[Dangdang.com] Монетизация данных: построение стратегии и решения для роста роста, вызванного данными, в издательском доме машинной индустрии подлинные книги
Цена: 1 065руб. (¥59.2)
Артикул: 615266458040
Доставка по Китаю (НЕ включена в цену):
108 руб. (¥6)
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:当当网官方旗舰店
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥ 42.65 29.5531руб.
¥35.2633руб.
¥ 53.78 46.5837руб.
¥ 39.8 35.88646руб.
Новый дивиденд - дивиденд данных и методологии!Как действительно получить прибыль от активов данных?
Как поставить рост, вызванный данными?
Данные являются важным активом компании. возможности, необходимые для реализации монетизации данных.
Колледж Папонсона Томас•H•Дэвин Поттер,
Терадата Билл•Фрэнкс,
Intercontinental Hotel Group Dife•Кушик
Международная компания Honeywell•Грюфы
рекомендуемые
ОглавлениеКитайская версия ПРЕДИСЛОВИЕ
Переводчик
Предисловие
Спасибо
Об авторе
Введение 1 Введение
Глава 1 Введение // 2
1.1 Решение // 3
1.2.
1.3 Решите проблему // 7
1.4 Исследовательская шоу…… // 9
1.5 Как использовать эту книгу // 12
1.5.1 Глава 1: Введение // 12
1.5.2 Глава 2: Анализ решений // 13
1.5.3 Глава 3: Стратегия метастикации // 13
1.5.4 ГЛАВА 4: Айдл Анализ // 14
1.5.5 Глава 5: Реализация Enable // 14
1.5.6 Глава 6: Тематическое исследование // 15
1.6 СТАРЬ, давайте начнем // 15
Глава 2 Цикл анализа: продвигать высокие качественные решения // 16
2.1 Анализ обзора цилиндра // 17
2.1.1 Open // 20
2.1.2 Диагностика // 23
2.1.3 Действие // 26
2.1.4 Измерение // 26
2.1.5 Данные // 28
2.2 Информационный уровень пользователя // 29
2.3 Следующий шаг // 31
Глава 3 Методология строительства решений: составьте дефекты // 32
3.1 Обзор методологии // 33
3.2 Изучение Discovery // 37
3.3 Анализ решений // 39
3.4 Стратегия монетизации // 41
3.5 Agile Analysis // 41
3.5.1 Разработка данных /Структура анализа // 42
3.5.2 Наука данных /Теория решений // 43
3.5.3 Анализ руководства // 44
3.6 Реализация включена // 47
3.7 Резюме // 50
Глава 2 Анализ решений
Глава 4 Анализ решений: решения по сборке // 52
4.1 Классификационное дерево // 53
4.2 Анализ вопросов // 57
4.3 Ключевые решения // 60
4.4 Требования к данным // 64
4.5 Дывое левередж // 66
4.6 Индикатор успеха // 68
4.7 Классификационное дерево // 71
4.8 Сводка // 74
3 -я стратегия монетизации
ГЛАВА 5 Стратегия метастка: пусть данные генерируют доход // 76
5.1 Бизнес -рычаг // 78
5.2 Стратегическая структура METAPING // 81
5.3 Анализ решений и гибкий анализ // 84
5.3.1 Определить предположения и установить варианты // 84
5.3.2 Анализ вопросов // 85
5.3.3 Ключевые решения // 86
5.3.4
5.3.5 Индикатор успеха // 88
5.3.6 Разработка данных // 89
5.3.7 Наука данных /Теория решений // 90
5.4 конкуренция и информация о рынке // 94
5.5 Сводка // 96
Глава 6 Принципы руководства по метаплерации: выполнение реальности // 97
6.1 Высоко -качественные данные // 99
6.2 Target // 101
6.3 КЛАНСТВО // 102
6.4 осуществимость // 104
6.5 Матрица принятия решений // 105
6.6 На основе науки данных // 106
6.7 Значение реализации // 107
6.8 Нахождение факторов // 109
6.9 Измерение // 111
6.10 Мотивация // 111
6.11 Организация культуры // 112
6.12 Продвижение инноваций // 114
Глава 7 Стратегия мононации продукта: тематическое исследование // 116
7.1 Фон // 116
7.2 Бизнес -рычаг // 118
7.3 Exploration Discovery // 120
7.4 Решение // 120
7.4.1 Дерево классификации // 120
7.4.2 Анализ вопросов // 121
7.4.3 Ключевое решение // 122
7.4.4 Индикатор успеха // 123
7.4.5.
7.5 Data Science // 126
7.6 Требования к структуре метаплерации // 126
7.7 Матрица принятия решений // 128
Глава 4 Гиверный анализ
Глава 8 Теория решений: разум // 131
8.1 Матрица принятия решений // 132
8.2 Вероятность // 134
8.3 Теория проспектов // 137
8.4 Выберите архитектуру // 138
8.5 Когнитивная ошибка // 140
Глава 9 Наука данных: интеллект // 143
9.1 Индикатор // 144
9.2 Порог // 147
9.3 Тенденции и прогнозы // 149
9.4 Связанный анализ // 150
9,5 сегментация // 153
9.6 Кластерный анализ // 155
9,7 скорость // 159
9.8 Модель прогноза и интерпретации // 161
9,9 машинное обучение // 162
Глава 10 Разработка данных: методист // 164
10.1 Качество данных // 164
10.1.1 Завершение // 166
10.1.2 Консистенция // 167
10.1.3 Повторите // 167
10.1.4 ОБЩЕСТВО // 168
10.1.5 Точность // 168
10.1.6 Отечественница // 168
10.1.7 Своевременная, доступность и история // 169
10.2 Грязные данные, что мне делать?// 170
10.3 Тип данных // 170
10.3.1 Yuan Data // 170
10.3.2 Мир данных // 171
10.4 Организация данных // 173
10.4.1 Перемещение данных // 173
10.4.2 Размер частиц // 174
10.4.3 Для анализа и строительства // 175
10.5 Преобразование данных // 177
10.5.1 ETL Business Rules Conversion // 178
10.5.2 Анализ и сообщать о преобразовании бизнес -правил // 178
10.5.3 Преобразование индикатора // 178
10.6 Свод // 181
Глава 11 Анализ руководства: Сделайте это связанным // 182
11.1, а затем // 182
11.2 Анализ руководства // 185
11.2.1 Голос данных // 185
11.2.2 Голос клиента // 187
11.2.3 Подпись клиента // 193
11.2.4 Голос бизнеса // 194
11.3 Сводка // 198
Глава 12 Пользовательский интерфейс (пользовательский интерфейс): clear // 199
12.1 ВВЕДЕНИЕ UI // 199
12.2 Визуальная цветная панель // 200
12,3 меньше больше // 201
12.3.1 Отношение чернил данных // 204
12.3.2 меньше - это больше—Но не берите голову // 208
12.4 просто посмотрите на это // 210
12.5 Формат Принципы восприятия // 213
12.6 Интеграция и проникновение // 214
12.6.1 Цвет // 214
12.6.2 Элементы визуальной цветной панели // 218
12.6.3 Отличная формат башня—Меньше больше // 220
12.7 Резюме // 222
Глава 13 Пользовательский опыт (UX): Сделайте его доступным // 223
13.1 Эффективная нагрузка // 223
13.1.1 Когнитивная нагрузка // 224
13.1.2 Рабочая память // 224
13.1.3 Внимание // 225
13.1.4 Нагрузка на упражнение // 226
13.1.5 Выберите перегрузку // 227
13.2 Smooth Down // 228
13.2.1
13.2.2 Предоставьте данные о спросе—Подключите данные к решению // 230
13.2.3 Модуляризация // 231 13.3 Плотность предложений // 232
13.4 Простой: другая сторона сложности //
......В настоящее время различные организации накопили много информации с информацией о структурированной данных и не структурированной информации о данных. Они собирают и хранят данные из сетевого трафика, процессов продаж, внутренний анализ и различные источники, но в настоящее время большинство организаций не являются Иметь методы, инструменты и технологии, которые позволяют этим данным стимулировать финансовые показатели.В этой книге объясняются методы использования зрелых технологий архитектуры, принимающей решения, науки о данных и анализа руководства, чтобы помочь различным типам организаций увеличить доход или снизить затраты.Эта книга предоставляет методологию для архитектуры, принимающей решения, чтобы помочь аналитикам и организациям увеличить доход или экономить затраты посредством повторных процессов, анализа данных и стратегий монетизации данных.Кроме того, эта книга также предоставляет автоматизированные операции для бизнес -анализа для создания данных, а также автоматизированные операции, которые способствуют пониманию стратегий полимеризации, качества данных и конвертации данных. Полем
......Андрей·Роман·Эндрю Роман Уэллс - генеральный директор Aspirent, а Caspent - это консалтинговая компания по управлению, которая сосредоточена на анализе.Он имеет богатый опыт создания аналитических решений для многих компаний, от Fortune 500 до небольших непрофильных организаций.Эндрю сосредотачивается на том, чтобы помочь организации использовать свои данные для принятия важных решений для обеспечения доходов через стратегию монетизации.Он создал аналитическое решение более 25 лет и готов поделиться этими практическими методами, инструментами и методами с большим количеством читателей.В дополнение к работе в качестве руководителя, Эндрю также является личным консультантом, который с самого начала своего консультанта в Anyong Certified Public Accountants и создание решения отчета.Он улучшил свои навыки в Силиконовой долине и работал в двух успешных стартапах, сосредоточившись на анализе клиентов и использовании методов прогнозирования для продвижения производительности.Эндрю также сыграл управленческую роль в бизнес -сообществе.От консалтинга до стартапов, до бизнес -сообщества, Эндрю имеет большой опыт в продвижении роста посредством анализа.Он создал решения для многих отраслей и компаний, в том числе Coca -Cola, Intercontinental Hotel Group, Jiahebao Company,*Capital Company, Wells Fargo, HP, Time Warner, Meilin Company, Captive Materials Company и т. Д.
Эндрю и его жена Сюзанна живут в Атланте, и ему нравятся фотографии, бег и международные поездки.Он Майкл·Партнер Майкла Эндрюса.Он также получил степень бакалавра в области делового администрирования в Университете Джорджии, сосредоточившись на финансовых и управленческих информационных системах.
Кэти·Уильямс·Кэти Уильямс Чианг - зрелый практикующий бизнес по бизнес -анализу, которая хорошо управляет анализом, анализом развития рынка данных и бизнес -планированием.В настоящее время он является вице -президентом Департамента коммерческих идей Wunderman Management.
Г -жа Цзян и Аптинг завершили много аналитических и консультационных проектов нескольких многонациональных клиентов, в том числе межконтинентальные гостиничные группы и компании Coca -Cola.Она также работала во многих странах, в том числе Trinida и Dubago Telecom Service Company, Vision Brand Lighting Company, Bell South International и Portman Overseas Corporation.
Г -жа Цзян имеет богатый опыт в разработке и разработке инструментов анализа и инструментов управления, которые могут открыть и способствовать операциям. Полем
Г -жа Цзян - новая Орли.Будучи одним из американцев, которые вошли в Китай после нормализации связей с китайскими, г -жа Цзян жила в северо -восточном Китае в течение двух лет в сложных условиях, где она преподавала английский язык, учится говорить и посещала многие места в Китае.В своей карьере она работала в Соединенных Штатах, Карибском бассейне, Великобритании, Латинской Америке и Китае.