商务智能：数据分析的管理视角 原书第5版 全面更新 案例丰富 包含ChatGPT等新技术
目 录
译者序
前言
致谢
作者简介
第1章 商务智能、分析、数据
科学与AI概述 1
1.1 开篇小插曲：运动分析—学习
和理解分析应用领域令人兴奋的前沿 2
1.2 不断变化的商业环境和不断发展的决策支持和分析需求 15
决策过程 16
数据分析和决策支持技术 16
1.3 决策过程与计算机化决策支持
框架 18
Simon过程：情报、设计与
选择 18
情报活动阶段：问题（或机会）
识别 19
设计阶段 21
选择阶段 21
实施阶段 21
1.4 计算机决策支持向分析/数据
科学的发展历程 22
1.5 商务智能框架 25
BI的定义 25
BI发展简史 25
BI的体系结构 26
BI的起源和驱动因素 26
商务智能多媒体练习 27
事务处理与分析处理 27
适当规划并与企业战略保持
一致 28
可实现的实时、按需BI 29
开发或获取BI系统 29
合理性和成本效益分析 29
安全及隐私保护 30
系统与应用集成 30
1.6 分析概述 30
描述性分析 31
预测性分析 32
规范性分析 37
分析/数据科学/机器学习/AI 38
1.7 部分领域分析实例 39
医疗保健业分析应用—
Humana 39
零售价值链分析 41
博彩行业分析应用 43
1.8 本书安排 46
1.9 可用资源和Teradata大学学术
链接 47
可用资源和链接 47
供应商、产品和试用软件 47
期刊 47
Teradata大学学术链接 47
第2章 人工智能：概念、驱动
因素、主要技术及其
商业应用 50
2.1 开篇小插曲：Grant Thornton
雇用Aisera聊天机器人减轻IT
服务台负担 51
2.2 人工智能简介 52
人工智能的定义 52
AI机器的主要特征 53
AI的主要要素 53
AI应用 54
AI的主要目标 54
AI的驱动因素 54
AI的优势 55
AI机器的一些局限 56
AI决策的三种风格 57
2.3 人机智能 58
什么是智能 58
AI有多智能 59
测试AI 59
2.4 主要的AI技术及其衍生产品 60
2.5 AI对决策的支持 65
2.6 AI在各种业务功能中的应用 68
AI在会计中的应用 68
AI在金融服务中的应用 69
AI在人力资源管理中的应用 71
AI在市场营销、广告和CRM领域
中的应用 72
AI在生产经营管理中的应用 72
2.7 机器人简介 74
2.8 机器人应用简介 78
自动驾驶汽车：跑起来的机器人 85
2.9 对话式AI—聊天机器人 87
什么是聊天机器人 87
聊天机器人的发展 88
聊天机器人的组成部分及其使用过程 88
使用聊天机器人的驱动因素和
好处 89
全球代表性聊天机器人 90
2.10 企业聊天机器人 90
企业对聊天机器人的兴趣 91
企业聊天机器人：营销和客户
体验 91
可口可乐 91
企业聊天机器人：金融服务 92
企业聊天机器人：服务行业 93
聊天机器人平台 93
企业聊天机器人知识 94
虚拟个人助理 94
如果你是Facebook首席执行官
马克·扎克伯格 94
亚马逊的Alexa和Echo 94
苹果公司的Siri 95
Google Assistant 95
其他个人助理 96
聊天机器人作为专业顾问 96
Robo金融顾问 96
金融机器人顾问的发展 96
第3章 描述性分析：数据的本质、
大数据与统计建模 104
3.1 开篇小插曲：SiriusXM通过数据
驱动式营销吸引新一代无线电
消费者 105
3.2 用于分析的数据的性质 108
3.3 数据的简单分类 111
3.4 数据预处理的艺术与科学 113
3.5 大数据的定义 121
定义大数据的“V” 122
3.6 大数据分析基础 125
大数据分析解决的业务问题 127
3.7 大数据技术 128
Hadoop 128
Hadoop如何工作 128
MapReduce 129
为什么使用MapReduce 130
Hadoop技术组件 130
Hadoop的利与弊 131
Spark与Hadoop 133
NoSQL 135
数据有益 135
3.8 大数据与流分析 136
流分析应用 138
电子商务 138
电信 138
执法与网络安全 138
电力工业 138
金融服务 139
健康科学 139
政府 139
3.9 商务分析统计建模 140
用于描述性分析的描述性统计 140
集中趋势度量 141
算术平均值 141
中位数 142
众数 142
离散程度度量 142
范围 142
方差 143
标准差 143
平均绝对偏差 143
四分位数和四分位数间距 143
箱线图 144
分布形状 145
3.10 推断性统计回归建模 150
如何开发线性回归模型 151
如何知道模型是否足够好 152
线性回归中最重要的假设是
什么 153
逻辑回归 154
时间序列预测 159
第4章 描述性分析：商务智能、
数据仓库和可视化 166
4.1 开篇小插曲：通过数据仓库和
商务分析锁定税务欺诈 166
4.2 商务智能与数据仓库 169
什么是数据仓库 170
数据仓库的历史视角 170
数据仓库的特征 174
数据集市 174
操作数据存储 175
企业数据仓库 175
元数据 175
4.3 数据仓库过程 176
4.4 数据仓库架构 177
可选数据仓库架构 179
哪种架构最好 181
4.5 数据管理和数据仓库开发 183
数据仓库开发方法 184
其他数据仓库开发注意事项 186
数据仓库中数据的表示 187
数据仓库中的数据分析 188
OLAP和OLTP 188
OLAP操作 188
数据集成与提取、转换和加载
过程 189
数据集成 190
提取、转换和加载 193
4.6 数据仓库管理、安全问题和未来趋势 195
数据仓库的未来 196
4.7 业务报表 201
4.8 数据可视化 203
数据可视化简史 203
4.9 不同类型的图表 205
基本图表 205
专用图表 206
应该使用哪种图表 207
4.10 可视化分析的兴起 208
可视化分析 210
高性能可视化分析环境 212
4.11 信息仪表盘 214
仪表盘设计 216
仪表盘中要查找的内容 217
仪表盘设计最佳实践 217
以行业标准为基准制定关键
性能指标 217
使用情境元数据包装仪表盘
指标 217
由可用性专家对仪表盘设计
进行验证 218
对传输到仪表盘的报警或异常
进行优先级排序 218
以业务用户的评论丰富
仪表盘 218
从三个不同层级呈现信息 218
使用仪表盘设计原则选择正确的
可视化结构 218
提供指导性分析 218
第5章 预测性分析：数据挖掘
过程、方法和算法 226
5.1 开篇小插曲：警察部门利用预测
分析来预测和打击犯罪 226
5.2 数据挖掘概念与应用 230
定义、特征和优势 231
数据挖掘原理 232
数据挖掘与统计学 235
5.3 数据挖掘应用 236
5.4 数据挖掘过程 238
步骤1?：业务理解 238
步骤2?：数据理解 239
步骤3?：数据准备 239
步骤4?：建模 239
步骤5?：测试和评估 242
步骤6?：部署 242
其他数据挖掘标准化过程和
方法 243
5.5 数据挖掘方法 245
分类 245
估计分类模型的准确度 246
数据挖掘聚类分析 252
关联规则挖掘 254
5.6 数据挖掘软件工具 257
5.7 数据挖掘的隐私问题、谬误和
隐患 262
数据挖掘的误区 264
第6章 预测性分析：文本、Web以及社交媒体分析 273
6.1 开篇小插曲：Jeopardy!上的
人机大战：Watson的故事 273
6.2 文本分析与文本挖掘概述 276
6.3 自然语言处理 279
6.4 文本挖掘应用 284
市场营销应用 284
安全应用 284
生物医学应用 287
学术应用 287
6.5 文本挖掘过程 288
任务1?：建立语料库 290
任务2?：创建词项-文档矩阵 290
任务3?：提取知识 291
6.6 情感分析与主题建模 296
情感分析 296
情感分析应用 300
情感分析过程 302
极性识别方法 303
使用词典 304
使用训练文档集 305
识别句子和短语的语义倾向 306
识别文档的语义倾向 306
主题建模 306
隐含狄利克雷分配 307
6.7 Web挖掘概述 308
Web内容挖掘和Web结构
挖掘 311
6.8 搜索引擎 312
搜索引擎剖析 313
搜索引擎优化 315
搜索引擎优化方法 317
6.9 Web使用挖掘 318
Web分析技术 318
Web分析指标 319
网站可用性 319
流量来源 320
访客特征 321
转化统计 321
6.10 社交分析 323
社交网络分析 323
社交网络分析指标 324
联系 324
分布 324
分割 325
社交媒体分析 325
人们如何使用社交媒体 326
度量社交媒体的影响 328
社交媒体分析的最佳实践 329
第7章 深度学习与认知计算 337
7.1 开篇小插曲：利用深度学习和
人工神经网络处理欺诈 338
7.2 深度学习简介 341
7.3 浅层神经网络概述 344
7.4 开发神经网络系统的过程 351
人工神经网络中的学习过程 352
用于神经网络训练的反向传播
算法 353
7.5 照亮人工神经网络的黑箱 355
7.6 深度神经网络 362
前馈多层感知机深度网络 362
随机权重在深度MLP中的
影响 363
更多的隐藏层与更多的神经元 364
7.7 卷积神经网络 367
卷积函数 368
池化 370
使用卷积网络进行图像处理 371
使用卷积网络处理文本 374
7.8 递归网络和长短期记忆网络 377
LSTM网络的应用 379
ChatGPT 381
7.9 实施深度学习的计算机架构 385
Torch 386
Caffe 386
TensorFlow 387
Theano 387
Keras?：一个应用程序编程
接口 387
7.10 认知计算 390
认知计算如何工作 390
认知计算与AI有何不同 392
认知搜索 393
认知计算实例：IBM Watson 395
第8章 规范性分析：优化和
模拟 408
译者序
前言
致谢
作者简介
第1章 商务智能、分析、数据
科学与AI概述 1
1.1 开篇小插曲：运动分析—学习
和理解分析应用领域令人兴奋的前沿 2
1.2 不断变化的商业环境和不断发展的决策支持和分析需求 15
决策过程 16
数据分析和决策支持技术 16
1.3 决策过程与计算机化决策支持
框架 18
Simon过程：情报、设计与
选择 18
情报活动阶段：问题（或机会）
识别 19
设计阶段 21
选择阶段 21
实施阶段 21
1.4 计算机决策支持向分析/数据
科学的发展历程 22
1.5 商务智能框架 25
BI的定义 25
BI发展简史 25
BI的体系结构 26
BI的起源和驱动因素 26
商务智能多媒体练习 27
事务处理与分析处理 27
适当规划并与企业战略保持
一致 28
可实现的实时、按需BI 29
开发或获取BI系统 29
合理性和成本效益分析 29
安全及隐私保护 30
系统与应用集成 30
1.6 分析概述 30
描述性分析 31
预测性分析 32
规范性分析 37
分析/数据科学/机器学习/AI 38
1.7 部分领域分析实例 39
医疗保健业分析应用—
Humana 39
零售价值链分析 41
博彩行业分析应用 43
1.8 本书安排 46
1.9 可用资源和Teradata大学学术
链接 47
可用资源和链接 47
供应商、产品和试用软件 47
期刊 47
Teradata大学学术链接 47
第2章 人工智能：概念、驱动
因素、主要技术及其
商业应用 50
2.1 开篇小插曲：Grant Thornton
雇用Aisera聊天机器人减轻IT
服务台负担 51
2.2 人工智能简介 52
人工智能的定义 52
AI机器的主要特征 53
AI的主要要素 53
AI应用 54
AI的主要目标 54
AI的驱动因素 54
AI的优势 55
AI机器的一些局限 56
AI决策的三种风格 57
2.3 人机智能 58
什么是智能 58
AI有多智能 59
测试AI 59
2.4 主要的AI技术及其衍生产品 60
2.5 AI对决策的支持 65
2.6 AI在各种业务功能中的应用 68
AI在会计中的应用 68
AI在金融服务中的应用 69
AI在人力资源管理中的应用 71
AI在市场营销、广告和CRM领域
中的应用 72
AI在生产经营管理中的应用 72
2.7 机器人简介 74
2.8 机器人应用简介 78
自动驾驶汽车：跑起来的机器人 85
2.9 对话式AI—聊天机器人 87
什么是聊天机器人 87
聊天机器人的发展 88
聊天机器人的组成部分及其使用过程 88
使用聊天机器人的驱动因素和
好处 89
全球代表性聊天机器人 90
2.10 企业聊天机器人 90
企业对聊天机器人的兴趣 91
企业聊天机器人：营销和客户
体验 91
可口可乐 91
企业聊天机器人：金融服务 92
企业聊天机器人：服务行业 93
聊天机器人平台 93
企业聊天机器人知识 94
虚拟个人助理 94
如果你是Facebook首席执行官
马克·扎克伯格 94
亚马逊的Alexa和Echo 94
苹果公司的Siri 95
Google Assistant 95
其他个人助理 96
聊天机器人作为专业顾问 96
Robo金融顾问 96
金融机器人顾问的发展 96
第3章 描述性分析：数据的本质、
大数据与统计建模 104
3.1 开篇小插曲：SiriusXM通过数据
驱动式营销吸引新一代无线电
消费者 105
3.2 用于分析的数据的性质 108
3.3 数据的简单分类 111
3.4 数据预处理的艺术与科学 113
3.5 大数据的定义 121
定义大数据的“V” 122
3.6 大数据分析基础 125
大数据分析解决的业务问题 127
3.7 大数据技术 128
Hadoop 128
Hadoop如何工作 128
MapReduce 129
为什么使用MapReduce 130
Hadoop技术组件 130
Hadoop的利与弊 131
Spark与Hadoop 133
NoSQL 135
数据有益 135
3.8 大数据与流分析 136
流分析应用 138
电子商务 138
电信 138
执法与网络安全 138
电力工业 138
金融服务 139
健康科学 139
政府 139
3.9 商务分析统计建模 140
用于描述性分析的描述性统计 140
集中趋势度量 141
算术平均值 141
中位数 142
众数 142
离散程度度量 142
范围 142
方差 143
标准差 143
平均绝对偏差 143
四分位数和四分位数间距 143
箱线图 144
分布形状 145
3.10 推断性统计回归建模 150
如何开发线性回归模型 151
如何知道模型是否足够好 152
线性回归中最重要的假设是
什么 153
逻辑回归 154
时间序列预测 159
第4章 描述性分析：商务智能、
数据仓库和可视化 166
4.1 开篇小插曲：通过数据仓库和
商务分析锁定税务欺诈 166
4.2 商务智能与数据仓库 169
什么是数据仓库 170
数据仓库的历史视角 170
数据仓库的特征 174
数据集市 174
操作数据存储 175
企业数据仓库 175
元数据 175
4.3 数据仓库过程 176
4.4 数据仓库架构 177
可选数据仓库架构 179
哪种架构最好 181
4.5 数据管理和数据仓库开发 183
数据仓库开发方法 184
其他数据仓库开发注意事项 186
数据仓库中数据的表示 187
数据仓库中的数据分析 188
OLAP和OLTP 188
OLAP操作 188
数据集成与提取、转换和加载
过程 189
数据集成 190
提取、转换和加载 193
4.6 数据仓库管理、安全问题和未来趋势 195
数据仓库的未来 196
4.7 业务报表 201
4.8 数据可视化 203
数据可视化简史 203
4.9 不同类型的图表 205
基本图表 205
专用图表 206
应该使用哪种图表 207
4.10 可视化分析的兴起 208
可视化分析 210
高性能可视化分析环境 212
4.11 信息仪表盘 214
仪表盘设计 216
仪表盘中要查找的内容 217
仪表盘设计最佳实践 217
以行业标准为基准制定关键
性能指标 217
使用情境元数据包装仪表盘
指标 217
由可用性专家对仪表盘设计
进行验证 218
对传输到仪表盘的报警或异常
进行优先级排序 218
以业务用户的评论丰富
仪表盘 218
从三个不同层级呈现信息 218
使用仪表盘设计原则选择正确的
可视化结构 218
提供指导性分析 218
第5章 预测性分析：数据挖掘
过程、方法和算法 226
5.1 开篇小插曲：警察部门利用预测
分析来预测和打击犯罪 226
5.2 数据挖掘概念与应用 230
定义、特征和优势 231
数据挖掘原理 232
数据挖掘与统计学 235
5.3 数据挖掘应用 236
5.4 数据挖掘过程 238
步骤1?：业务理解 238
步骤2?：数据理解 239
步骤3?：数据准备 239
步骤4?：建模 239
步骤5?：测试和评估 242
步骤6?：部署 242
其他数据挖掘标准化过程和
方法 243
5.5 数据挖掘方法 245
分类 245
估计分类模型的准确度 246
数据挖掘聚类分析 252
关联规则挖掘 254
5.6 数据挖掘软件工具 257
5.7 数据挖掘的隐私问题、谬误和
隐患 262
数据挖掘的误区 264
第6章 预测性分析：文本、Web以及社交媒体分析 273
6.1 开篇小插曲：Jeopardy!上的
人机大战：Watson的故事 273
6.2 文本分析与文本挖掘概述 276
6.3 自然语言处理 279
6.4 文本挖掘应用 284
市场营销应用 284
安全应用 284
生物医学应用 287
学术应用 287
6.5 文本挖掘过程 288
任务1?：建立语料库 290
任务2?：创建词项-文档矩阵 290
任务3?：提取知识 291
6.6 情感分析与主题建模 296
情感分析 296
情感分析应用 300
情感分析过程 302
极性识别方法 303
使用词典 304
使用训练文档集 305
识别句子和短语的语义倾向 306
识别文档的语义倾向 306
主题建模 306
隐含狄利克雷分配 307
6.7 Web挖掘概述 308
Web内容挖掘和Web结构
挖掘 311
6.8 搜索引擎 312
搜索引擎剖析 313
搜索引擎优化 315
搜索引擎优化方法 317
6.9 Web使用挖掘 318
Web分析技术 318
Web分析指标 319
网站可用性 319
流量来源 320
访客特征 321
转化统计 321
6.10 社交分析 323
社交网络分析 323
社交网络分析指标 324
联系 324
分布 324
分割 325
社交媒体分析 325
人们如何使用社交媒体 326
度量社交媒体的影响 328
社交媒体分析的最佳实践 329
第7章 深度学习与认知计算 337
7.1 开篇小插曲：利用深度学习和
人工神经网络处理欺诈 338
7.2 深度学习简介 341
7.3 浅层神经网络概述 344
7.4 开发神经网络系统的过程 351
人工神经网络中的学习过程 352
用于神经网络训练的反向传播
算法 353
7.5 照亮人工神经网络的黑箱 355
7.6 深度神经网络 362
前馈多层感知机深度网络 362
随机权重在深度MLP中的
影响 363
更多的隐藏层与更多的神经元 364
7.7 卷积神经网络 367
卷积函数 368
池化 370
使用卷积网络进行图像处理 371
使用卷积网络处理文本 374
7.8 递归网络和长短期记忆网络 377
LSTM网络的应用 379
ChatGPT 381
7.9 实施深度学习的计算机架构 385
Torch 386
Caffe 386
TensorFlow 387
Theano 387
Keras?：一个应用程序编程
接口 387
7.10 认知计算 390
认知计算如何工作 390
认知计算与AI有何不同 392
认知搜索 393
认知计算实例：IBM Watson 395
第8章 规范性分析：优化和
模拟 408
Ramesh Sharda（威斯康星大学麦迪逊分校工商管理硕士、博士），俄克拉何马州立大学（OSU）斯皮尔斯商学院负责研究和研究生课程的副院长，沃森/康菲石油公司讲席教授，管理科学与信息系统专业校董教授。他参与创立并指导了俄克拉何马州立大学面向高管的商学博士课程。他发表的研究论文多达200余篇，主要刊物包括《运筹学》《管理科学》《信息系统研究》《决策支持系统》和《管理信息系统杂志》等。他参与创立了信息系统协会（AIS）关于决策支持系统和知识管理的专业兴趣小组（SIGDSA）。Sharda博士担任多个编辑委员会委员，包括《决策科学杂志》《决策支持系统》和《ACM数据库》。他撰写和编辑了多本教科书和专著，并担任Springer多套丛书的联合主编。2013年至2020年，他担任Teradata大学网络执行总监。他目前的研究兴趣是决策支持系统、商务分析和管理信息超载技术。Ramesh是INFORMS和AIS会士，2015年入选俄克拉何马州高等教育名人堂。2023年春季，他被授予富布赖特-阿尔托大学杰出讲席教授。
Dursun Delen（俄克拉何马州立大学博士），俄克拉何马州立大学斯皮尔斯商学院商务管理讲席教授（斯皮尔斯捐赠），商务分析讲席教授（帕特森基金会捐赠），卫生系统创新中心研究主任，管理科学与信息系统专业校董教授。在开始学术生涯之前，他曾在得克萨斯科利奇站的一家私营研究和咨询公司Knowledge Based Systems担任了5年研究科学家。在此期间，他领导了许多决策支持项目和其他由几个联邦机构资助的与信息系统相关的研究项目，包括美国国防部（DoD）、美国国家航空航天局（NASA）、美国国家标准与技术研究所（NIST）、弹道导弹防御组织（BMDO）和能源部（DoE）。Delen博士发表了200多篇同行评审文章，其中一些文章发表在《决策科学杂志》《决策支持系统》《ACM通讯》《计算机与运筹学》《工业计算机》《生产运营管理杂志》《医学人工智能》《国际医学信息学杂志》《专家系统与应用》以及《IEEE无线通信》上。他最近撰写/合著了12本书籍，内容涉及商务分析、数据挖掘、文本挖掘、商务智能和决策支持系统等领域。他经常应邀参加国内和国际会议，就数据/文本挖掘、商务分析、决策支持系统、商务智能和知识管理等主题发表演讲。他曾担任第四届网络计算和高级信息管理国际会议（2008年9月2日至2008年9月4日，韩国首尔）的大会共同主席，并定期在各种信息系统和分析会议上担任主席、分论坛主席或迷你论坛主席。他目前担任《商业分析期刊》和《商业中的人工智能期刊》的主编，以及其他十几种学术期刊的高级编辑、副主编或编委会成员。他的研究和教学方向是数据和文本挖掘、商务分析、决策支持系统、数据科学、知识管理、商务智能和企业
建模。
Efraim Turban（加州大学伯克利分校工商管理硕士、博士），夏威夷大学太平洋信息系统管理研究所访问学者。在此之前，他曾在多所大学任职，包括香港城市大学、理海大学、佛罗里达国际大学、加利福尼亚州立大学长滩分校、东伊利诺伊大学和南加州大学。Turban博士在《管理科学》《管理信息系统季刊》和《决策支持系统》等主流期刊上发表了100多篇论文。他还著有20本书，包括Electronic Commerce: A Managerial Perspective和Information Technology for Management。他还是全球各大公司的顾问。Turban博士目前感兴趣的领域是基于网络的决策支持系统、社交商务和协同决策。
Dursun Delen（俄克拉何马州立大学博士），俄克拉何马州立大学斯皮尔斯商学院商务管理讲席教授（斯皮尔斯捐赠），商务分析讲席教授（帕特森基金会捐赠），卫生系统创新中心研究主任，管理科学与信息系统专业校董教授。在开始学术生涯之前，他曾在得克萨斯科利奇站的一家私营研究和咨询公司Knowledge Based Systems担任了5年研究科学家。在此期间，他领导了许多决策支持项目和其他由几个联邦机构资助的与信息系统相关的研究项目，包括美国国防部（DoD）、美国国家航空航天局（NASA）、美国国家标准与技术研究所（NIST）、弹道导弹防御组织（BMDO）和能源部（DoE）。Delen博士发表了200多篇同行评审文章，其中一些文章发表在《决策科学杂志》《决策支持系统》《ACM通讯》《计算机与运筹学》《工业计算机》《生产运营管理杂志》《医学人工智能》《国际医学信息学杂志》《专家系统与应用》以及《IEEE无线通信》上。他最近撰写/合著了12本书籍，内容涉及商务分析、数据挖掘、文本挖掘、商务智能和决策支持系统等领域。他经常应邀参加国内和国际会议，就数据/文本挖掘、商务分析、决策支持系统、商务智能和知识管理等主题发表演讲。他曾担任第四届网络计算和高级信息管理国际会议（2008年9月2日至2008年9月4日，韩国首尔）的大会共同主席，并定期在各种信息系统和分析会议上担任主席、分论坛主席或迷你论坛主席。他目前担任《商业分析期刊》和《商业中的人工智能期刊》的主编，以及其他十几种学术期刊的高级编辑、副主编或编委会成员。他的研究和教学方向是数据和文本挖掘、商务分析、决策支持系统、数据科学、知识管理、商务智能和企业
建模。
Efraim Turban（加州大学伯克利分校工商管理硕士、博士），夏威夷大学太平洋信息系统管理研究所访问学者。在此之前，他曾在多所大学任职，包括香港城市大学、理海大学、佛罗里达国际大学、加利福尼亚州立大学长滩分校、东伊利诺伊大学和南加州大学。Turban博士在《管理科学》《管理信息系统季刊》和《决策支持系统》等主流期刊上发表了100多篇论文。他还著有20本书，包括Electronic Commerce: A Managerial Perspective和Information Technology for Management。他还是全球各大公司的顾问。Turban博士目前感兴趣的领域是基于网络的决策支持系统、社交商务和协同决策。
本书从管理的角度出发，不拘泥于复杂的算法和技术细节，旨在帮助初步接触商务智能的读者厘清商务智能与人工智能（AI）、云计算、物联网、大数据、机器学习和数据科学等众多概念的区别和联系，并通过大量的实际案例体会商务智能的功能和价值。本书主要讨论商务分析、数据科学和用于企业决策支持的AI，包括相关概念、技术和应用案例等。全书围绕三种主要的商务分析（描述性分析、预测性分析和规范性分析）组织内容，以反映商务分析的重点。本书可作为高等院校数据科学、数据分析等相关课程的教材，也适合企业管理者、市场分析师和数据科学家等读者阅读。
比价列表价格走势
公众号、微信群
缺书网微信公众号
扫码进群实时获取购书优惠