商務智能：數據分析的管理視角（原書第5版）

Ramesh Sharda（威斯康星大學麥迪遜分校工商管理碩士、博士），俄克拉何馬州立大學（OSU）斯皮爾斯商學院負責研究和研究生課程的副院長，沃森/康菲石油公司講席教授，管理科學與信息系統專業校董教授。他參與創立並指導了俄克拉何馬州立大學面向高管的商學博士課程。他發表的研究論文多達200余篇，主要刊物包括《運籌學》《管理科學》《信息系統研究》《決策支持系統》和《管理信息系統雜誌》等。他參與創立了信息系統協會（AIS）關於決策支持系統和知識管理的專業興趣小組（SIGDSA）。Sharda博士擔任多個編輯委員會委員，包括《決策科學雜誌》《決策支持系統》和《ACM數據庫》。他撰寫和編輯了多本教科書和專著，並擔任Springer多套叢書的聯合主編。2013年至2020年，他擔任Teradata大學網絡執行總監。他目前的研究興趣是決策支持系統、商務分析和管理信息超載技術。Ramesh是INFORMS和AIS會士，2015年入選俄克拉何馬州高等教育名人堂。2023年春季，他被授予富布賴特-阿爾托大學傑出講席教授。 Dursun Delen（俄克拉何馬州立大學博士），俄克拉何馬州立大學斯皮爾斯商學院商務管理講席教授（斯皮爾斯捐贈），商務分析講席教授（帕特森基金會捐贈），衛生系統創新中心研究主任，管理科學與信息系統專業校董教授。在開始學術生涯之前，他曾在得克薩斯科利奇站的一家私營研究和咨詢公司Knowledge Based Systems擔任了5年研究科學家。在此期間，他領導了許多決策支持項目和其他由幾個聯邦機構資助的與信息系統相關的研究項目，包括美國 （DoD）、美國 航空航天局（NASA）、美國 標準與技術研究所（NIST）、彈道導彈防禦組織（BMDO）和能源部（DoE）。Delen博士發表了200多篇同行評審文章，其中一些文章發表在《決策科學雜誌》《決策支持系統》《ACM通訊》《計算機與運籌學》《工業計算機》《生產運營管理雜誌》《醫學人工智能》《 醫學信息學雜誌》《專家系統與應用》以及《IEEE無線通信》上。他 近撰寫/合著了12本書籍，內容涉及商務分析、數據挖掘、文本挖掘、商務智能和決策支持系統等領域。他經常應邀參加 和 會議，就數據/文本挖掘、商務分析、決策支持系統、商務智能和知識管理等主題發表演講。他曾擔任第四屆網絡計算和 信息管理 會議（2008年9月2日至2008年9月4日，韓國首爾）的大會共同 ，並定期在各種信息系統和分析會議上擔任 、分論壇 或迷你論壇 。他目前擔任《商業分析期刊》和《商業中的人工智能期刊》的主編，以及其他十幾種學術期刊的 編輯、副主編或編委會成員。他的研究和教學方向是數據和文本挖掘、商務分析、決策支持系統、數據科學、知識管理、商務智能和企業 建模。 Efraim Turban（加州大學伯克利分校工商管理碩士、博士），夏威夷大學太平洋信息系統管理研究所訪問學者。在此之前，他曾在多所大學任職，包括香港城市大學、理海大學、佛羅裏達 大學、加利福尼亞州立大學長灘分校、東伊利諾伊大學和南加州大學。Turban博士在《管理科學》《管理信息系統季刊》和《決策支持系統》等主流期刊上發表了100多篇論文。他還著有20本書，包括Electronic Commerce: A Managerial Perspective和Information Technology for Management。他還是 各大公司的顧問。Turban博士目前感興趣的領域是基於網絡的決策支持系統、社交商務和協同決策。

譯者序
前言
致謝
作者簡介
第1章　商務智能、分析、數據
科學與AI概述　1
1.1　開篇小插曲：運動分析—學習
和理解分析應用領域令人興奮的前沿　2
1.2　不斷變化的商業環境和不斷發展的決策支持和分析需求　15
決策過程　16
數據分析和決策支持技術　16
1.3　決策過程與計算機化決策支持
框架　18
Simon過程：情報、設計與
選擇　18
情報活動階段：問題（或機會）
識別　19
設計階段　21
選擇階段　21
實施階段　21
1.4　計算機決策支持向分析/數據
科學的發展歷程　22
1.5　商務智能框架　25
BI的定義　25
BI發展簡史　25
BI的體系結構　26
BI的起源和驅動因素　26
商務智能多媒體練習　27
事務處理與分析處理　27
適當規劃並與企業戰略保持
一致　28
可實現的實時、按需BI　29
開發或獲取BI系統　29
合理性和成本效益分析　29
安全及隱私保護　30
系統與應用集成　30
1.6　分析概述　30
描述性分析　31
預測性分析　32
規範性分析　37
分析/數據科學/機器學習/AI　38
1.7　部分領域分析實例　39
醫療保健業分析應用—
Humana　39
零售價值鏈分析　41
博彩行業分析應用　43
1.8　本書安排　46
1.9　可用資源和Teradata大學學術
鏈接　47
可用資源和鏈接　47
供應商、產品和 軟件　47
期刊　47
Teradata大學學術鏈接　47
第2章　人工智能：概念、驅動
因素、主要技術及其
商業應用　50
2.1　開篇小插曲：Grant Thornton
雇用Aisera聊天機器人減輕IT
服務臺負擔　51
2.2　人工智能簡介　52
人工智能的定義　52
AI機器的主要特征　53
AI的主要要素　53
AI應用　54
AI的主要目標　54
AI的驅動因素　54
AI的優勢　55
AI機器的一些局限　56
AI決策的三種風格　57
2.3　人機智能　58
什麼是智能　58
AI有多智能　59
測試AI　59
2.4　主要的AI技術及其衍生產品　60
2.5　AI對決策的支持　65
2.6　AI在各種業務功能中的應用　68
AI在會計中的應用　68
AI在金融服務中的應用　69
AI在人力資源管理中的應用　71
AI在市場營銷、廣告和CRM領域
中的應用　72
AI在生產經營管理中的應用　72
2.7　機器人簡介　74
2.8　機器人應用簡介　78
自動駕駛汽車：跑起來的機器人　85
2.9　對話式AI—聊天機器人　87
什麼是聊天機器人　87
聊天機器人的發展　88
聊天機器人的組成部分及其使用過程　88
使用聊天機器人的驅動因素和
好處　89
代表性聊天機器人　90
2.10　企業聊天機器人　90
企業對聊天機器人的興趣　91
企業聊天機器人：營銷和客戶
體驗　91
可口可樂　91
企業聊天機器人：金融服務　92
企業聊天機器人：服務行業　93
聊天機器人平臺　93
企業聊天機器人知識　94
虛擬個人助理　94
如果你是Facebook首席執行官
馬克·紮克伯格　94
的Alexa和Echo　94
蘋果公司的Siri　95
Google Assistant　95
其他個人助理　96
聊天機器人作為專業顧問　96
Robo金融顧問　96
金融機器人顧問的發展　96
第3章　描述性分析：數據的本質、
大數據與統計建模　104
3.1　開篇小插曲：SiriusXM通過數據
驅動式營銷吸引新一代無線電
消費者　105
3.2　用於分析的數據的性質　108
3.3　數據的簡單分類　111
3.4　數據預處理的藝術與科學　113
3.5　大數據的定義　121
定義大數據的“V”　122
3.6　大數據分析基礎　125
大數據分析解決的業務問題　127
3.7　大數據技術　128
Hadoop　128
Hadoop如何工作　128
MapReduce　129
為什麼使用MapReduce　130
Hadoop技術組件　130
Hadoop的利與弊　131
Spark與Hadoop　133
NoSQL　135
數據有益　135
3.8　大數據與流分析　136
流分析應用　138
電子商務　138
電信　138
執法與網絡安全　138
電力工業　138
金融服務　139
健康科學　139
政府　139
3.9　商務分析統計建模　140
用於描述性分析的描述性統計　140
集中趨勢度量　141
算術平均值　141
中位數　142
眾數　142
離散程度度量　142
範圍　142
方差　143
標準差　143
平均 偏差　143
四分位數和四分位數間距　143
箱線圖　144
分布形狀　145
3.10　推斷性統計回歸建模　150
如何開發線性回歸模型　151
如何知道模型是否足夠好　152
線性回歸中 重要的假設是
什麼　153
邏輯回歸　154
時間序列預測　159
第4章　描述性分析：商務智能、
數據倉庫和可視化　166
4.1　開篇小插曲：通過數據倉庫和
商務分析鎖定稅務欺詐　166
4.2　商務智能與數據倉庫　169
什麼是數據倉庫　170
數據倉庫的歷史視角　170
數據倉庫的特征　174
數據集市　174
操作數據存儲　175
企業數據倉庫　175
元數據　175
4.3　數據倉庫過程　176
4.4　數據倉庫架構　177
可選數據倉庫架構　179
哪種架構 　181
4.5　數據管理和數據倉庫開發　183
數據倉庫開發方法　184
其他數據倉庫開發註意事項　186
數據倉庫中數據的表示　187
數據倉庫中的數據分析　188
OLAP和OLTP　188
OLAP操作　188
數據集成與提取、轉換和加載
過程　189
數據集成　190
提取、轉換和加載　193
4.6　數據倉庫管理、安全問題和未來趨勢　195
數據倉庫的未來　196
4.7　業務報表　201
4.8　數據可視化　203
數據可視化簡史　203
4.9　不同類型的圖表　205
基本圖表　205
專用圖表　206
應該使用哪種圖表　207
4.10　可視化分析的興起　208
可視化分析　210
高性能可視化分析環境　212
4.11　信息儀表盤　214
儀表盤設計　216
儀表盤中要查找的內容　217
儀表盤設計 實踐　217
以行業標準為基準制定關鍵
性能指標　217
使用情境元數據包裝儀表盤
指標　217
由可用性專家對儀表盤設計
進行驗證　218
對傳輸到儀表盤的報警或異常
進行優先級排序　218
以業務用戶的評論豐富
儀表盤　218
從三個不同層級呈現信息　218
使用儀表盤設計原則選擇正確的
可視化結構　218
提供指導性分析　218
第5章　預測性分析：數據挖掘
過程、方法和算法　226
5.1　開篇小插曲：警察部門利用預測
分析來預測和打擊犯罪　226
5.2　數據挖掘概念與應用　230
定義、特征和優勢　231
數據挖掘原理　232
數據挖掘與統計學　235
5.3　數據挖掘應用　236
5.4　數據挖掘過程　238
步驟1?：業務理解　238
步驟2?：數據理解　239
步驟3?：數據準備　239
步驟4?：建模　239
步驟5?：測試和評估　242
步驟6?：部署　242
其他數據挖掘標準化過程和
方法　243
5.5　數據挖掘方法　245
分類　245
估計分類模型的準確度　246
數據挖掘聚類分析　252
關聯規則挖掘　254
5.6　數據挖掘軟件工具　257
5.7　數據挖掘的隱私問題、謬誤和
隱患　262
數據挖掘的誤區　264
第6章　預測性分析：文本、Web以及社交媒體分析　273
6.1　開篇小插曲：Jeopardy!上的
人機大戰：Watson的故事　273
6.2　文本分析與文本挖掘概述　276
6.3　自然語言處理　279
6.4　文本挖掘應用　284
市場營銷應用　284
安全應用　284
生物醫學應用　287
學術應用　287
6.5　文本挖掘過程　288
任務1?：建立語料庫　290
任務2?：創建詞項-文檔矩陣　290
任務3?：提取知識　291
6.6　情感分析與主題建模　296
情感分析　296
情感分析應用　300
情感分析過程　302
極性識別方法　303
使用詞典　304
使用訓練文檔集　305
識別句子和短語的語義傾向　306
識別文檔的語義傾向　306
主題建模　306
隱含狄利克雷分配　307
6.7　Web挖掘概述　308
Web內容挖掘和Web結構
挖掘　311
6.8　搜索引擎　312
搜索引擎剖析　313
搜索引擎優化　315
搜索引擎優化方法　317
6.9　Web使用挖掘　318
Web分析技術　318
Web分析指標　319
網站可用性　319
流量來源　320
訪客特征　321
轉化統計　321
6.10　社分析　323
社交網絡分析　323
社交網絡分析指標　324
聯系　324
分布　324
分割　325
社交媒體分析　325
人們如何使用社交媒體　326
度量社交媒體的影響　328
社交媒體分析的 實踐　329
第7章　深度學習與認知計算　337
7.1　開篇小插曲：利用深度學習和
人工神經網絡處理欺詐　338
7.2　深度學習簡介　341
7.3　淺層神經網絡概述　344
7.4　開發神經網絡系統的過程　351
人工神經網絡中的學習過程　352
用於神經網絡訓練的反向傳播
算法　353
7.5　照亮人工神經網絡的黑箱　355
7.6　深度神經網絡　362
前饋多層感知機深度網絡　362
隨機權重在深度MLP中的
影響　363
多的隱藏層與 多的神經元　364
7.7　卷積神經網絡　367
卷積函數　368
池化　370
使用卷積網絡進行圖像處理　371
使用卷積網絡處理文本　374
7.8　遞歸網絡和長短期記憶網絡　377
LSTM網絡的應用　379
ChatGPT　381
7.9　實施深度學習的計算機架構　385
Torch　386
Caffe　386
TensorFlow　387
Theano　387
Keras?：一個應用程序編程
接口　387
7.10　認知計算　390
認知計算如何工作　390
認知計算與AI有何不同　392
認知搜索　393
認知計算實例：IBM Watson　395
第8章　規範性分析：優化和
模擬　408
8.1　開篇小插曲：平衡配送路線、
生產計劃和庫存　409
8.2　基於模型的決策　410
規範性分析模型示例　412
問題識別與環境分析　413
模型類別　415
8.3　用於決策支持的數學模型的
結構　416
決策支持數學模型的組成部分　416
數學模型的結構　417
8.4　確定性、不確定性與風險分析　418
確定性決策　418
不確定性決策　418
風險下的決策（風險分析）　419
8.5　使用電子表格進行決策建模　419
8.6　數學規劃優化　423
線性規劃模型　425
線性規劃中的建模：一個例子　426
實現　431
8.7　多目標、敏感性分析、假設
分析和目標搜索　432
多目標　433
敏感性分析　433
假設分析　434
目標搜索　435
8.8　基於決策表和決策樹的決策
分析　436
決策表　436
決策樹　438
8.9　模擬概論　438
模擬的主要特征　440
模擬的優點　440
模擬的缺點　441
模擬方法　441
模擬類型　442
蒙特卡羅模擬　443
離散事件模擬　443
常規模擬的不足　444
視覺交互模擬　444
視覺交互式模擬與決策支持
系統　444
模擬軟件　445
8.10　遺傳算法及其開發應用　445
遺傳算 語　447
遺傳算法的工作原理　448
遺傳算法的應用　450
第9章　商務分析工具的前景　460
9.1　開篇小插曲：希捷如何應用
KNIME應對數字化轉型　460
9.2　分析工具的重要性　463
分析工具的多維分類　464
分析工具的流行程度　466
9.3　免費開源的分析程序語言　470
R語言　470
如何開始使用R　470
R分析及應用教程—預測
員工流失　472
數據可視化　474
機器學習用於預測建模　476
可解釋性AI　478
Rattle　480
Python語言　481
如何開始使用Python　481
Python分析及應用教程—預測
電影票房成績　482
9.4　免費和開源分析可視化工具　488
KNIME　488
KNIME應用教程：預測客戶
流失　495
Orange　499
Orange應用教程：已出版文獻的
文本挖掘　499
Weka　505
RapidMiner　506
RapidMiner應用教程：使用Titanic數據集預測乘客的生存情況　506
9.5　商務分析工具　510
Alteryx　510
IBM　511
SAS　511
JMP　513
JMP Pro應用教程：已出版文獻的
文本挖掘　513
JMP Pro與Orange的比較　518
Teradata　519
分析引擎和功能　519
TIBCO　523
其他分析工具　523
0章　分析與數據科學中的
AI趨勢　528
10.1　開篇小插曲：Discover Foods
探索利用物聯網和機器學習來
確保食品質量　528
10.2　基於雲的分析　531
數據即服務　533
桌面即服務　533
軟件即服務　534
平臺即服務　534
基礎設施即服務　534
雲計算基本技術　534
雲部署模型　537
App開發和部署中的主要雲
平臺提供商　538
分析即服務　539
代表性分析即服務產品　539
使用雲基礎設施的圖解分析
應用　541
10.3　定位分析　542
地理空間分析　543
利用地理空間分析的多媒體
分析練習　546
實時智能定位　547
面向消費者的分析應用　548
10.4　圖像分析/另類數據　549
10.5　物聯網基礎　552
定義和特征　552
物聯網生態系統　553
物聯網系統結構　554
物聯網的主要優勢和驅動
因素　556
物聯網的工作原理　557
物聯網與決策支持　558
傳感器及其在物聯網中的
作用　558
傳感器技術簡介　558
傳感器如何與物聯網協同
工作　558
傳感器應用與射頻識別
傳感器　559
RFID和智能傳感器在物聯網
中的應用　560
10.6　物聯網應用　561
智能家居和家電　562
智能家居的典型組件　562
智能家電　563
智能家居是機器人的天下　564
智能家居應用存在的障礙　564
智慧城市和智能工廠中的智能
組件　564
改善智慧城市的交通　565
自動駕駛汽車　565
自動駕駛汽車的實施問題　566
物聯網的未來　566
10.7　5G技術及其對AI的影響　567
10.8　其他新興AI主題：機器人過程
自動化　569
10.9　生物信息學與健康網絡科學　570
10.10　其他 進展　574
Web 3.0　574
元宇宙與數字孿生　575
GPT-3/ChatGPT　576
LaMDA　576
Blenderbot　577
1章　商務分析中的道德、
隱私和管理思考　583
11.1　開篇小插曲：從組織的分析歷程
中汲取的經驗教訓　583
11.2　實現智能系統：概述　586
智能系統的實施過程　587
11.3　智能系統的成功部署　588
管理層和實施　588
系統開發實施問題　589
連接和集成　589
安全保護　589
在業務中利用智能系統　590
智能系統應用　590
11.4　物聯網實施及管理思考　590
實施存在的主要問題　591
將工業物聯網轉化為競爭優勢的戰略　592
11.5　合法性、隱私和道德問題　593
法律問題　594
AI潛在法律問題示例　594
隱私問題　595
誰擁有我們的私有數據　597
道德問題　598
智能系統的道德問題　598
智能系統倫理的其他主題　599
11.6　道德/責任/可信賴AI　600
O’Neil關於潛在分析風險的
主張　604
11.7　智能系統對組織的影響　605
新的組織單位及其管理　605
轉變業務，增強競爭優勢　605
通過使用分析重新設計組織　607
智能系統對管理者活動、績效和
工作滿意度的影響　608
對決策的影響　609
產業結構調整　609
11.8　智能系統對就業和工作的
影響　610
概述　610
智能系統會搶走我的工作嗎　611
AI使許多工作岌岌可危　611
哪些職業 危險？哪些職業是
安全的？　613
多失業觀察　613
智能系統實際上可能會增加
就業機會　614
就業和工作性質將發生變化　614
結束語：我們要樂觀一點！　615
11.9　AI的潛在危險　616
AI反烏托邦的立場　616
AI烏托邦的立場　616
11.10　公民科學與公民數據
科學家　617
公民科學　617
公民數據科學家　618
結束語　619
術語表　625
·全面升級，突出重點，添加4章新內容，並且包含關於ChatGPT、元宇宙、可解釋AI和認知計算等新興技術的討論。 ·采用EEE（曝光、體驗、探索）方法，鼓勵讀者通過軟件工具來體驗各類技術，並不斷挖掘新技術和新應用。 ·不僅介紹設計和開發商務智能系統的原理和方法，而且涵蓋豐富的實例，如運動學分析、電影票房預測、謊言挖掘、交通擁堵檢測等。