《排除妄想的大數據實踐術》全新封面版
為什麼「大數據」是史上最常被打搶的熱門技術！
為什麼專家得到的結論，到了實務現場卻根本行不通？
本書不討論資訊技術，只是用大量的例子告訴你，
該如何讓大數據在你的公司產生真正的效果！
一家日本的餐廳想知道增加熟客的來店比率是否有助於提升業績！公司總部的大數據專家把熟客的定義為一周來店三次的客人。打算對他們推出促銷方案，但是實際進行時發現一周來店三次的客人根本沒有幾個，於是只好改變熟客的定義！
一家公司聘用了外部的資料科學家，來進行資料分析，得到的結果興沖沖的和現場的銷售人員分享！但對方的回應是：你的資料有問題，和現況完全不符！
由於大數據是科技浪潮的代表性名詞，因此大家對它的作用存在很大的幻想，期望它對公司產生快速而巨大的影響。
當你聽到大數據在行銷領域的運用，是不是想到類似「啤酒」與「尿布」的例子？公司檢視來自網路及實體通路收銀機的銷售資料，發現買尿布的男客人，同時買啤酒的機率很高。因此公司立刻通知通路人員，把尿布與啤酒放在一起，營業額於是快速成長。
很可惜，企業在大數據的運用上，立竿見影的發現很少出現，要透過層層的梳理，才可以找到有效的運用。因此在利用大數據的過程中必須處理一連串的問題，化解一連串的迷思才能替公司帶來實際的效果。
而且，大數據的用途多半相對平實。日本軟銀（SoftBank）的電信服務，在95%以上的區域通訊良好，但是少數地方會傳回通訊不良的訊號，於是公司針對極少數通訊不良的地方進行改進，最後在同業中，因為這些小幅的改進而贏得更高的滿意度。
同樣的，日本著名的旋轉壽司店，利用食品在轉盤上行進的距離，來決定新鮮度，再配合來店客數，預估大約15分鐘後可能的點餐量，並據以出餐，同時滿足成本及品質控制。
幾年之內，全球會有500億部可以連網的終端設備。不斷由賣場、辦公室，甚至是噴射引擎內部傳送訊息，讓大數據的分析具有3V的特徵（Volume：大量；Variety：多樣性；Velocity：即時）。不過在資料運用處於核心的人類對如何利用大數據來提升營運效率，卻還沒有準備好。
以下情況充斥於企業界，讓大量的數據無法對公司的營運產生效用：
1 認為只要蒐集資料數據就能搞定一切。
2 要追求與眾不同的事實、新奇的發現。
3 只看數據，不去看現場狀況。
而本書則以明確的模式及具體的案例，告訴你如何把大數據由「雲端」的天上拉回人間的「收銀機」。
本書特色
◆從尖端趨勢到實務操作全說明：
物聯網（IoT）的發展將對企業營運產生重大的影響，預估全球將有500億個終端連網裝置運行。如果電力問題可以克服，那麼日本的工具機廠商，可以立刻獲得銷售往全球各地機具的使用情況，有那些零件要更換；德國則據以發展工業4.0，即在德國本土，以無人工廠，大量客製化生產產品；氣象預報可&# 2 0 1 9 7 ; &# 2 7 5 9 9 ; &# 2 4 1 7 9 ; &# 2 6 0 4 1 ; &# 2 0 8 4 4 ; &# 3 7 3 2 4 ; &# 2 8 8 5 8 ; &# 3 8 9 2 8 ; &# 2 2 5 7 7 ; &# 2 1 9 3 4 ; &# 2 0 3 0 1 ; &# 6 5 2 9 2 ; &# 2 7 5 9 9 ; &# 2 4 1 9 0 ; &# 2 0 9 9 8 ; &# 3 7 9 1 2 ; &# 2 3 6 0 1 ; &# 2 6 3 5 6 ; &# 2 6 0 3 2 ; &# 2 5 9 7 6 ; &# 2 5 8 1 8 ; &# 1 2 2 9 0 ; &# 3 2 7 8 0 ; &# 3 6 8 9 9 ; &# 3 7 7 8 2 ; &# 2 4 2 1 5 ; &# 2 1 0 6 3 ; &# 2 1 4 8 7 ; &# 2 0 1 9 7 ; &# 3 8 5 6 8 ; &# 2 6 1 7 8 ; &# 2 4 4 7 1 ; &# 3 0 6 9 3 ; &# 2 4 2 1 5 ; &# 2 0 8 3 9 ; &# 2 6 3 7 7 ; &# 2 2 8 1 0 ; &# 2 3 5 6 9 ; &# 3 9 0 1 5 ; &# 2 3 4 5 8 ; &# 1 9 9 7 8 ; &# 3 8 2 7 2 ; &# 1 2 2 8 9 ; &# 2 4 4 5 3 ; &# 2 0 1 0 2 ; &# 2 2 8 1 0 ; &# 2 0 0 3 7 ; &# 1 2 2 8 9 ; &# 2 6 3 7 7 ; &# 2 2 8 1 0 ; &# 2 3 5 6 9 ; &# 2 0 1 5 4 ; &# 2 7 7 9 4 ; &# 2 6 3 7 7 ; &# 3 6 0 2 3 ; &# 2 6 4 8 1 ; &# 3 5 1 9 9 ; &# 1 2 2 9 0 ; b r / > b r / > &# 3 8 5 0 0 ; &# 2 0 1 0 2 ; &# 2 6 3 6 8 ; &# 2 0 8 0 8 ; &# 3 6 9 1 4 ; &# 3 0 3 4 0 ; &# 2 5 2 1 6 ; &# 3 4 8 9 9 ; &# 3 0 3 3 2 ; &# 2 3 6 3 7 ; &# 6 5 2 9 2 ; &# 2 6 4 1 2 ; &# 2 6 3 6 0 ; &# 2 0 0 6 3 ; &# 3 5 4 9 8 ; &# 2 6 1 2 6 ; &# 2 2 3 1 2 ; &# 2 2 8 2 3 ; &# 3 7 3 2 7 ; &# 3 6 0 3 9 ; &# 3 5 3 3 8 ; &# 2 9 9 8 6 ; &# 2 9 9 8 3 ; &# 2 6 1 7 8 ; &# 6 5 2 9 2 ; &# 2 2 9 1 4 ; &# 2 0 3 0 9 ; &# 2 1 0 3 3 ; &# 2 9 9 9 2 ; &# 3 6 0 3 9 ; &# 3 5 3 3 8 ; &# 2 9 9 8 6 ; &# 2 9 9 8 3 ; &# 2 6 3 7 7 ; &# 2 1 1 6 1 ; &# 2 6 0 4 4 ; &# 2 5 5 5 2 ; &# 2 1 3 1 9 ; &# 2 9 1 5 1 ; &# 3 6 9 3 9 ; &# 3 2 3 1 8 ; &# 2 5 9 2 8 ; &# 3 0 3 4 0 ; &# 2 0 8 5 5 ; &# 3 9 6 3 6 ; &# 2 0 5 7 0 ; &# 2 7 8 6 1 ; &# 1 2 2 9 0 ; &# 2 1 2 5 3 ; &# 2 5 3 2 4 ; &# 1 2 3 0 0 ; &# 2 7 9 6 3 ; &# 2 9 9 9 2 ; &# 3 5 3 3 6 ; &# 3 0 0 5 9 ; &# 2 3 5 6 0 ; &# 2 6 6 9 6 ; &# 1 2 3 0 1 ; &# 3 3 2 8 7 ; &# 1 2 3 0 0 ; &# 2 3 4 5 0 ; &# 2 2 4 1 1 ; &# 2 1 2 7 0 ; &# 2 3 5 6 0 ; &# 2 6 6 9 6 ; &# 1 2 3 0 1 ; &# 2 0 8 4 1 ; &# 2 0 4 9 1 ; &# 3 8 5 4 2 ; &# 2 7 5 7 3 ; &# 1 2 2 9 0 ; &# 2 7 9 6 3 ; &# 2 9 9 9 2 ; &# 3 5 3 3 6 ; &# 3 0 0 5 9 ; &# 2 3 5 6 0 ; &# 2 6 6 9 6 ; &# 2 6 1 5 9 ; &# 2 0 1 9 7 ; &# 3 6 0 3 9 ; &# 2 6 0 0 9 ; &# 3 1 1 8 5 ; &# 2 3 4 1 6 ; &# 2 3 4 7 8 ; &# 2 8 8 5 8 ; &# 2 0 0 1 3 ; &# 2 4 5 1 5 ; &# 6 5 2 9 2 ; &# 2 8 8 5 8 ; &# 2 0 1 0 2 ; &# 3 6 9 4 8 ; &# 2 5 1 0 4 ; &# 3 0 4 4 6 ; &# 3 0 3 4 0 ; &# 3 2 7 8 0 ; &# 3 3 9 3 6 ; &# 3 8 5 9 8 ; &# 1 2 2 8 9 ; &# 2 0 9 9 8 ; &# 2 6 5 1 2 ; &# 2 5 9 7 6 ; &# 2 5 8 1 8 ; &# 6 5 2 9 2 ; &# 2 0 8 7 7 ; &# 2 3 5 6 6 ; &# 2 0 9 8 6 ; &# 2 5 1 0 4 ; &# 2 8 8 5 8 ; &# 3 2 0 8 0 ; &# 2 6 5 2 4 ; &# 3 0 3 4 0 ; &# 2 1 8 5 5 ; &# 3 0 3 3 2 ; &# 2 3 5 6 0 ; &# 2 6 6 9 6 ; &# 1 2 2 9 0
為什麼「大數據」是史上最常被打搶的熱門技術！
為什麼專家得到的結論，到了實務現場卻根本行不通？
本書不討論資訊技術，只是用大量的例子告訴你，
該如何讓大數據在你的公司產生真正的效果！
一家日本的餐廳想知道增加熟客的來店比率是否有助於提升業績！公司總部的大數據專家把熟客的定義為一周來店三次的客人。打算對他們推出促銷方案，但是實際進行時發現一周來店三次的客人根本沒有幾個，於是只好改變熟客的定義！
一家公司聘用了外部的資料科學家，來進行資料分析，得到的結果興沖沖的和現場的銷售人員分享！但對方的回應是：你的資料有問題，和現況完全不符！
由於大數據是科技浪潮的代表性名詞，因此大家對它的作用存在很大的幻想，期望它對公司產生快速而巨大的影響。
當你聽到大數據在行銷領域的運用，是不是想到類似「啤酒」與「尿布」的例子？公司檢視來自網路及實體通路收銀機的銷售資料，發現買尿布的男客人，同時買啤酒的機率很高。因此公司立刻通知通路人員，把尿布與啤酒放在一起，營業額於是快速成長。
很可惜，企業在大數據的運用上，立竿見影的發現很少出現，要透過層層的梳理，才可以找到有效的運用。因此在利用大數據的過程中必須處理一連串的問題，化解一連串的迷思才能替公司帶來實際的效果。
而且，大數據的用途多半相對平實。日本軟銀（SoftBank）的電信服務，在95%以上的區域通訊良好，但是少數地方會傳回通訊不良的訊號，於是公司針對極少數通訊不良的地方進行改進，最後在同業中，因為這些小幅的改進而贏得更高的滿意度。
同樣的，日本著名的旋轉壽司店，利用食品在轉盤上行進的距離，來決定新鮮度，再配合來店客數，預估大約15分鐘後可能的點餐量，並據以出餐，同時滿足成本及品質控制。
幾年之內，全球會有500億部可以連網的終端設備。不斷由賣場、辦公室，甚至是噴射引擎內部傳送訊息，讓大數據的分析具有3V的特徵（Volume：大量；Variety：多樣性；Velocity：即時）。不過在資料運用處於核心的人類對如何利用大數據來提升營運效率，卻還沒有準備好。
以下情況充斥於企業界，讓大量的數據無法對公司的營運產生效用：
1 認為只要蒐集資料數據就能搞定一切。
2 要追求與眾不同的事實、新奇的發現。
3 只看數據，不去看現場狀況。
而本書則以明確的模式及具體的案例，告訴你如何把大數據由「雲端」的天上拉回人間的「收銀機」。
本書特色
◆從尖端趨勢到實務操作全說明：
物聯網（IoT）的發展將對企業營運產生重大的影響，預估全球將有500億個終端連網裝置運行。如果電力問題可以克服，那麼日本的工具機廠商，可以立刻獲得銷售往全球各地機具的使用情況，有那些零件要更換；德國則據以發展工業4.0，即在德國本土，以無人工廠，大量客製化生產產品；氣象預報可&# 2 0 1 9 7 ; &# 2 7 5 9 9 ; &# 2 4 1 7 9 ; &# 2 6 0 4 1 ; &# 2 0 8 4 4 ; &# 3 7 3 2 4 ; &# 2 8 8 5 8 ; &# 3 8 9 2 8 ; &# 2 2 5 7 7 ; &# 2 1 9 3 4 ; &# 2 0 3 0 1 ; &# 6 5 2 9 2 ; &# 2 7 5 9 9 ; &# 2 4 1 9 0 ; &# 2 0 9 9 8 ; &# 3 7 9 1 2 ; &# 2 3 6 0 1 ; &# 2 6 3 5 6 ; &# 2 6 0 3 2 ; &# 2 5 9 7 6 ; &# 2 5 8 1 8 ; &# 1 2 2 9 0 ; &# 3 2 7 8 0 ; &# 3 6 8 9 9 ; &# 3 7 7 8 2 ; &# 2 4 2 1 5 ; &# 2 1 0 6 3 ; &# 2 1 4 8 7 ; &# 2 0 1 9 7 ; &# 3 8 5 6 8 ; &# 2 6 1 7 8 ; &# 2 4 4 7 1 ; &# 3 0 6 9 3 ; &# 2 4 2 1 5 ; &# 2 0 8 3 9 ; &# 2 6 3 7 7 ; &# 2 2 8 1 0 ; &# 2 3 5 6 9 ; &# 3 9 0 1 5 ; &# 2 3 4 5 8 ; &# 1 9 9 7 8 ; &# 3 8 2 7 2 ; &# 1 2 2 8 9 ; &# 2 4 4 5 3 ; &# 2 0 1 0 2 ; &# 2 2 8 1 0 ; &# 2 0 0 3 7 ; &# 1 2 2 8 9 ; &# 2 6 3 7 7 ; &# 2 2 8 1 0 ; &# 2 3 5 6 9 ; &# 2 0 1 5 4 ; &# 2 7 7 9 4 ; &# 2 6 3 7 7 ; &# 3 6 0 2 3 ; &# 2 6 4 8 1 ; &# 3 5 1 9 9 ; &# 1 2 2 9 0 ; b r / > b r / > &# 3 8 5 0 0 ; &# 2 0 1 0 2 ; &# 2 6 3 6 8 ; &# 2 0 8 0 8 ; &# 3 6 9 1 4 ; &# 3 0 3 4 0 ; &# 2 5 2 1 6 ; &# 3 4 8 9 9 ; &# 3 0 3 3 2 ; &# 2 3 6 3 7 ; &# 6 5 2 9 2 ; &# 2 6 4 1 2 ; &# 2 6 3 6 0 ; &# 2 0 0 6 3 ; &# 3 5 4 9 8 ; &# 2 6 1 2 6 ; &# 2 2 3 1 2 ; &# 2 2 8 2 3 ; &# 3 7 3 2 7 ; &# 3 6 0 3 9 ; &# 3 5 3 3 8 ; &# 2 9 9 8 6 ; &# 2 9 9 8 3 ; &# 2 6 1 7 8 ; &# 6 5 2 9 2 ; &# 2 2 9 1 4 ; &# 2 0 3 0 9 ; &# 2 1 0 3 3 ; &# 2 9 9 9 2 ; &# 3 6 0 3 9 ; &# 3 5 3 3 8 ; &# 2 9 9 8 6 ; &# 2 9 9 8 3 ; &# 2 6 3 7 7 ; &# 2 1 1 6 1 ; &# 2 6 0 4 4 ; &# 2 5 5 5 2 ; &# 2 1 3 1 9 ; &# 2 9 1 5 1 ; &# 3 6 9 3 9 ; &# 3 2 3 1 8 ; &# 2 5 9 2 8 ; &# 3 0 3 4 0 ; &# 2 0 8 5 5 ; &# 3 9 6 3 6 ; &# 2 0 5 7 0 ; &# 2 7 8 6 1 ; &# 1 2 2 9 0 ; &# 2 1 2 5 3 ; &# 2 5 3 2 4 ; &# 1 2 3 0 0 ; &# 2 7 9 6 3 ; &# 2 9 9 9 2 ; &# 3 5 3 3 6 ; &# 3 0 0 5 9 ; &# 2 3 5 6 0 ; &# 2 6 6 9 6 ; &# 1 2 3 0 1 ; &# 3 3 2 8 7 ; &# 1 2 3 0 0 ; &# 2 3 4 5 0 ; &# 2 2 4 1 1 ; &# 2 1 2 7 0 ; &# 2 3 5 6 0 ; &# 2 6 6 9 6 ; &# 1 2 3 0 1 ; &# 2 0 8 4 1 ; &# 2 0 4 9 1 ; &# 3 8 5 4 2 ; &# 2 7 5 7 3 ; &# 1 2 2 9 0 ; &# 2 7 9 6 3 ; &# 2 9 9 9 2 ; &# 3 5 3 3 6 ; &# 3 0 0 5 9 ; &# 2 3 5 6 0 ; &# 2 6 6 9 6 ; &# 2 6 1 5 9 ; &# 2 0 1 9 7 ; &# 3 6 0 3 9 ; &# 2 6 0 0 9 ; &# 3 1 1 8 5 ; &# 2 3 4 1 6 ; &# 2 3 4 7 8 ; &# 2 8 8 5 8 ; &# 2 0 0 1 3 ; &# 2 4 5 1 5 ; &# 6 5 2 9 2 ; &# 2 8 8 5 8 ; &# 2 0 1 0 2 ; &# 3 6 9 4 8 ; &# 2 5 1 0 4 ; &# 3 0 4 4 6 ; &# 3 0 3 4 0 ; &# 3 2 7 8 0 ; &# 3 3 9 3 6 ; &# 3 8 5 9 8 ; &# 1 2 2 8 9 ; &# 2 0 9 9 8 ; &# 2 6 5 1 2 ; &# 2 5 9 7 6 ; &# 2 5 8 1 8 ; &# 6 5 2 9 2 ; &# 2 0 8 7 7 ; &# 2 3 5 6 6 ; &# 2 0 9 8 6 ; &# 2 5 1 0 4 ; &# 2 8 8 5 8 ; &# 3 2 0 8 0 ; &# 2 6 5 2 4 ; &# 3 0 3 4 0 ; &# 2 1 8 5 5 ; &# 3 0 3 3 2 ; &# 2 3 5 6 0 ; &# 2 6 6 9 6 ; &# 1 2 2 9 0