大数据策略 如何成功使用大数据与10个行业案例分享

1 (p1): 第1章 何为真正的大数据
1 (p1-1): 1.1 技术层面的定义
4 (p1-2): 1.2 为什么数据规模无关紧要
4 (p1-3): 1.3 大数据对管理层意味着什么
4 (p1-3-1): 1.3.1 “大数据是万能的”
5 (p1-3-2): 1.3.2 “数据只是另一种电子表格”
5 (p1-4): 1.4 大数据的执行方式
10 (p1-5): 1.5 小结
11 (p2): 第2章 如何制定成功的大数据策略
11 (p2-1): 2.1 转不出的死命循环
13 (p2-2): 2.2 如何解开“谁是第一次”这个难题
13 (p2-2-1): 2.2.1 改变大数据视角
13 (p2-2-2): 2.2.2 用户认知与数据采集
14 (p2-2-3): 2.2.3 Facebook预测性分析的现实
15 (p2-2-4): 2.2.4 Facebook数据收集走得更远
16 (p2-2-5): 2.2.5 使用Facebook坦诚认知大数据发展潜力
16 (p2-2-6): 2.2.6 专业认知与大数据现实
17 (p2-2-7): 2.2.7 从感知到认知偏差
17 (p2-2-8): 2.2.8 寻找大数据占卜师
19 (p2-3): 2.3 下一步：拥抱无知
19 (p2-4): 2.4 始于何处
20 (p2-4-1): 2.4.1 在结束时开始
21 (p2-4-2): 2.4.2 当行动变为无为时
22 (p2-5): 2.5 确认目标，瞄准目标
24 (p2-6): 2.6 如何获得最佳实践方法，让落后观念远离前进的道路
24 (p2-6-1): 2.6.1 解决人们对大数据的恐慌
24 (p2-6-2): 2.6.2 终结未知的恐惧
25 (p2-6-3): 2.6.3 接受改变，融入改变
26 (p2-6-4): 2.6.4 机器统治并不确定，人类仍然起作用
26 (p2-6-5): 2.6.5 接触少数固执的人
26 (p2-7): 2.7 回答没人提出的问题
27 (p2-7-1): 2.7.1 持续询问可能性
27 (p2-7-2): 2.7.2 寻找最终目标
28 (p2-8): 2.8 与解说团队交叉合作
28 (p2-8-1): 2.8.1 为团队增加业务分析师和关键终端用户
29 (p2-8-2): 2.8.2 为收集和管理数据增加首席数据官
30 (p2-9): 2.9 小处着手、逐步发展并扩张
31 (p2-10): 2.10 原型和迭代策略
31 (p2-11): 2.11 谈谈向数据策略中添加预测分析
31 (p2-12): 2.12 民主化数据，但预计几乎无人使用（目前）
32 (p2-13): 2.13 策略就是一个活的文档；充实它、滋养它
32 (p2-14): 2.14 小结
33 (p3): 第3章 提出“正确”的问题
34 (p3-1): 3.1 协作努力，提出问题
35 (p3-2): 3.2 魔法8号球效应
36 (p3-3): 3.3 用数学软件来分析现实问题
36 (p3-4): 3.4 “正确”问题的清单
36 (p3-5): 3.5 小结
37 (p4): 第4章 选择“正确”数据源的方法
37 (p4-1): 4.1 需要更多的数据源（数据类型）而非数据本身（数据容量）
38 (p4-2): 4.2 为什么无论数据规模多大，生成的数据量都会不足且永远不足
38 (p4-3): 4.3 数据囤积与先捉再放
39 (p4-4): 4.4 不可思议的大数据案例：购买尿布的狗主人
39 (p4-5): 4.5 升级事务性数据的价值
40 (p4-6): 4.6 社交媒体数据分析的局限性
40 (p4-7): 4.7 大数据买卖的货币价值
41 (p4-8): 4.8 利用黑客技术赚钱碰到麻烦
42 (p4-9): 4.9 评估数据源
42 (p4-10): 4.10 过时的模型招致竞争对手
43 (p4-11): 4.11 购买数据时的考量
43 (p4-12): 4.12 确定所需的外围数据
44 (p4-13): 4.13 谈谈结构化与非结构化数据
46 (p4-14): 4.14 防止人为偏见对数据选择的影响
46 (p4-15): 4.15 数据孤岛的危险
47 (p4-16): 4.16 使用所需数据源的必要步骤
48 (p4-17): 4.17 小结
49 (p5): 第5章 解答大数据问题如同玩魔方
49 (p5-1): 5.1 可行性数据的概念
51 (p5-2): 5.2 描述性、预测性和规范性数据分析类型的差异
52 (p5-2-1): 5.2.1 描述性数据分析
53 (p5-2-2): 5.2.2…