1. 介绍：数据分析思想

The Ubiquity of Data Opportunities

介绍数据将越来越多地产生和获取，介绍本书的目的 - 帮大家从数据分析的角度分析商业问题并了解数据分析的知识和原则。

Example:Hurricane Frances

通过Frances飓风案例，讲解数据分析知识落地作用。即通过飓风预测消费者会多购买多少瓶装水，以便备货。

Example:Predicting Customer Churn

通过顾客在运营商之间转移（Churn - 即国内携号转网）的数据统计与预测，以给不同的顾客制定不同政策以挽留，面对增量缺失存量竞争下的电信运营市场，案例将贯穿全书各章节进行介绍。

Data Science, eEngineering, and Data-Driven Decision Making

data science包含原则、过程和技术。

DDD（data-driven decision-making）。

案例：沃尔玛通过用户行为，预测用户即将怀孕并推送相关的婴儿用品，相比以往通过医院出生数据判断用户状态，得到提前决策机会，并通过提前推送获取用户购买行为。

Data Processing and "Big Data"

“big data”技术（如Hadoop，HBase，MongoDB）指用于处理以往数据分析未面对过的大量数据的技术手段。

From Big Data 1.0 to Big Data 2.0

1.0和2.0的对比就是：过去企业收集大量数据是1.0，以后要做一些更深入的数据科学分析，起名就叫2.0吧。

Data and Data Science Capability as a Strategic Asset

将数据看做资产，然后对数据投资，提到了signet bank的信用卡案例，通过向不同数据的用户推送不同的服务类型和服务条款，收集和分析数据的花费即是对数据资产的投资，需要考虑如何通过数据创造价值来赢回投资。

Amazon将用户行为数据用来进行商品推荐，以提高商品销量。

Data-Analytic Thinking

因为数据科学是支持商业决策提升的能力，所以缺了这个技能会让你做出错误决策，好好学！！！

This Book

这本书集中在基础概念和如何运用概念解决问题，技术领域的覆盖内容较少。

Data Mining and Data Science,Revisited

基础概念1：需要有数据架构思维，即通过系统性的可归因的步骤进行数据商业问题解决；

基础概念2：信息技术可从大量数据中提取实体的数据特征；

基础概念3：避免过拟合overfitting；

基础概念4：数据解决方案需要考虑结果被使用的上下文即关联因素。

Chemistry Is Not About Test Tubes:Data Science Versus the Work of the Data Scientist

这本书不讲技术，只讲数据分析原则，技术每年都变，数据分析原则十年都不会变。

Summary

没啥实质性内容。