O’Reilly 媒體總經理 Jim Stogdill 傾情作序推薦

IBM研究院首席科學傢 Jeff Jonas
美國傢得寶公司主席及CEO Frank Blake
美國凱悅酒店首席信息官 Mike Blake
美國職業棒球大聯盟媒體公司首席技術官 Joe Choti
Kaggle公司創始人及CEO Anthony Goldbloom
佩斯大學客戶智能碩士工程創始人之一 Tony Branda
聯袂誠意推薦

大數據分析的時代來臨瞭，這將是一場真正的變革。《大數據分析：決勝互聯網金融時代》著眼於一些利用令人興奮的大數據思路支持業務分析的新一代新銳企業。這是一個真正的飛躍，也是一個能實現在效率、生産力、收入和盈利能力等方麵産生巨大收益的良機。
《大數據分析：決勝互聯網金融時代》為企業經理和管理人員所寫，使他們可以有效地利用信息資源。本書在艱深的戰略理論和通俗易懂的示例之間做到平衡，對技術性很強的話題，通過故事、比喻和類比的方式使讀者更容易理解和接受。作者是一位決策科學傢和分析專傢，通過行業的具體例子來描述大數據相關的技術，並說明大數據的價值。在介紹瞭大數據領域有成功實踐的個人和公司之後，《大數據分析：決勝互聯網金融時代》還深入研究瞭要在大數據領域取得成功所需要的組織和角色的構成。

內容簡介

　　《大數據分析：決勝互聯網金融時代》第1章主要介紹瞭大數據分析的定義和由來、大數據的重要性，以及大數據時代的曆史背景和發展趨勢。第2章通過對成功企業領導者的采訪，詳細介紹瞭大數據分析在信息、金融、傳媒、醫療等領域的使用案例，並通過這些案例幫助讀者瞭解如何將大數據分析方法應用到商業活動中。第3章詳細介紹瞭大數據分析采用的一係列技術手段及案例，並指齣大數據技術應用到實際生活中的一些關鍵問題。第4章介紹瞭承載大數據應用的計算、存儲等底層基礎設施的關鍵技術，並討論瞭大數據計算的瓶頸及近年來湧現齣的新技術。第5章詳細介紹瞭在大數據時代商業分析的方法及涉及的關鍵技能，以及如何對分析結果進行歸納總結，對企業的決策産生影響。第6章主要介紹瞭數據科學傢的定義，以及數據科學和決策科學人纔培養的方法論。第7章討論瞭涉及數據隱私及數據安全的相關問題。
　　《大數據分析：決勝互聯網金融時代》可供企業經理和管理人員閱讀，通過本書可以使他們學習如何有效地利用信息資源。大數據領域的相關從業者通過本書可以瞭解如何在大數據方嚮進行成功的實踐。由於《大數據分析：決勝互聯網金融時代》在艱深的戰略理論和通俗易懂的示例之間做到瞭平衡，對技術性很強的話題，通過故事、比喻和類比的方式使讀者更容易理解和接受，因此對大數據領域感興趣的讀者也可進行閱讀。

作者簡介

　　邁剋爾·梅內裏（MichaelMinelli）是一個市場和銷售專傢，在商業分析解決方案領域有16年的經驗。他是銷售和全球聯盟的副總裁，萬事達卡公司的信息服務顧問。
　　米歇爾·錢伯斯（MicheleChambers）擁有諾瓦東南大學的計算機工程學士學位和杜剋大學的MBA學位。她是一位有25年技術經驗的創業高管。錢伯斯女士曾經是負責IBM公司大數據分析的副總裁。
　　安碧嘉·帝拉吉（AmbigaDhiraj）是MuSigma公司客戶交付部的經理，MuSigma是決策科學和分析解決方案的首席供應商。

內頁插圖

精彩書評

“完美的細節在某種程度上提供瞭一種洞察方法，它以真實世界的應用來洞察這個韆變萬化的商業世界，與你的經驗背景無關。”
——弗蘭剋·布萊剋（Frank Blake），美國傢得寶公司（The Home Depot）主席及CEO

“大數據就像一堆巨大的拼圖碎片。一旦從背景齣發整體考慮，漸漸展開的畫麵將指導著更為精準的行動，終得到更好的商業成果。這本書很及時，寫得也很好，它可以幫助商界和IT界的管理人士在大數據的世界加速前進。”
——傑夫·喬納斯（Jeff Jonas），IBM研究院首席科學傢

“大數據影響瞭所有人，而本書是適閤初學者的一本與應用有關的好書。邁剋爾（Michael）和他的團隊通過簡單、易消化的風格抓住瞭大數據的本質，它值得與你的整個管理團隊一起分享。”
——邁剋·布萊剋（Mike Blake）,美國凱悅酒店首席信息官（CIO）

“每天企業從各個部門産生大量的數據——網站、銷售團隊、社交媒體、數字圖片及多媒體、交易記錄等。對於商界及IT界的管理人員來說，本書是他們擁抱‘大數據世界’的好書，它能幫助他們理解大數據將如何改變商業競爭。”
——喬·焦蒂（Joe Choti）,美國職業棒球大聯盟媒體公司首席技術官（CTO）

“大數據正在改變現代商業社會。它決定瞭銀行如何授權貸款，對衝基金如何交易……本書嚮讀者清晰地解釋瞭他們需要瞭解的所有知識，從大數據對於技術的意義到它如何被應用。”
——安東尼·高德布盧姆（Anthony Goldbloom），Kaggle公司創始人及CEO

“作為客戶智能方麵的教授，本書將幫助我的學生理解大數據的多學科本質，以及如何解決銷售問題，如何為客戶更好地服務，如何使他們的公司經營地更好。極力推薦閱讀此書！”
——托尼·布蘭達（Tony Branda），佩斯大學（Pace University）客戶智能碩士工程創始人之一

第1章　什麼是大數據，它為什麼重要？　
1．1　創業的大洪水
1．2　大數據不僅僅是“大”
1．3　為什麼是現在？
1．4　關鍵技術的融閤
1．5　相對而言……
1．6　更豐富多樣的數據
1．7　非結構化數據域的擴張
1．8　高層的聲音
參考文獻
第2章　大數據的工業實例　
2．1　數字營銷和離綫世界
2．2　數據庫營銷，大數據的先驅
2．3　大數據和市場營銷的新技能
2．4　欺詐和大數據
2．5　風險和大數據
2．6　信用卡風險管理
2．7　大數據和算法交易
2．8　大數據在健康醫療領域的應用
2．9　醫藥領域的前沿先鋒
2．10　廣告和大數據：從莎草紙到受眾識彆
2．11　從消費類産品作為入口
參考文獻

第3章　大數據技術　
3．1　房間裏的大象：Hadoop並行計算世界
3．2　新舊技術對比
3．3　數據發現：沿著人類思維方式而工作
3．4　大數據分析的開源技術
3．5　雲計算和大數據
3．6　預測分析嶄露頭角
3．7　軟件即服務(SaaS)BI
3．8　移動商業智能將成為主流
3．9　眾包分析
3．10　防火牆外部分析及跨防火牆分析
3．11　R&D;方法幫助吸取新技術
3．12　大數據技術術語
3．13　二進製數據
參考文獻

第4章　信息管理　
4．1　大數據基礎
4．2　大數據計算平颱
4．3　大數據計算
4．4　更多關於大數據存儲
4．5　大數據計算的局限性
4．6　大數據的新興技術

第5章　商業分析　
5．1　大數據分析的“最後一英裏”
5．2　智能地理信息會讓你的生活更美好
5．3　聽：是信號還是噪聲？
5．4　數據分析的實際使用
5．5　從生産到消費
5．6　可視化：如何將數據分析變得可用？
5．7　組織使用數據可視化作為采取即時行動的方法
5．8　從數據采樣到數據分析
5．9　跳到盒子外思索
5．10　360°建模
5．11　速度需求
5．12　讓我們變得具有競爭性
5．13　什麼技術是有效的？
5．14　數據分析已經超越工具本身，並升級為大數據分析應用程序
參考文獻

第6章　大數據行業角色　
6．1　數據科學傢的興起
6．2　深度使用數學、科學以及計算機科學
6．3　10/90原則和批判性思考
6．4　分析師人纔和行政支持
6．5　發展決策科學人纔
6．6　數據分析的全局視圖
6．7　培養決策科學人纔
6．8　創建培養決策科學人纔的文化
6．9　建立正確的組織結構進行有組織的分析

第7章　數據隱私與倫理　
7．1　隱私涉及的主要領域
7．2　大數據抓取不是新鮮事
7．3　偏好、個性及關係
7．4　權利與義務
7．5　良心與責任意識
7．6　隱私可能是錯誤的焦點
7．7　數據可以匿名嗎？
7．8　用戶數據在情報安全部門的平衡
7．9　現在該做些什麼？
參考文獻

精彩書摘

　　另一個HDFs成為傳統數據倉庫的補充的原因是數據庫支持的數據類型和數據存儲容量的限製。通常，傳統的數據庫“支持”數據類型但數據一旦被存儲對其進行操作則不太現實，因而導緻數據倉庫技術相當無用。
　　大數據處理涉及對大數據的操作和計算。各個傳統數據庫有各自不同的處理大數據的有效方法。除此之外，對於數據庫軟件如何有效利用底層硬件架構有著廣泛的分歧。數據庫軟件是硬件無關的，因而不能有效利用底層硬件架構的優勢。但有一些數據庫軟件是和硬件架構緊密綁定的，為的就是能充分利用特定硬件的處理能力來獲得完全的處理能力。數據倉庫專用設備就屬於這一類型，由於硬件綁定的關係獲得瞭不同程度的性能優勢。
　　今天，用於HDFs的標準處理軟件是上一章介紹過的MapRedtice。MapRedtce是一個被設計用來利用分布式處理能力的容錯並行編程框架。MapRedice框架支持使用任意的編程語言（通常是lava語言）通過編程自動把正在處理的工作負載劃分為更小的工作負載。
　　一個“並行計算框架”對大多數人來說是沒有意義的，因此我們用其他可以和我們産生關聯的事情來類比。例如，一個擁有10條流水綫的工廠接到瞭生産500輛玩具卡車的訂單。可以用一條流水綫來生産所有的500輛卡車，或者進行任務劃分讓每條流水綫生産50輛玩具卡車。如果每條流水綫都同時開工並且全程無故障，那麼每條流水綫都會同時完成生産50輛卡車。這種有效的任務劃分是非常明顯的，因為每輛卡車都可以獨立生産。但是，如果其中3條流水綫隻能生産（卡車）引擎，另外7條流水綫隻能生産卡車的擋闆，那麼這個任務劃分就會變得更加復雜。在這種情況下，計劃需要考慮到引擎生産和剩餘玩具卡車生産的依賴關係。就像玩具卡車的生産，某些數據操作和計算可以獨立完成。為瞭最大化處理吞吐量，MapReduce假設分布式的工作負載是相互獨立的任務，工作負載可以被均分，就像（玩具卡車生産）任務可以被分配到10條流水綫上，每條流水綫生産50輛玩具卡車。然而，如果處理負載之間存在依賴關係，MapReduce框架是不知道那些依賴關係的。程序開發者需要意識到這種依賴性，然後有針對性地編程劃分這些工作負載並且理解MapReduce會自動分配這些任務。這種編程方式被稱為並行化編程。就像把任務分配到僅能生産引擎的流水綫和剩餘其他流水綫的流水綫生産任務分配規劃更加復雜一樣，並行化編程同樣更加復雜。MapReduce和某些數據倉庫專用設備的好處之一是更容易通過框架或數據庫專用設備進行自動化處理。
　　MapReduce是為容錯而設計，這是因為使用未知硬件的可靠性是未知的，必須有辦法優雅地處理故障。容錯軟件被設計為可以自動恢復和處理操作故障，這使得容錯軟件的可靠性很高。僅使用MapReduce和許多專用數據倉庫設備就是具備容錯性的。
　　在數據持續增長時會有一些不同的典型處理流程瓶頸。第一個瓶頸就是加載數據的速度，第二個是計算分析處理的速度（或者常被稱為“數字運算”），第三個是按需分析和響應業務的速度。
　　例如，數據可能是機器産生的，無休止的數據創建和數據增長速度可能使得數據很難被消耗。無論是操作或分析這些産生的數據都會很睏難。以現實世界中的算法交易為例來說明（處理）瓶頸。對於算法交易，實時分析程序分析和處理綫上産生和傳輸的數據。
　　比方說你正在使用實時的交易數據，並依據這些交易數據進行新的交易。由於數據是實時變化的，可能會對每一個實時進行的交易進行實時分析。這些分析行為會製定決策並觸發諸如購買、拋售或看空。過去，大多數實時交易數據要麼沒有被捕獲或在交易發生很長時間之後捕獲用於後續分析並放人某些類型的大數據存儲引擎——一個數據倉庫設備或HDFS，在那兒，交易數據被以原始格式存儲，晝夜連軸分析以助於改進實時的分析和行動。越快越頻繁地對交易數據執行上述周而復始的操作，你的組織就能越快地學習和改講。
　　……