具体描述
大数据分析的时代来临了,这将是一场真正的变革。《大数据分析:决胜互联网金融时代》着眼于一些利用令人兴奋的大数据思路支持业务分析的新一代新锐企业。这是一个真正的飞跃,也是一个能实现在效率、生产力、收入和盈利能力等方面产生巨大收益的良机。
《大数据分析:决胜互联网金融时代》为企业经理和管理人员所写,使他们可以最有效地利用信息资源。本书在艰深的战略理论和通俗易懂的示例之间做到平衡,对技术性很强的话题,通过故事、比喻和类比的方式使读者更容易理解和接受。作者是一位决策科学家和分析专家,通过行业的具体例子来描述大数据相关的技术,并说明大数据的价值。在介绍了大数据领域有成功实践的个人和公司之后,《大数据分析:决胜互联网金融时代》还深入研究了要在大数据领域取得成功所需要的组织和角色的构成。
作者简介
迈克尔·梅内里(Michael Minelli)是一个市场和销售专家,在商业分析解决方案领域有16年的经验。他是销售和全球联盟的副总裁,万事达卡公司的信息服务顾问。
米歇尔·钱伯斯(Michele Chambers)拥有诺瓦东南大学的计算机工程学士学位和杜克大学的MBA学位。她是一位有25年技术经验的创业高管。钱伯斯女士曾经是负责IBM公司大数据分析的副总裁。
安碧嘉·帝拉吉(Ambiga Dhiraj)是Mu Sigma公司客户交付部的经理,Mu Sigma是决策科学和分析解决方案的首席供应商。
目录信息
1.1 创业的大洪水
1.2 大数据不仅仅是“大”
1.3 为什么是现在?
1.4 关键技术的融合
1.5 相对而言……
1.6 更丰富多样的数据
1.7 非结构化数据域的扩张
1.8 高层的声音
参考文献
第2章 大数据的工业实例 19
2.1 数字营销和离线世界
2.2 数据库营销,大数据的先驱
2.3 大数据和市场营销的新技能
2.4 欺诈和大数据
2.5 风险和大数据
2.6 信用卡风险管理
2.7 大数据和算法交易
2.8 大数据在健康医疗领域的应用
2.9 医药领域的前沿先锋
2.10 广告和大数据:从莎草纸到受众识别
2.11 从消费类产品作为入口
参考文献
第3章 大数据技术 59
3.1 房间里的大象:Hadoop并行计算世界
3.2 新旧技术对比
3.3 数据发现:沿着人类思维方式而工作
3.4 大数据分析的开源技术
3.5 云计算和大数据
3.6 预测分析崭露头角
3.7 软件即服务(SaaS)BI
3.8 移动商业智能将成为主流
3.9 众包分析
3.10 防火墙外部分析及跨防火墙分析
3.11 R&D方法帮助吸取新技术
3.12 大数据技术术语
3.13 二进制数据
参考文献
第4章 信息管理 87
4.1 大数据基础
4.2 大数据计算平台
4.3 大数据计算
4.4 更多关于大数据存储
4.5 大数据计算的局限性
4.6 大数据的新兴技术
第5章 商业分析 97
5.1 大数据分析的“最后一英里”
5.2 智能地理信息会让你的生活更美好
5.3 听:是信号还是噪声?
5.4 数据分析的实际使用
5.5 从生产到消费
5.6 可视化:如何将数据分析变得可用?
5.7 组织使用数据可视化作为采取即时行动的方法
5.8 从数据采样到数据分析
5.9 跳到盒子外思索
5.10360°建模
5.11 速度需求
5.12 让我们变得具有竞争性
5.13 什么技术是有效的?
5.14 数据分析已经超越工具本身,并升级为大数据分析应用程序
参考文献
第6章 大数据行业角色 125
6.1 数据科学家的兴起
6.2 深度使用数学、科学以及计算机科学
6.310/90原则和批判性思考
6.4 分析师人才和行政支持
6.5 发展决策科学人才
6.6 数据分析的全局视图
6.7 培养决策科学人才
6.8 创建培养决策科学人才的文化
6.9 建立正确的组织结构进行有组织的分析
第7章 数据隐私与伦理 147
7.1 隐私涉及的主要领域
7.2 大数据抓取不是新鲜事
7.3 偏好、个性及关系
7.4 权利与义务
7.5 良心与责任意识
7.6 隐私可能是错误的焦点
7.7 数据可以匿名吗?
7.8 用户数据在情报安全部门的平衡
7.9 现在该做些什么?
参考文献
结语 165
推荐资源 171
译者后记 175
· · · · · · (收起)
读后感
用户评价
我对这本书中关于“用户画像构建”和“精准营销”的部分抱有很高的期待,毕竟这是互联网金融最直接产生效益的领域之一。我希望看到的是如何从海量的交易流水、社交行为、设备指纹等异构数据中,提炼出能够精准预测客户生命周期价值(CLV)的关键特征。然而,这一部分的论述相对薄弱,它只是简单地罗列了几种画像的维度(如消费能力、风险偏好、社交圈层),并指出这些维度对于产品推荐的重要性。具体到“如何从陌生的用户行为序列中识别出其潜在的投资意图”,这本书没有给出哪怕是一个简单的示例模型或特征工程的思路。给我的感觉是,作者似乎对数据的“挖掘”层面兴趣不大,而更倾向于对“战略布局”进行论述。如果将这本书比作一家金融科技公司的部门结构,它更像是CEO办公室的战略规划报告,而不是数据科学家团队的日常工作手册。对于我这种渴望利用数据驱动业务增长的读者而言,这种“战略大于战术”的侧重,使得这本书的实战指导价值大大降低了。
说实话,我拿到这本书的时候,其实是冲着“决胜”这两个字去的,总觉得里面会藏着什么独家的“制胜秘籍”或者经过验证的商业模型。翻阅全书,我印象最深的反而是它对“数据治理”和“合规性”的反复强调。这部分内容写得非常详尽和审慎,几乎用一半的篇幅来讨论数据安全、隐私保护以及各国(特别是国内)的监管政策变化。这本身是无可厚非的,毕竟金融是强监管行业,数据安全是生命线。但从一个追求效率和创新的技术人员角度来看,这种过于侧重“防御”而非“进攻”的论述,让整本书的节奏显得有些缓慢和保守。我更想看到的是,在遵守现有合规框架的前提下,有哪些创新性的数据应用能够带来颠覆性的用户体验或成本优势。例如,如何利用联邦学习在不共享原始数据的前提下,实现跨机构的风险协同建模,这种既能满足合规又能实现技术突破的案例,书中并未着墨太多。它更侧重于阐述“不该做什么”,而不是“可以大胆地做什么”。这让这本书的实用性打了个折扣,更像是一份非常详尽的法律和道德指南,而非一本教你如何运用数据“赢下”市场的实战手册。
这本《大数据分析:决胜互联网金融时代》的封面设计倒是挺引人注目的,那种深蓝色调配上跳动的代码流光,一下子就抓住了我对高科技和金融交叉领域的兴趣。我原本是抱着学习一些前沿技术如何落地到实际金融业务中的想法翻开它的。然而,读完后我发现,这本书更像是一本对“大数据”这个宏大概念的梳理和行业现状的概览,而非我所期望的那种手把手教你搭建分析模型、优化风控算法的“实操指南”。比如,它花了大量篇幅去描绘了互联网金融野蛮生长到规范化发展的宏观历史脉络,从P2P的兴起到现在的资产证券化趋势,这些背景知识固然重要,但对于一个已经对金融科技有所了解的读者来说,信息密度稍显不足,更像是教科书里关于行业背景的介绍章节。我期待的是更深入的数据采集、清洗、特征工程的具体案例,比如如何处理非结构化的用户行为数据来预测短期偿债能力,或者使用图数据库技术来识别复杂的洗钱网络。这些技术细节,在这本书里只是被轻轻带过,更多的是概念性的阐述,比如提到了“机器学习在信用评估中的应用”,但并没有深入到具体的算法选择依据和模型评估指标的比较。总的来说,它适合作为行业新兵的入门读物,帮助建立起一个大致的知识框架,但对于寻求技术突破和实战经验的资深人士来说,可能需要寻找更专业的工具书来补充。
这本书的排版和引用格式倒是做得挺规范,可以看到作者在资料搜集上下了不少功夫,引用了大量的近几年金融科技领域的报告和学术文献。这为全书提供了坚实的理论基础,使得它在探讨一些未来趋势时显得有理有据。但是,这种对文献的依赖,也无形中限制了其前瞻性和批判性。很多观点都像是对现有主流观点的综合和总结,缺乏一种强烈的、能够挑战行业现状的批判性思维。例如,在讨论“区块链在供应链金融中的应用”时,作者详细介绍了去中心化账本的优势,但对于当前公链性能瓶颈、私有链的中心化风险以及大规模落地的监管审批难度等现实挑战,讨论得不够深入和尖锐。我期待的是一场关于技术潜力和现实阻力的激烈辩论,而不是对技术优势的全面肯定。因此,这本书读起来给人一种“安全、全面、但不够刺激”的感觉,它确保你不会犯下基础性的认知错误,但也没能提供让你一鸣惊人的创新视角或方法论。
这本书的行文风格相当的“学术化”,遣词造句非常严谨,充满了各种专业术语的堆砌和逻辑推理。我尝试着去理解它在“实时风控系统架构”那一章的论述,感觉作者似乎预设了读者已经对分布式计算框架(如Kafka, Flink)有相当的理解。他用了一种非常宏观的视角来描述整个数据流的生命周期,从数据接入到决策输出,结构清晰,条理分明。但问题在于,这种高屋建瓴的描述,缺乏将理论落地到具体代码实现或配置层面的细节支撑。比如,在讨论如何优化决策延迟时,书中只提到了“引入内存计算单元以加速查询”,但并没有提供任何关于选择哪种内存数据库、如何设计其缓存策略,或是面对高并发时如何进行负载均衡的具体技术选型建议。阅读体验上,它更像是在听一场高水平的行业峰会主题演讲,你能感受到演讲者的专业深度,但当你真的想抄下关键步骤回去实践时,却发现笔记里只有一堆抽象的概念,缺少了那些能让你立刻投入编码的“干货”。
毛都没有,都没提到互联网金融……
看不进去,看到三分之一。今天尝试继续看完,发现还是读不下去,内容空泛没有吸引力
普及型的读物,适合非专业入门
毛都没有,都没提到互联网金融……
普及型的读物,适合非专业入门