　　作者纳撒尼尔·林力是营销分析和企业决策领域的领先者。　　甲骨文咨询公司副总监、嘉信理财集团高级副总裁等人倾情推荐。　　一本书全面掌控商业分析价值链。　　理解分析师告诉你的事情，确定分析师为你提供的是你真正需要的东西。　　应用卓越的商业分析流程解决真实的商业问题，从真实的案例中，发现实践方式并将其应用到自身环境中。

内容简介

　　在快速变化的时代，企业需要依靠与时俱进的商业分析和基于分析的决策来抓住未来的各种机遇，从而以快于竞争对手的速度适应商业发展趋势，成为市场的主导者而不是盲从者。纳撒尼尔·林设计出了一个将商业分析融入商业流程中的架构，并剖析了具有实践性的分析工具和模型，帮助企业和组织参透各类数据的复杂性并及时分析市场变化。本书不仅展示了一幅商业分析流程的全貌图，还阐述了发展和实现分析决策所需要的条件与过程。此外，本书还演示了数据驱动的变革如何推动组织发展和决策方式转变。本书在数据准备、数据分析和数据演绎几大方面，囊括了丰富的案例研究以及KNIME分析工具实操经验，引领企业决策者培养一种着眼于全局的思维，及时辨认商业机会并从容应对各种商业挑战。　　《大数据商业分析：整合大数据与业务流程的高级商业分析指南》对那些希望运用分析技术实现企业变革的商业人士尤为合适，同时适合各类企业和机构的决策者以及高等院校相关专业的师生阅读。

作者简介

　　纳撒尼尔·林（Nathaniel Lin），分析咨询有限责任公司（Analytics Consult, LLC）总裁、美国逍遥道公司（Attract China）首席客户关系执行官。他致力于多个行业，包括科技产业、零售业、金融业、电子通信业、汽车行业和传媒业，是营销分析和企业决策领域的领先者，也是美国本特利大学（Bentley University）的驻校高级管理人员。　　纳撒尼尔·林在IBM、富达投资集团（Fidelity Investments）等知名企业中拥有超过20年的从业经验。作为国际分析研究所（International Institute of Analytics）的成员，纳撒尼尔·林和托马斯·达文波特（Thomas Davenport）教授合作，对大型公司进行基准化竞争分析。他也服务于INFORMS实践委员会，并代表IBM公司担任美国营销科学学会理事。近期他还创立了LinkedIn高级分析高管联盟。

第1章．导论　1
新的石油——原始数据　3
分析10大商业问题　7
重要的学习经验　14
连接分析和商业　15
小结　19
第2章．了解你的原料——大数据和小数据　21
垃圾进，垃圾出　23
数据和大数据　24
数据类型　26
数据格式　41
小结　45
第3章．数据管理——．．．数据整合、数据质量和数据治理　47
数据整合　50
数据质量　51
数据安全和数据隐私　52
数据治理　59
数据准备　62
数据操作　64
探索性数据分析　70
数据模式和趋势的可视化　72
小结　76
第4章．掌握工具——．．．．．分析方法和工具　79
熟悉工具　81
不会烹饪的主厨　82
分析的类型　83
高级分析和应用程序的类型　89
小结　119
第5章．分析决策流程和分析决策者　123
是时候脱下手套了　125
商业分析流程概述　126
分析快速原型　130
人和决策的盲区　135
美第奇效应　137
分析决策者　139
小结　148
第6章．商业流程和分析　151
流程系列概述　154
运营管理系统的缺陷　159
小结　167
第7章．通过辨认模式发现商业机会　169
群体行为的模式　171
模式识别在商业中的重要性　172
认识购买模式：关联分析　181
随着时间推移的模式：时间序列预测　187
小结　193
第8章．了解不可知之事　195
不可知事件　197
商业中的未知之事　198
商业中的杠杆设定和因果性　213
小结　216
第9章．商业分析流程实例——．分析企业　217
案例展示　220
应用分析的10大问题　225
小结　231
第10章．商业分析流程实例——分析客户关系管理　233
客户问题　236
了解消费者　236
可操作的客户观点　238
社交和移动客户关系管理事项　242
客户关系知识管理　242
小结　243
第11章．分析竞争力和生态系统　245
分析成熟度级别　249
分析性组织架构　250
角色和职责　257
分析生态系统　263
分析人才管理　269
小结　273
第12章．总结以及现在怎么办　275
分析不是一时的热潮　277
获得丰富和有效的数据　278
从探索性数据分析和商业智能分析入手　278
获得第一手分析经验　279
成为一位分析决策者并招聘其他人　279
加强企业商业流程的分析　280
用分析识别模式　281
了解不可知之事　282
向商业流程灌输分析　283
获得分析竞争力和建立生态系统　283
结语　284
附录　285
KNIME基础篇　285
数据准备　286
数据标准化　289
探索性数据分析　291