商业分析——与数据沟通

作者：桑吉瓦·加吉亚，凯文·勒瓦差拉，艾利森·

书号：335261

定价：￥149 元

字数：1040 千字

印次：1-1

开本：大16

出版时间：2025-03-01

ISBN：978-7-300-33526-1

包装：平

内容简介

本书针对高校商学院商业分析课程编写，内容涵盖了所有相关的商业分析主题，而且各个主题在设计上都是模块化的，教师授课时可灵活地选择最符合其课程目标的主题。比如，本书可以适用于涵盖数据处理（第2章）、数据可视化（第3章）、综合指标（第3章）、统计理论（第4章和第5章）和回归分析（第6章和第7章）的入门课程，或侧重于预测（第8、9、10、11和12章）和预测性建模（第13章）的高级商业分析课程。

为适应不同学生对于统计软件的需求，本书每个知识点都提供了Excel和 R语言两种分析方法和实际操作，而且所有的例题和习题都是使用撰写本书时最新版本的软件解决的，即Microsoft Office Professional 2016、Analytic Solver 2019和 R语言3.5.3版本。

本书的最终目的是让学生更好地理解、管理和可视化数据，学会应用适当的分析工具，并对研究结果及其相关性进行沟通。

作者介绍

桑吉瓦·加吉亚 (Sanjiv Jaggia) 加利福尼亚州立理工大学经济学和金融学教授，在印第安纳大学获得博士学位，特许金融分析师。其研究兴趣集中在商业统计学和计量经济学。在领先的学术期刊上发表多篇论文，出版两本成功的商业统计学教材。

凯文·勒瓦差拉 (Kevin Lertwachara) 加利福尼亚州立理工大学信息系统教授，在康涅狄格大学获得博士学位。其研究重点是基于技术的创新、电子商务、医疗保健信息学和商业分析，发表多篇学术论文，出版多部学术著作。为本科生和研究生讲授商业分析课程。

艾利森·凯利 (Alison Kelly) 波士顿萨福克大学经济学教授，在波士顿学院获得博士学位，特许金融分析师。在学术期刊上发表多篇论文，出版两本成功的商业统计学教材。她的应用统计学和计量经济学课程深受学生和工作人士的欢迎。

陈雷达 (Leida Chen) 加利福尼亚州立理工大学信息系统教授，在孟菲斯大学获得管理信息系统博士学位。其研究和咨询兴趣集中在商业分析、技术扩散和全球信息系统等领域。在领先的信息系统期刊上发表50多篇论文。为本科生和研究生讲授商业分析课程。

目 录

第1章 商业分析导论

1.1 商业分析概述

1.2 数据类型

练习1.2

1.3 变量和测量尺度

练习1.3  

1.4 数据源和文件形式

练习1.4  

1.5 大数据写作

第2章 数据管理和处理

2.1 数据管理

练习2.1

2.2 数据检查

练习2.2

2.3 数据准备

练习2.3  

2.4 转换数值数据

练习2.4

2.5 转换分类数据

练习2.5  

2.6 大数据写作

第3章 数据可视化和综合指标

3.1 可视化分类变量和数值变量的方法

练习3.1  

3.2 将两个变量之间关系可视化的方法

练习3.2  

3.3 其他数据可视化的方法

练习3.3  

3.4 综合指标

练习3.4

3.5 检测异常值

练习3.5  

3.6 大数据写作

第4章 概率与概率分布

4.1 概率的概念与概率公式

练习4.1

4.2 全概率公式与贝叶斯定理

练习4.2

4.3 随机变量与离散型概率分布

练习4.3  

4.4 二项分布与泊松分布

练习4.4

4.5 正态分布

练习4.5

4.6 大数据写作

第5章 统计推断

5.1 抽样分布

练习5.1

5.2 估计

练习5.2

5.3 假设检验

练习5.3  

5.4 大数据写作

第6章 回归分析

6.1 线性回归模型

练习6.1  

6.2 模型选择

练习6.2

6.3 显著性检验

练习6.3  

6.4 模型假设和常见违例

练习6.4  

6.5 大数据写作

第7章 高级回归分析

7.1 包含交互变量的回归模型

练习7.1  

7.2 非线性关系的回归模型

练习7.2

7.3 线性概率模型和逻辑回归模型

练习7.3

7.4 交叉验证方法

练习7.4

7.5 大数据写作

第8 章 数据挖掘导论

8.1 数据挖掘概述

8.2 相似性指标

练习8.2

8.3 性能评估

练习8.3  

8.4 主成分分析

练习8.4  

8.5 大数据写作

第9 章 有监督数据挖掘: k-最近邻法和朴素贝叶斯方法

9.1 有监督数据挖掘简介

9.2 k-最近邻法

练习9.2

9.3 朴素贝叶斯方法

练习9.3

9.4 大数据写作

第10 章 有监督数据挖掘: 决策树

10.1 分类树和回归树简介

10.2 分类树

练习10.2

10.3 回归树

练习10.3  

10.4 集成树模型

练习10.4  

10.5 大数据写作

第11章 无监督数据挖掘

11.1 层次聚类分析

练习11.1  

11.2 k-均值聚类分析

练习11.2  

11.3 关联规则分析

练习11.3  

11.4 大数据写作

第12章 利用时间序列数据进行预测

12.1 时间序列的预测过程

12.2 简单平滑法

练习12.2  

12.3 趋势和季节性的线性回归模型

练习12.3  

12.4 趋势和季节性的非线性回归模型

练习12.4

12.5 数据分区和模型选择

练习12.5

12.6 高级指数平滑法

练习12.6  

12.7 大数据写作

第13章 规范性分析简介

13.1 规范性分析概述

13.2 蒙特卡罗模拟

练习13.2

13.3 线性规划的优化

练习13.3  

13.4 整数规划优化

练习13.4  

13.5 大数据写作

附录A 大数据集: 变量描述和数据字典

附录B Excel和Excel加载项入门

附录C R语言入门

附录D 统计表

精彩样章

本书的关键特点

商业分析的教学方法包括了我们在商业统计学教材中的流行功能，以及与商业分析有关的新功能。无数的评论者提供了他们的反馈和指导，以确保我们建立了一个我们认为能满足市场需求的产品。

数据分析的整体方法

商业分析是一个非常广泛的话题，由统计学、计算机科学和管理信息系统组成。其在商业领域有着广泛的应用，例如市场营销、人力资源管理、经济学、会计学和金融学。

   本书提供了一种整体的商业分析方法，将定性推理与定量工具相结合，以确定关键的商业问题,并将分析结果转化为提高商业绩效的决策。

   具体步骤为直觉和领域知识→数学解释→数据分析→可操作的见解。

综合的引入案例

   每一章的开篇都有一个真实的引入案例，构成了本章中几个例子的基础。例子中的问题为掌握本章中最重要的学习要点提供了路线图。一旦回答了与案例相关的问题，就会出现每一章引入案例的概要。

大数据写作

   商业分析的一个显著特点是可以选择与学生有关联的众多应用程序相关的大数据集。在大多数章节中，我们都有一个指定的部分，在那里我们使用这些大数据集来帮助介绍问题，制定可能的解决方案，并根据本章中介绍的概念交流研究结果。通过这份样本报告，我们向学生展示如何通过交流从非技术角度获得的见解来阐明分析的商业价值。

数据挖掘

   数据挖掘是企业希望大学毕业生具备的最受欢迎的技能之一。它利用大型数据集和计算机能力来构建支持决策的预测模型。除了专门介绍线性和逻辑回归模型的两个综合章节，以及关于商业预测的一章外，本书还包括了4个有关数据挖掘的单独章节。这些章节包括有监督和无监督学习的详细分析，涵盖了相关主题，如主成分分析、k最近邻法、朴素贝叶斯方法、分类树和回归树、集成树、层次聚类、k均值聚类以及关联规则。每章都提供了相关的现实问题、概念解释和易于理解的计算机说明。在这四章中有超过200个习题。

   关于数据挖掘的4 章内容：

   ● 数据挖掘导论；

   ● 有监督数据挖掘: k最近邻法和朴素贝叶斯方法；

   ● 有监督数据挖掘：决策树；

   ● 无监督数据挖掘。

计算机软件

   本书包括以 Microsoft Excel、AnalyticSolver (用于数据挖掘分析的Excel附加软件) 以及R语言(一种将统计数据包的便利性与编码功能相结合的强大软件)为特色的实践教程和问题解决示例。学生学习使用软件解决实际问题，并强化章节中讨论的概念。学生还将学习如何使用软件中的图表和信息图形将数据可视化并与之进行交流。

练习题和相关资源

   在每一章中都有来自各行各业的数十个应用示例，包括商业、经济、体育、健康、住房、环境、投票、心理学等。我们知道辅助工具的重要性，如《教师解决方案手册》(ISM)和技术组件，特别是相关链接。在编写本书的同时，我们开发了这些组件，希望使得这部分组件与书中内容无缝连接。我们从经验中知道，这些组件不能孤立地开发。例如，我们检查每个连接练习，评估舍入规则并修改公差级别。鉴于我们的用户对《商业统计学》一书提供了有很积极的反馈，因此我们在《商业分析》中也采用了相同的方法。