大数据实践之路:数据中台+数据分析+产品应用电子书

内容简介

前言

第1章　那些困扰我们的数据问题

1.1　数据质量的问题

1.2　数据获取效率的问题

1.3　数据应用价值的问题

数据中台篇

第2章　元数据中心

2.1　元数据中心概述

2.2　元数据中心的核心功能

2.2.1　数据整合

2.2.2　数据管理

2.2.3　数据地图

第3章　数据指标中心

3.1　数据指标中心概述

3.2　数据指标中心的设计思路

3.2.1　定义指标并将其归集到对应的主题域

3.2.2　拆分原子指标与派生指标

3.2.3　定义原子指标与派生指标的生产逻辑

3.2.4　通过指标管理平台对指标进行规范生产

第4章　数仓模型中心

4.1　数仓模型中心概述

4.2　数仓模型中心的设计思路

4.2.1　控制数据源

4.2.2　划分主题域

4.2.3　构建一致性维度

4.2.4　构建总线矩阵

4.2.5　数仓分层建设

4.2.6　数仓效果评估

第5章　数据资产中心

5.1　数据资产中心概述

5.2　数据资产中心的治理流程

5.2.1　数据资产定级

5.2.2　数据资产质量治理

5.2.3　数据资产成本治理

第6章　数据服务中心

6.1　数据服务中心概述

6.2　数据服务中心的设计思路

6.2.1　将数据写入查询库

6.2.2　搭建元数据模型

6.2.3　按主题归类

6.2.4　缓存优化

6.2.5　数据接口化

6.2.6　构建API集市

6.2.7　统一数据服务

数据分析篇

第7章　数据分析理论

7.1　业务和数据

7.1.1　业务和数据的闭环

7.1.2　不同岗位的职责边界与合作

7.1.3　数据、信息和知识

7.1.4　业务策略的闭环

7.1.5　人人都会数据分析的趋势

7.2　数据分析师的全貌

7.2.1　数据分析的定义与流程

7.2.2　数据分析的3种场景

7.2.3　数据分析师的核心能力

7.2.4　数据分析师的职业素养

7.2.5　数据分析师的工作内容

7.2.6　数据分析师的考核

7.3　数据分析团队的组织架构及其对应的工作模式

7.3.1　数据分析团队的组织架构

7.3.2　不同组织架构的工作模式

7.4　数据分析师的工作方式

7.4.1　工作象限图

7.4.2　1+N的工作内容

7.4.3　与业务方的合作模式

7.4.4　有关工作方式常见问题的解法思考

第8章　数据分析实操

8.1　预测性分析

8.1.1　预测性分析的目的

8.1.2　分析思路与方法

8.1.3　预测性分析案例

8.2　描述性分析

8.2.1　描述性分析的目的

8.2.2　分析思路与方法

8.2.3　描述性分析案例

8.3　诊断性分析

8.3.1　诊断性分析的目的

8.3.2　分析思路与方法

8.4　数据分析报告

8.4.1　数据分析报告的定位

8.4.2　预测性分析报告的结构

8.4.3　描述性分析报告的结构

8.4.4　诊断性分析报告的结构

数据应用篇

第9章　BI系统

9.1　让人头疼的看板需求

9.2　BI系统介绍

9.2.1　什么是BI系统

9.2.2　BI系统有哪些

9.2.3　BI系统的相关人员

9.2.4　BI系统的特点

9.3　BI系统的关键技术

9.4　BI系统实践

9.4.1　数据接入

9.4.2　数据集加工

9.4.3　数据集权限控制

9.4.4　可视化报表配置

9.4.5　可视化结果展示

9.4.6　数据分析OLAP

9.4.7　如何衡量BI系统是否成功

第10章　用户画像

10.1　用户画像的全貌

10.1.1　初识用户画像

10.1.2　基本概念

10.1.3　用户画像体系建设

10.1.4　人员配合流程

10.2　用户画像的需求

10.2.1　对内需求盘点

10.2.2　对外竞品调研

10.3　用户画像的规划

10.3.1　用户画像的业务架构

10.3.2　用户画像的产品架构

10.3.3　用户画像的版本计划

10.3.4　用户画像的项目执行计划

10.4　用户ID体系

10.4.1　方法

10.4.2　实施过程

10.5　标签体系

10.5.1　标签分类

10.5.2　标签分级

10.6　用户画像系统

10.6.1　概述

10.6.2　首页

10.6.3　洞察

10.6.4　标签广场

10.6.5　人群

10.6.6　系统管理

10.6.7　总结

10.7　用户画像的应用

第11章　电商反作弊体系

11.1　“电商黑产”的现状

11.1.1　“电商黑产薅羊毛”事件

11.1.2　“电商黑产”的类型

11.1.3　电商“薅羊毛”场景

11.1.4　“电商黑产”的发展趋势

11.1.5　“电商黑产”的作弊工具

11.2　“电商黑产”的防控方案

11.2.1　活动的损失评估

11.2.2　反“电商黑产”作弊案例

第12章　资讯个性化推荐

12.1　资讯的内容处理

12.1.1　资讯的内容来源

12.1.2　资讯的分类体系

12.1.3　常见的分类问题及内容分类原则

12.1.4　分类体系的构建

12.1.5　内容的标注与机器学习

12.2　资讯用户的画像和特征

12.2.1　资讯用户的画像

12.2.2　资讯用户的特征

12.3　资讯的推荐算法

12.3.1　资讯的信息抽取

12.3.2　资讯的分词方法

12.3.3　资讯的过滤排重

12.3.4　资讯的召回模型

12.3.5　资讯的算法排序

12.4　资讯的重排策略及案例

12.4.1　常见的重排策略及策略的目标

12.4.2　资讯的重排策略案例

第13章　电商个性化推送

13.1　push的衡量

13.1.1　push的目标与本质

13.1.2　push的衡量指标

13.2　push的优化方向

13.2.1　效率高

13.2.2　算法准

13.2.3　推荐好

13.2.4　展示靓

13.3　push的推荐案例

13.3.1　新用户推荐方案

13.3.2　推荐的效果评测