全新正版大数据应用(成为大数据商务高手)9787213096969浙江人民

章.大数据与商务
节.大数据崛起与商务变革
一、何谓大数据
二、大数据对传统商务的影响
三、大数据成就新电商4.0
四、大数据电商营运模式
第二节.大数据电商技能与挑战
一、微观视角
二、宏观视角
第三节.大数据电商机会与前景
第二章.大数据商务之舆情探索
节.站外情报探索
一、谷歌搜寻趋势
二、谷歌消费者气压计
三、网络爬虫
第二节.站内情报探索
一、购物篮分析案例
二、购物篮分析案例之R语言实作
第三节.社群情报探索
一、Power BI安装与设定
二、脸书数据探索（具管理权限）
三、脸书数据探索（不具管理权限）
四、IBM Watson社交情报探索
第三章.大数据商务之数字足迹掌握
节.深度流量分析
一、传统HTML程序代码安装
二、套版式安装
第二节.广度流量分析
一、SimilarWeb之自我分析
二、SimilarWeb之他人相对分析
第三节.移动流量分析
一、移动使用分析理论依据
二、制作型App
三、iBuildApp之谷歌分析嵌入
第四章.大数据商务之信息浓缩与获取
节.主动式扫码互动
一、一维条形码
二、二维条形码
三、个化R-Code制作
四、扫码行为分析
第二节.主动式扩增实境
第三节.非主动式超声波互动
第五章.大数据商务之善用情报数据可视化与人工智能
节.跨区域电商情报探察利器
第二节.大数据可视化呈现
一、程序代码嵌入式
二、GUI界面式
第三节.智慧语音客服订单不漏接
结.语

研习任何技能的目的除了满足自我学习兴趣之外，不外乎是想要用所学技能在就业市场上占有一席之地。然而技能可谓是千百种，究竟什么样的技能才是值得学习的呢？关于这个问题的众说纷纭，也是每个人从小到大都会不断面临的课题。有鉴于此，本章将从“宏观视角”与“微观视角”来描述何谓大数据商务所需的技能，在我们描述这些技能的同时，辅以实际人力银行所公告的职缺来佐，一方面让读者观察实务界脉动，另一方面也期盼此举能够读者学习信心，所谓知己知彼百战百胜，知己不知彼或知彼不知己将一胜一负，不知己亦不知彼则每战必殆，那么就让我们赶紧掌握学习脉动与方向，加入百战百胜的行列吧。 一、微观视角“大数据商务”一词由两个名词所组成，也就是“大数据”与“商务”。换句话说，若以微观视角来审视，这两个领域都有其各自所需学习的技能。以图1-40为例，我们在红色方框处输入“大数据”查询人力银行的职缺信息，结果发现职缺总数为2197个（含全职、兼职、高阶、派遣、接案与家教等），表示在就业市场上与大数据相关的职缺需求甚为迫切。如果仔细端详所查询出来的职缺，也许具有信息背景的求职者会感到开心并且跃跃欲试，但是对于非信息背景的求职者来说，可能会感到望尘莫及。然而现实情况刚好相反，大数据相关职缺并非信息背景人士专属。若试着将上述职缺搜寻领域缩减或是勾选非信息领域，结果也许会令自己大吃一惊！
以图1-41为例，我们在蓝色方框处勾选了五种非信息领域，包含行销/企划/专案管理类、经营/人资类、生产制造/品管/环卫类、财会/金融专业类、传播艺术/设计类等，点击“查询”按钮后，发现大数据相关职缺总数由原来的2,000多个骤降为891个，如图1-42红色方框处所示，若仔细端详各个职缺情况就能发现，所征求职务内容似乎已透露出些许非信息背景人士专属的迹象，甚至直接在职缺标题名称中打上“管理”二字。
2017年开业的纯数字非实体银行“王道”欲聘请大数据管理人员，工作内容中明确表明应征该职务所需具备的能力，如“负责大数据平台的数据探勘、分析与管理，包括数字数据、社群数据、互联网数据等”“负责大数据数据源的创造与搜集，包括内部数字通路及外部社群资料等”“大数据应用模式研究与技术实作，如Python、 MachineLearning、TextMining等，以支持数字金融产品的创新与新商机的开发”“掌握大数据平台发展与创新应用趋势，据以提出创新解决方案或项目规划”等。
其实这些工作内容即使有信息背景的人士也不一定能够胜任，主要原因在于有信息背景的人士在成长的过程中，较少涉猎软知识，因此在产品创新与新商机开发方面，往往无法与市场实际情况结合。换句话说，要能够胜任上述工作内容，反而需要融入信息以外的相关知识与实务经验，如此才有办法成为符合需求的大数据管理人才。
这个职缺现象再次呼应了本章开头的说法，即大数据相关职缺并非信息背景人士专属。有鉴于此，非信息背景的人士应当将自己所熟悉的管理相关知识暂时予以搁置，研习自身不熟悉的信息相关知识，特别是与大数据有关的知识，待完备信息相关知识后，将其与自身熟识的管理相关知识整合在一起，这样便能够有效地胜任上述职缺中的所有工作内容，该银行就是希望找到一位具有复合知识的大数据管理人才，而这正是非信息背景人士涉入大数据相关领域的机会所在。我们若使用相同的方式查找“商务”职缺内容，也会发现类似大数据职缺的跨领域需求现象呢？是肯定的。
图1-43为104人力银行职缺查询界面，我们在红色方框处输入“商务”进行查询，发现商务各式职缺总数为7145个，相较于大数据相关职缺，商务职缺数量高出许多，可见商务从业者对于人才需求的渴望与迫切。如果仔细端详所查询出来的职缺信息，也许有信息背景的求职者会再次感到开心，但对于非信息背景的求职者来说，可能又要感到失落了。然而如同我们在大数据职缺中所进行的进阶查询一般，事情并非如同自己所想象的那样，正所谓行行出状元，即便是商务领域仍无法脱离对于非信息背景人士的需求。
以图1-44为例，我们同样勾选五种非信息领域，包含行销/企划/专案管理类、经营/人资类、生产制造/品管/环卫类、财会/金融专业类、传播艺术/设计类等，点击“查询”按钮后发现，商务相关职缺总数由原来的7000多个骤降至3657个，如红色方框处所示，然而若再仔细端详各个职缺后发现，所征求的职务内容似乎再度透露出非信息背景人员专属的迹象。
知名从业者GOMAJ在人力银行上公告的商务数字营销专员要求，除了须具创意、想法、对电商领域具有高度热忱之外，还明确表示“如果你曾服务于综合购物电商或拥有GA，我们更爱”，这意味着工作经验与都会是应征加分项，其中GA（GoogleAnalytics使用分析）就是一个适合让非信息背景人士考取的高就业率，虽然它在使用上仍无法摆脱一定程度的信息背景，但谷歌已将它简化至非信息背景人士所能接受的范畴。
所以无论是大数据、商务，还是大数据商务，都有非信息背景人士所能够着墨之处，并非如想象般的遥不可及。除此之外，无论是大数据或是商务，本身都属于一种复合领域概念A，很难用单一领域或是A.Markus,M.L.（2015）.Newgames,newrules,newscoreboards:thepotentialconsequencesofbigdata.单一技能给予包山包海的概述，因此建议在大数据学习过程中，不妨以图1-45所示的层级概念来铺陈或规划学习脉络。
我们日常生活中常接触的、App或是任何联网系统，其实都可以概略地用这三层结构来叙述。由左至右分别是“物理层”“网络层”以及“应用层”，其中，物理层所涉及的技术通常是底层运作的操作系统（OraigSystem,OS）或是数据处理与储存技术，例如用于处理大数据、非结构化数据且能够突破传统关系数据库的NoSL语言、能够将大数据中的部分数据加载到内存中运算的SPARK处理技术等，而网络层则较为偏向与网络运作有关的技术，如网络服务器的规划与管理、网页程序语言PHP、App设计语言 Swift及Android或是与物联网IoT相关的长距低功耗无线网络LoRaWAN技术、Arduino及RaspberryPi可编程装置等，这些都肩负着搭建使用者与底层运作技术之间的桥梁角色。
当物理层与网络层开始运作之后，应用层便可通过物理层与网络层运作时所产生的数据来衍生出许多应用，例如以Python程序语言编写而成的网络数据爬取工具crawler、监控与分析流量情况的谷歌分析使用分析工具、统计分析或数据可视化的Tableau与SAS等。
在一般情况下，当架构层级越往右侧的应用层靠拢时，其中的相关应用技术对于非信息背景人士来说，学习门坎更低。这个概念就好比商管学群常使用到的SPSS统计分析软件一般，除了针对所需的统计分析进行设定之外，若加入些许的程序代码控制，将会使数据处理更得心应手。同样，应用层中的许多技术虽然可涉程序代码，但并不会因为程序代码的存在阻碍非信息背景人士的学习，而这也是撰写本书的宗旨，使非信息背景人士也能够轻松进入大数据商务的分析行列。
每个人的学习能力与规划不尽相同，或许有些人在学习完应用层相关技术后，愿意且能够回头钻研较为深入的网络层相关技术，甚至更为深奥的物理层技术，故图1-45的重点并非在于特定层级的技术，而是在传达当我们在规划学习脉络时要能够有层级概念的系统观，竟特定层级中的技术很可能会因为时代变迁而遭到淘汰，因此每个人具备的层级概念的系统观必须能够顺应时代变化，进而与时俱进地调整学习脉络。
接着分析一则有关大数据人才需求的新闻报道，图1-46为所制播的《大数据人才需求》新闻的一个画面，在这则新闻报道第20秒所播报的内容与上述层级架构图中的网络层吻合，也就是通过手机Wi-Fi信号来进行的实体店面商圈分析或是将分析结果延伸至线上与线下的O2O虚实整合应用。除此之外，在这则报道分04秒处提到，虽然大数据相关工作的职缺增长速度惊人且薪资水平不低，但业界却苦于寻求不到人才。探究可能原因是发现人才培育方面或学习者本身将大数据或大数据商务复合领域过度划分，使得学习脉络过于片段化。
由于大数据商务涉及许多层面，因此在学习过程中必须时时牢记架构图中所描述的三大层级，非信息背景人士务必把握应用层这个千载难逢的大数据商务切入点，待掌握其要领后，再继续向网络层或物理层技术学习迈进。两位威朋数据专家张嘉祜与彭智楹在接受数字时代杂志专访A时不约而同地提道：数据科学家并非一定是信息背景出身，数据科学家仍须具备基础数理与资讯工程能力，此与图1-45中的概念不谋而合。
我们要说明的是，所谓大数据商务技能的“微观视角”其实就是指大数据商务技能生态圈中的基本单元技能。特定技能不但影响大数据商务运作的成败，更影响大数据商务职缺的供给与需求，因此微观视角下的相关技能可以视为大数据商务运作成功的必要条件。换句话说，虽然学习者拥有这些技能，但并不一定能够在大数据商务领域中占有一席之地，但若缺乏这些技能，则肯定无法加入这场大数据商务浪潮。那么究竟要如何才能在新兴的大数据商务领域中立于不败之地呢？就在接下来要提到的大数据商务技能的“宏观视角”中，它将是非信息背景人士的竞争利器，能使非信息背景人士受到就业市场重用，不但历久弥新而且坚如磐石。 二、宏观视角宏观视角下的大数据商务并不强调特定的单元技能，反而重视各A.抢当大数据科学家，五大特质你有吗？https://www.bnext.com.tw/article/36144/BN-2015-05-02-182907-109（数位时代）个单元技能所交织而成的跨领域火花。为什么这样说呢？让我们再次看图1-47台视新闻所制播的《商务大军崛起.人才出现严重断层》报道片段，印象就会有所加深。报道一开始即以商务人才“求过于供”为主轴，贯穿整个报道。在报道第40秒处，提到商务人才缺口高达35.2%，并指出未来全球商务从业者即使用高薪都无法挖到合适的人才。报道中的商务从业者受访时亦指出（第3分2秒处），商务领域选人才时重视求职者对于市场“信息度”以及“度”的掌握，因此了解市场将是求职者的当务之急。此外，在报道第3分22秒处更是指出要在竞争激烈的电商市场中找到蓝海，必须先抓住消费者的心。
无论是“信息度”“度”或是“先抓住消费者的心”，这些关键词乍看无法用微观视角中所提到的单元技能来满足，但只有通过微观视角的单元技能才能转化出宏观视角无可取代的跨界应用力，也就是章所提到的数据转化力。无论信息背景人士还是非信息背景人士，一旦通过微观视角的单元技能的协达成宏观视角中的数据转化力，求职者的竞争力将会放。接着让我们来看看大数据方面的报道，如图1-48所示，此报道由TVBS新闻台所制播。报道中分06秒处，可以看见一只机器手臂自动将图案喷印在T恤，受者指出“在该产品制作出来之前，已经被市场认可了”，主要原因在于对方事先就已经搜集了各方意见来创意，以便提升顾客对于产品的接受度，因此“事先搜集”可说是这一小段报道的重点。如果将这段报道内容对应至图1-45的层级架构，就可以很容易辨别出这是属于应用层级的技能，该从业者只是将恒常模式下的应用跨界延伸至服饰设计上。没错，这样的延伸应用能力就是我们所说的大数据商务技能的宏观视角。
在报道第3分21秒处，提到了所谓的“信息交易”，黑板中列出了货运路线，卡车司机可自行决定接单，这是中国传统且普遍的卡车接单模式，这个例子主要目的在于说明卡车司机的接单压力，以及未接单时的闲置资源与成本耗费。在第3分58秒处，货车帮CEO罗鹏受访时指出，该公司成立宗旨在于策划与落实一项愿景，那就是“撮合服务”，将货主与货车司机彼此的需求相互融合，借以解决产销落差问题，即货主找不到车、车子找不到货。
试想，这样的撮合服务属于层级架构中的哪一层呢？当然是应用层，如同刚才所提到的T恤打印一般，同样是将看似单一片段的技术跨界应用至运输业。在报道第5分49秒处，还提到了所谓的大数据交易所，资料或数据变成一种商品，在平台上接受市场竞价借以促成买卖双方的需求。其实这个交易所售卖的数据就储存在层级架构图中的物理层，但是仅拥有底层的物理数据是不够的，还必须如报道6分2秒处所描述的那样，将底层的物理数据予以延伸应用。
通过以上的新闻报道，我们可以发现，宏观视角与微观视角彼此之间有着密切的关联，微观视角是宏观视角的技能基础，而宏观视角的市场情况良好则是微观视角得以蓬勃发展的充分条件。有鉴于此，本书后续章节除了具体指导特定应用层中的工具或技能之外，仍会针对该工具提供理论或概念叙述。例如，新闻报道中所提到的“事先搜集”，在微观视角方面，我们可以通过网络爬虫技术或网络使用分析技术来达到数据搜集的目的，随后通过宏观视角的消费者评论、量化评价、口耳相传等理论来解答所学的技能是为何而战。此举无非是希望能够培养读者的跨界应用能力，使有信息背景人士能够了解究竟自己所擅长的技能在实务上可以有哪些创意应用，而非信息背景人士则可以借此了解自身强项，发挥跨领域整合的综合效果。