对于很多企业而言，大数据的重要性不言而喻，但是如何构建、实施和应用大数据系统却是一个复杂工程。本书让读者认识到大数据不仅仅是数据、技术、架构、应用，更是结合了商业模式、战略定位、信息安全、单位协同、组织保障、实施选型的完整体系。
本书内容从大数据的规划定位、组织实施和价值提升三个维度展开，兼顾从整体性、全局性、安全性、价值性、技术性、体系性等方面的考虑。
第一部分：企业大数据战略规划
主要从宏观的角度介绍大数据的定位、组织保障、解决方案选择和自主实施思路，目的是从全局角度引导建立大数据工作的整体思维。
第二部分：企业大数据落地实施
主要从执行层面介绍了大数据落地相关的技术、架构、开发、大数据工作流、应用和价值评估，直接以落地视角解读大数据工作中每个环节涉及到的流程、知识和方法，这也是本书的核心章节。
第三部分：大数据价值、变革和挑战
主要涉及大数据的社会价值、当前问题和挑战以及大数据的未来趋势，这是对现有大数据工作的延展以及未来趋势的探索。
目录
Contents 目 录
前言
第1章 企业大数据战略定位 1
1.1 宏观 1
1.2 微观 4
1.2.1 资源协同 5
1.2.2 战略定位 6
1.2.3 启动契机 7
1.2.4 大数据历程 9
1.3 本章小结 12
第2章 企业大数据职能规划 13
2.1 大数据组织架构体系 13
2.1.1 大数据部门在企业中的角色 13
2.1.2 常见的大数据职能及职责 17
2.2 大数据职位构建体系 24
2.2.1 基础平台类 24
2.2.2 数据管理类 26
2.2.3 技术研发类 27
2.2.4 产品设计类 30
2.2.5 数据挖掘类 32
2.2.6 数据分析类 33
2.3 大数据制度和流程规范 35
2.3.1 制度和流程规范意义 35
2.3.2 制度和流程规范内容 35
2.3.3 制度和流程规范模板 42
2.4 本章小结 44
第3章 企业大数据解决方案 45
3.1 企业大数据解决方案实现方式 45
3.1.1 独立研发 45
3.1.2 第三方解决方案 46
3.1.3 联合开发 57
3.2 如何选择解决方案 58
3.2.1 外部环境分析 58
3.2.2 内部环境分析 59
3.2.3 需求规划分析 62
3.2.4 解决方案特性分析 63
3.2.5 解决方案费用评估 67
3.3 本章小结 70
第4章 企业大数据自主实施思路 71
4.1 制定规划原则 71
4.1.1 价值性 71
4.1.2 实时性 72
4.1.3 高效性 72
4.1.4 安全性 72
4.1.5 延展性 73
4.1.6 全局性 74
4.2 制定目标蓝图 75
4.3 制定建设目标 76
4.4 明确组织规划 78
4.4.1 组织结构设计的作用 79
4.4.2 组织结构设立的导向 79
4.4.3 组织结构的最终设立 81
4.5 设计技术方案 85
4.5.1 大数据系统建设方案 85
4.5.2 大数据系统与传统BI的融合方案 91
4.6 制定人才规划 94
4.6.1 指导思想 94
4.6.2 规划原则 94
4.6.3 核心内容 95
4.7 投入产出评估 97
4.7.1 数据投入与产出的内涵 97
4.7.2 数据投入与产出的特征 98
4.7.3 数据投入与产出的管理 99
4.8 数据风险管理 105
4.8.1 数据风险管理的概念 105
4.8.2 数据风险管理的类型 106
4.8.3 数据风险管理的原则 109
4.8.4 数据风险管理与控制 110
4.9 本章小结 114
第5章 大数据技术介绍 115
5.1 核心技术 115
5.1.1 Hadoop生态 115
5.1.2 NoSQL 142
5.1.3 实时计算 150
5.1.4 全文检索 160
5.2 相关技术 204
5.2.1 数据可视化 204
5.2.2 数据缓存 220
5.2.3 中间件 227
5.2.4 关系型数据库 236
5.2.5 数据ETL 245
5.3 大数据算法库 250
5.4 本章小结 276
第6章 大数据架构设计 277
6.1 大数据架构设计原则 277
6.2 大数据核心架构要素 279
6.3 大数据架构设计模式 284
6.4 本章小结 289
第7章 大数据技术开发 290
7.1 数据采集 290
7.1.1 批量采集 291
7.1.2 增量采集 292
7.2 数据存储 293
7.2.1 HDFS文件存储引擎 294
7.2.2 Hive数据存储引擎 295
7.2.3 HBase列式存储引擎 295
7.2.4 MySQL关系型数据存储引擎 296
7.3 多维计算 296
7.4 功能服务 299
7.5 平台管理 301
7.5.1 监控管理 301
7.5.2 调度管理 302
7.5.3 权限管理 304
7.6 应用域 307
7.7 本章小结 308
第8章 大数据工作流 309
8.1 数据源 310
8.1.1 日志/文件 310
8.1.2 数据库 310
8.1.3 网络爬虫 311
8.1.4 第三方API/合作 311
8.2 数据处理 312
8.2.1 数据质量校验 312
8.2.2 清洗转换 316
8.2.3 质量提升 320
8.2.4 数据脱敏 321
8.2.5 集成整合 323
8.3 数据存储 324
8.3.1 关系型数据库 324
8.3.2 分布式文件系统 325
8.4 数据计算 325
8.4.1 三种数据计算时效性 325
8.4.2 结构化数据计算 327
8.4.3 半/非结构化数据计算 333
8.4.4 深度挖掘学习 360
8.5 数据应用 376
8.5.1 辅助决策 376
8.5.2 数据驱动 377
8.6 数据质量管理 379
8.6.1 数据质量建设的内涵 379
8.6.2 影响数据质量的常见因素 380
8.6.3 数据质量建设的框架 381
8.7 本章小结 392
第9章 企业大数据业务应用 393
9.1 大数据应用场景概述 393
9.1.1 场景商业目的分析 394
9.1.2 场景数据来源分析 394
9.1.3 场景数据难易分析 397
9.1.4 场景应用举例 397
9.2 用户画像 407
9.2.1 业务应用背景 407
9.2.2 主要实现过程 408
9.2.3 关键应用场景 414
9.2.4 应用价值提炼 415
9.2.5 场景总结回顾 417
9.3 个性化营销 419
9.3.1 业务应用背景 419
9.3.2 主要实现过程 421
9.3.3 关键应用场景 424
9.3.4 应用价值提炼 425
9.3.5 场景总结回顾 426
9.4 精准广告 427
9.4.1 业务应用背景 427
9.4.2 主要实现过程 429
9.4.3 关键应用场景 438
9.4.4 应用价值提炼 439
9.4.5 场景总结回顾 440
9.5 征信 441
9.5.1 应用场景背景 441
9.5.2 主要实现过程 442
9.5.3 主要应用场景 447
9.5.4 应用价值提炼 449
9.5.5 场景总结回顾 449
9.6 本章小结 450
第10章 企业大数据价值评估 451
10.1 资产价值 451
10.1.1 数据规模 451
10.1.2 数据价值度 452
10.1.3 数据鲜活性 454
10.1.4 数据关联维度 454
10.1.5 数据粒度 455
10.2 业务价值 455
10.2.1 用户体验提升 455
10.2.2 运营优化 457
10.2.3 销售贡献 460
10.2.4 供应链优化 461
10.3 本章小结 462
第11章 大数据的社会价值 463
11.1 民生价值 463
11.2 政务价值 465
11.3 产业价值 468
11.4 本章小结 470
第12章 大数据当前问题及挑战 471
12.1 数据挑战 471
12.2 安全挑战 472
12.3 价值挑战 474
12.4 认知挑战 475
12.5 技术挑战 478
12.6 人才挑战 480
12.7 本章小结 481
第13章 大数据未来趋势 482
13.1 价值资产化 482
13.2 产业生态化 487
13.3 主体社会化 490
13.4 应用智能化 491
13.5 本章小结 492
下载体验