电子工业出版社-网上书店

近几年，数据分析、人工智能、大数据平台等概念十分火爆，有些人感叹：虽然学会了调用软件算法库文件，在面对真实的业务问题时却不知道从哪里下手；虽然接触了一个又一个能做数据分析的软件工具，真要处理一个业务问题时，却发现自己需要什么样的数据反而成了第一道门槛……“道不远人”，好的东西不应该只作为高深莫测的内容让人敬而远之。本书将数据分析的思维作为主干，衔接数据分析的各个环节，辅之以案例，帮助读者建立体系化的数据分析知识，使数据分析成为一个普通技能，在工作和生活中发挥分析并解决问题的作用，最终实现“人人可做数据分析”。

第1章  绪论	001
1.1  数据分析话题的“树模型”知识框架	001
1.2  数据分析话题同样存在“量变引起质变”的问题	004
1.3  数据分析与其他学科的关系	006
第2章  数据采集、存储与整理	008
2.1  什么是数据，数字就是数据吗	009
2.2  不同的应用场景对应不同的数据采集方式	010
2.3  工业协议采集数据	011
2.4  网页埋点采集数据	014
2.5  数据库及合并表单	017
2.6  数据清洗	022
2.7  数据整理，多维度拆解	026
2.8  数据集	035
2.9  数据估算	042
第3章  大数据平台架构	045
3.1  大数据时代的传统数据处理方法	046
3.2  大数据架构	048
3.3  大数据平台的数据采集、处理、输出与展示	056
3.4  大数据平台不是核心	064
第4章  数据思维之基础问题	065
4.1  数据算法VS数据应用	065
4.2  AI高大上，传统手段失效了吗	067
4.3  以前常用的一些方法论，如5W2H法不灵了	068
4.4  信息摘要的敏感性，抓重点的能力	070
4.5  物联网等技术的发展催生了新的数据应用场景	071
4.6  对数据分析的预期，要有合理的参照系	072
第5章  数据思维之数据素养	074
5.1  数字时代，数据素养是重要的技能	074
5.2  把一个具体业务问题转化成一个数据可分析问题	076
5.3  层层拆解，才见真章	081
5.4  细致拆解与辛普森悖论	084
5.5  减熵：把事情流程化，把关系图谱化	086
5.6  指标思维	090
第6章  常见的数据分析综合方法	096
6.1  针对业务问题的“假设检验”	096
6.2  分类利器：波士顿矩阵与RFM模型	100
6.3  行动步骤利器：AARRR模型与UJM模型	109
6.4  业务分析框架OSM	113
6.5  成交总额GMV	116
第7章  数据可视化	120
7.1  数据可视化的意义：探索性分析	120
7.2  常见的数据可视化图表	122
7.3  数据可视化举例	125
第8章  人工智能与传统数据分析的关系	130
8.1  数据分析、传统算法、人工智能之间的范畴关系	131
8.2  目标的一致性及适用场景的区别	132
8.3  以统计为主的传统数据分析及其工具	134
8.4  机器学习	139
第9章  数据驱动运营	147
9.1  不同业务层次都有哪些数据分析需求	147
9.2  不同行业领域都有些哪些数据分析需求	148
9.3  数据驱动运营概述	150
9.4  牛刀小试的一个例子	156
9.5  数据分析与公司战略地图	161
参考文献	168

有人说，一场技术革新成功的标志之一就是技术本身的“消失”，因为当一种技术被广泛应用于日常生产和生活中时，这种技术反而就没有那么高的显著性了。当前，数据分析和人工智能技术正在向这个目标快速发展，特别是在数理统计等基本分析方法的应用日益广泛和深入这个阶段，这本秉持“人人可做数据分析”理念、着眼于数据分析普及应用的书更加显示出及时性。
自2011年以来，随着深度学习在计算机视觉、自然语言处理等领域的技术突破和广泛应用，掀起了前所未有的人工智能热潮，全民对数据分析和人工智能技术学习和应用的热情一直延续至今。很多年前，我在电台参加一个科普节目，听众提了一个至今都让我印象深刻的问题：“数据有多重，2TB的数据比1TB的数据重多少？”人们最初还主要在概念和价值判断上理解数据分析，客户/用户在相关项目上主要关注于解决方案的可行性和落地效果。而到了今天，越来越多的项目开始关注是否交付平台工具、客户/用户能否参与研发工作和完成后续扩展，“共创”“赋能”等话题在数据分析和人工智能领域被广泛地提及，数据分析已经成为人人都需要具备的一项技能。
当得知于琪要写一本关于数据分析的书时，我是有些好奇和担心的，因为市面上相关的书籍虽汗牛充栋，但经典的就那么几本，从专业角度很难写出新意。但是，当我作为第一批读者拿到书稿时，很快就释然了，同时佩服于琪能准确地洞察书中所定义的“非专业人士”读者群体对于数据分析入门和应用的需求，并将自己从实际工作中积累的经验和体会整理成册，从实践者的角度与读者进行分享。
数据分析技术只是工具，算法可简单、可复杂，要想使用好这个工具，数据思维、数据素养等基本认知是关键。本书没有对数理统计、机器学习等算法进行深入讨论，而是着重于从“道、法、术、器”等维度，以树形框架梳理数据分析认知体系，并结合大量的案例进行阐释，是一本全面、清晰的科普入门书籍。
于琪的行文风格一如既往地接地气，生动形象，写这本书更像在研讨会上把自己的经验和体会与大家进行分享和交流。相信本书对于读者入门数据分析知识框架、快速开启数据分析应用之旅有很大的帮助。

—田鹏伟博士（阿里云智能资深技术专家，离散智能制造研发负责人；
曾任西门子中国研究院数据分析与人工智能研发部总监）

本书配套资源下载

对不起，暂无音视频资源！

人人可做数据分析：从数据分析到数据驱动运营