目錄 第1章 大數據在各行各業 // 001 1.1 什么是大數據？ // 002 1.1.1 非常流行的大數據概念 // 002 1.1.2 不那么流行的大數據概念 // 006 1.1.3 也許會帶給你靈感的大數據概念 // 007 1.2 大數據在銀行業 // 029 1.2.1 業界展望：大數據，銀行業未來的核心動力 // 029 1.2.2 創新方向：大數據助力銀行網點實現轉型 // 036 1.3 大數據在征信業 // 041 1.3.1 業界展望：FICO 評分與芝麻信用，傳統征信向大數據征信的轉變 // 042 1.3.2 創新方向一：從拒絕推斷看個人征信業的大有可為 // 046 1.3.3 創新方向二：論大中型客戶數字化授信的可行性 // 054 1.4 大數據在審計業 // 057 1.4.1 業界展望：大數據分析如何支撐審計工作 // 057 1.4.2 創新方向：大數據能否代替傳統審計？ // 061 1.5 大數據在傳統制造業 // 065 業界展望：數字化企業進階指南 // 066 1.6 大數據在互聯網行業 // 069 創新方向：從滴滴收購優步看壟斷企業的馬太效應 // 069 1.7 大數據在輿情行業 // 076 創新方向：數據分析幫你掌握話語權 // 077 1.8 大數據在汽車行業 // 086 業界展望：征服汽車后市場，大數據與你同行 // 086 1.9 大數據在影視業 // 089 創新方向：星期幾上映的電影*具有票房號召力？ // 090 1.10 大數據在環保產業 // 098 創新方向：北京治霾，能為你做點什么？ // 098 1.11 大數據在體育產業 // 104 創新方向：歐洲杯，跟著西班牙隊學數據挖掘！ // 105 小結 // 109 第2章 大數據在商業領域的應用 // 111 2.1 推薦算法在傳統銷售渠道中的應用模式 // 112 2.2 巧用運籌優化，提升整合營銷管理水平 // 116 2.3 關聯規則的應用 // 121 2.3.1 小談關聯規則 // 121 2.3.2 購物籃分析：絕不只是“啤酒與尿布” // 124 2.3.3 創新方向：靠關聯規則重獲新生的東北小館 // 128 2.4 智能薦食模型：大數據告訴你今天吃什么 // 133 智能薦食模型 // 134 2.5 顧客時空模型：其實天下沒有免費的 WiFi // 138 2.5.1 無處不在的免費 WiFi // 138 2.5.2 顧客時空模型 // 139 2.5.3 進一步挖掘 // 141 2.6 社會網絡分析法，助力信貸反欺詐 // 142 2.7 數據可視化利器：SAS Visual Analytics // 145 2.7.1 為什么需要數據可視化？ // 145 2.7.2 數據可視化的幾個常見例子 // 146 2.8 文本挖掘，幫你識別網購評論是真是假 // 151 2.9 路徑優化：如何改良快遞送貨路線？ // 156 第3章 數據前期準備 // 171 3.1 從抗日武裝的發展談到數據治理 // 172 3.1.1 數據質量問題 // 173 3.1.2 數據應用問題 // 174 3.1.3 實施策略和路徑問題 // 176 3.2 如何生成你需要的基礎數據？ // 182 3.3 如何利用數據倉庫優化數據分析？ // 189 3.4 二分類變量的數據缺失插補 // 193 3.5 數據離散化，如何避免丟失信息？ // 201 3.6 如何避免數據離散化影響自變量的重要性？ // 204 3.7 二分類模型中如何應對分類自變量取值過多？ // 206 第4章 技術案例 // 211 4.1 建模變量太多怎么辦？ // 212 4.2 信用評級模型怎么評估？ // 215 4.3 觀察窗口怎么選？ // 219 4.4 K折交叉驗證怎么做？ // 223 4.5 如何衡量變量之間的相關性？ // 230 4.6 決策樹算法真的越復雜越好嗎？ // 235 4.7 如何精選分類模型指標？ // 245 4.8 當數據分析遇上超級奶爸 // 250 4.9 深度挖掘，你的工資拖后腿了嗎？ // 253 4.10 用分位數回歸看你的工資水平 // 258 附錄A 一位數據工作者的成長之路 // 265 A.1 數據分析師入門攻略 // 266 A.2 如何做一名“稱職”的數據專家？ // 269 A.3 一個數據倉庫轉型者眼中的數據挖掘 // 271 A.4 預測科學：三點經驗談實際應用 // 276 A.5 數據模型多了，應該怎么管？ // 277 A.6 手握數據挖掘模型，你一定要知道怎么用 // 281 A.7 淺談以史為鑒與數據分析 // 286 后記 // 297