(shù)
6.4.1　MapReduce
6.4.2　為什么使用MapReduce
6.4.3　Hadoop
6.4.4　Hadoop如何工作
6.4.5　Hadoop技術(shù)組件
6.4.6　Hadoop：利與弊
6.4.7　NoSQL
6.5　數(shù)據(jù)科學(xué)家
6.6　大數(shù)據(jù)和數(shù)據(jù)倉庫
6.6.1　Hadoop的使用案例
6.6.2　數(shù)據(jù)倉庫的使用案例
6.6.3　灰色區(qū)域（任意一個都能勝任）
6.6.4　Hadoop和數(shù)據(jù)倉庫共存
6.7　大數(shù)據(jù)供應(yīng)商
6.8　大數(shù)據(jù)與流分析
6.8.1　流分析與持久性分析
6.8.2　關(guān)鍵事件處理
6.8.3　數(shù)據(jù)流挖掘
6.9　流分析的應(yīng)用
6.9.1　電子商務(wù)
6.9.2　電信
6.9.3　法律實施與網(wǎng)絡(luò)安全
6.9.4　電力行業(yè)
6.9.5　金融服務(wù)
6.9.6　健康科學(xué)
6.9.7　政府
本章要點
關(guān)鍵詞
問題討論
練習(xí)
章末應(yīng)用案例
參考文獻
第7章　業(yè)務(wù)分析：趨勢與前景
7.1　開篇小插曲：俄克拉荷馬州天然氣及電力公司利用數(shù)據(jù)分析促進智能能源使用
7.2　為組織提供基于位置的分析
7.2.1　地理空間分析
7.2.2　實時位置智能
7.3　面向消費者的分析應(yīng)用
7.4　推薦引擎
7.5　Web 2.0革命和在線社交網(wǎng)絡(luò)
7.5.1　Web 2.0的典型特征
7.5.2　社交網(wǎng)絡(luò)
7.5.3　定義和基本信息
7.5.4　商業(yè)和企業(yè)社交網(wǎng)絡(luò)
7.6　云計算與商務(wù)智能
7.6.1　面向服務(wù)的DSS
7.6.2　數(shù)據(jù)即服務(wù)
7.6.3　信息即服務(wù)
7.6.4　分析即服務(wù)
7.7　數(shù)據(jù)分析對組織的影響
7.7.1　新的組織結(jié)構(gòu)
7.7.2　重構(gòu)業(yè)務(wù)流程和虛擬團隊
7.7.3　工作滿意度
7.7.4　工作壓力和焦慮
7.7.5　分析工具對管理人員活動和績效的影響
7.8　法律、隱私和道德問題
7.8.1　法律問題
7.8.2　隱私
7.8.3　最近涉及隱私和數(shù)據(jù)分析的技術(shù)問題
7.8.4　決策中的道德問題和支持
7.9　數(shù)據(jù)分析生態(tài)系統(tǒng)
7.9.1　數(shù)據(jù)分析行業(yè)的類別
7.9.2　數(shù)據(jù)基礎(chǔ)設(shè)施供應(yīng)商
7.9.3　數(shù)據(jù)倉庫行業(yè)
7.9.4　中間件/BI平臺行業(yè)
7.9.5　數(shù)據(jù)聚合商與分發(fā)商
7.9.6　專注于分析的軟件開發(fā)者
7.9.7　報表和分析
7.9.8　預(yù)測性分析
7.9.9　規(guī)范性分析
7.9.10　特定行業(yè)或通用的應(yīng)用開發(fā)者、系統(tǒng)集成者
7.9.11　分析工具的用戶組織
7.9.12　行業(yè)分析師和影響者
7.9.13　教育機構(gòu)和認證機構(gòu)
本章要點
關(guān)鍵詞
問題討論
練習(xí)
章末應(yīng)用案例
參考文獻
索引