这学期的"数据分析"课结束了，对"商务视角下的数据分析"的内容又有了新的梳理，在此记录下。

商务视角下的数据分析

简介

不管是就业还是创业，商务思维对于学生都是非常总要和必要的：就业在公司，职位提升自是你应追求的，而想要提升，单纯技术是不够的；如果创业，不懂商务思维更是凶多吉少 - 据统计，90%以上的创业都是失败的。

MassEntIno

<figcaption style="box-sizing: border-box; display: block; margin-top: 5px; text-align: center; color: rgb(136, 136, 136); font-size: 14px;">MassEntIno</figcaption>

而围绕商务，还是一个很有意义的串接相关数据分析方法的线索，此所以在建设此课程是本人冠之以"商务视角下"的原因。

Part I: 商务思维篇

商务思维概述 – 盈利是核心

商务思维？推荐"褚时健传"读一读，可以通过这本书体会下商务思维并不复杂(了解下这位老人的传奇经历也是会有收获的)。

CHUShiJian

<figcaption style="box-sizing: border-box; display: block; margin-top: 5px; text-align: center; color: rgb(136, 136, 136); font-size: 14px;">CHUShiJian</figcaption>

关于商务思维的总结，可能大家都会想到所谓的MBA (即工商管理硕士，Master of Business Administration)，甚或 EMPA (Executive Master of Public Administration)之类。确实，它们汇总了围绕商务或公共事务管理所需要的决策制定的经验总结(此外还包含限制的内容 - 法律法规，以及职业道德等)，了解一下是会有收获的。不过，终究MBA还是EPMA都是很高大上的 - 毕竟有逼格才能吸引人嘛，课程的数目是很多的！

有感于理解和活用商务思维，跟是否学习过MBA或EMPA没有必然的联系，所以，在本课程中对相关的概念和技巧做简单的提炼，分成两个部分：

• 盈利的简要评估
• 盈利的保障手段

怀念 褚时健 老人

MissingCHUShiJian

<figcaption style="box-sizing: border-box; display: block; margin-top: 5px; text-align: center; color: rgb(136, 136, 136); font-size: 14px;">MissingCHUShiJian</figcaption>

Part II: 数据分析的历史，工具和统计学

数据分析的历史 – 追寻智慧

WisdomHis

<figcaption style="box-sizing: border-box; display: block; margin-top: 5px; text-align: center; color: rgb(136, 136, 136); font-size: 14px;">WisdomHis</figcaption>

即便是褚时健老人，在管理他所经手的那些企业的时候，也是要做很多数据分析以支持商务决策的，基本的就是利润和成本核算。数据分析往大里说，可体现为人类追寻智慧的过程，简单梳理为三个阶段：

• 计算机出现之前 - 哲学或者说数学，是人这一主体实现思考和计算验证

• 计算机出现之后 到目前为止(应该也包含不短的一段未来时间) - 人这一主体思考，而计算机完成计算验证。集中的体现是AI (Artificial Intelligence, 人工智能)，也有三个发展阶段

  • 早期的逻辑推断(LI - Logic Inference)
  • 其后的知识工程或专家系统 (KE/ES - Knowledge Engineering/Expert System)
  • 当下的机器学习(ML - Machine Learning)

• 未来？ - 机器也能思考？还是人类大脑深度开发？个人觉得生化人是个无奈的选择

Borg

<figcaption style="box-sizing: border-box; display: block; margin-top: 5px; text-align: center; color: rgb(136, 136, 136); font-size: 14px;">Borg</figcaption>

一点优化论

在进入机器学习阶段，所谓的学习，其实就是人们设定模型结构，然后喂之以数据以得到最佳的模型结构的参数。最佳，也就意味着优化，所以，了解下优化有关的概念和技术是有必要的。

虽然"凸优化"是一个重要的寻求最佳参数的方式，但是，也要记住还有很多优化的方式是被归纳为"运筹学" 领域的，甚至，有两个国际的奖项：

OptimizationPrizes

<figcaption style="box-sizing: border-box; display: block; margin-top: 5px; text-align: center; color: rgb(136, 136, 136); font-size: 14px;">OptimizationPrizes</figcaption>

统计学 – 基于分布的推断是核心

在商务决策的方法中，很多的概念和技术是归纳在统计学里的。而统计学的基本内容有两个方面：基于样本估计总体的分布；基于分布进行推断。其核心的计算是基于分布得到所谓的置信区间。

"多元统计分析" 和 "多元变量分析" 也值得去了解一下

再就是可以扩展看看 "计量经济学"

Part III: 数据分析

基础篇

• 基础思想 - 距离，空间 和 隐含量 (EM方法)
• 聚类 - K-means 和 DBScan
• 关联规则 - Apriori 算法
• 分类 之 决策树, …
• 神经网络 之 早期

深入篇

• 聚类 之 GMM/EM
• 分类 之 SVM
• 神经网络 之 Deep Learning
• 强化学习 - MDP, 和 RL

大规模篇

• 从von Neumann 计算机到超级计算机 (MPP 和 Cluster)
• 数据管理工具演化: 从File 到 Big Data
• 并行算法
• 大数据

Part IV: 创业篇

互联网+ 和 长尾

时代发展到现在，互联网已经成为吸纳全球人口的媒介，也因此，借助互联网改造甚或创造新的经济运作方式，已成为广泛的共识。涌现出大量的成功的模式，如Google，FaceBook, Twitter，Tencent，Amazon, Alibaba, 京东，拼多多等。

在中国，体现为2015年国务院总理李克强率先提出的“互联网+”。

集中在电子商务(按现在的理解，也就是"互联网+商务")，亚马逊，阿里巴巴，京东等令人羡慕，也因此有学者对这类公司的成功做了分析和总结，比较有意思的是所谓的长尾理论的解释。

LongTail

<figcaption style="box-sizing: border-box; display: block; margin-top: 5px; text-align: center; color: rgb(136, 136, 136); font-size: 14px;">LongTail</figcaption>

网络公司的员工，现在有35岁天花板的无奈；但是，因为他们有大规模数据处理的实践经验，所以，一个比较好的出路就是进入国有大公司，因为，SOE往往需要大数据处理但是缺乏技术积累。

计算广告那点事

不管在什么时代，盈利模式是公司的核心价值。在互联网+时代，计算广告是必要的：长尾理论的一个分析那些公司能够成功的一个因素就是，它们能够向巨量的用户提供近乎无限的商品，那么，就需要在二者之间提供精准匹配的机制。这里面涉及到的算法也是很多的，值得去了解一下。

ComputingAdv

<figcaption style="box-sizing: border-box; display: block; margin-top: 5px; text-align: center; color: rgb(136, 136, 136); font-size: 14px;">ComputingAdv</figcaption>

创业吧

• 企划书和公司申请
• 借助网络就可以开公司

gs.aliyun.com

<figcaption style="box-sizing: border-box; display: block; margin-top: 5px; text-align: center; color: rgb(136, 136, 136); font-size: 14px;">gs.aliyun.com</figcaption>

几本书

• 褚时健传
• 八次危机
• The Personal MBA: Master the Art of Business (在家就能读MBA) by Josh Kaufman
• Statistical Methods for the Social Sciences (4th ed) by Alan Agresti, Barbara Finlay
• 计量经济学
• Artificial Intelligence: A modern approach by Stuart Russell, Peter Norvig
• Convex Optimization by Stephen Boyd and Lieven Vandenberghe
• 运筹学
• 统计学习方法
• Introduction to Data Mining By Pang-Ning Tan, Michael Steinbach, Vipin Kumar
• Deep Learning by Ian Goodfellow, Yoshua Bengio, Aaron Courville
• 并行算法设计
• 科学计算
• CUDA编程
• 大数据
• 长尾理论
• 推荐系统实践
• 深度学习和推荐系统
• 项目融资商业计划书（2014版）编制技巧及重点说明

几个视频

• 早期Andrew Ng 的"机器学习"课程录像(时间长)
• 陆吾生先生的优化论视频
• "凸优化"的视频(很难懂)
• 一些培训机构的机器学习视频：七月邹博的(后来换了单位)