具体描述
当业务人员认识到数据分析的无穷潜力时，他们就会渐渐地把它当作一项企业资源和一件企业应该优先考虑的事情。现在，在大规模数据分析方面占有世界领先地位的研究学者们已经把今日这些用于企业级数据分析规划、实施、管理并取得成功的最佳实践汇集在了一起。
《大数据分析：数据驱动的企业绩效优化、过程管理和运营决策》总结了作者们在国际数据分析研究所中所做的创举性工作，阐述了整个数据分析的生命周期、解决技术、用途、运营、治理、战略以及更多其他内容，在利用专有数据、获取全新的360度客户视角、以各种可行的方式投入测量工作、优化“次优报价”、使用云计算资源并将数据分析直接与业务绩效相关联等方面提供了各种可行的解决方案。之后，在有关数据分析中最重要的“人”方面的内容中，他们讲述了从构建和治理数据分析型组织到整合数据分析于整个全球性业务之中这个过程里的每一件事情。
无论你是分析人员、经理、战略决策者、总监还是技术供应商，《大数据分析：数据驱动的企业绩效优化、过程管理和运营决策》都会帮助你更快速地实施大规模数据分析，从而赚取更多的价值。
适用于你的业务的数据数量正在呈指数方式地增长着。使用今日的数据分析工具和方法，现在你就能发现一些隐藏于其中的规律，这些规律揭示了发生这些事情的原因、预测了将来可能发生的事件并系统化地优化了你的成果。在本书中，Tom Davenport及其国际数据分析研究所的同事们向人们呈现了在该领域中所用的艺术手法现状，并且为了使你的企业组织得益于所用的数据和预测分析，还提供了一些经过证明是行之有效的企业战略。
《大数据分析：数据驱动的企业绩效优化、过程管理和运营决策》涵盖了数据分析规划和ROI计算、技术选择和实施、企业组织化问题、与业务绩效的关联性以及更多其他方面的内容。书中通过大量行业和业务职能的真实例子，展示如何在整个企业中成功地运用数据分析，不管是中小型企业还是全球性的大企业，都将从中获益。无论你是数据分析师还是消费者，也无论你的角色是技术型、运营型还是战略型，本书都深入浅出地向你阐释了企业数据分析的关键知识和技术。
作者简介
Thomas H. Davenport，国际数据分析研究所共同创始人和研究总监。他还是哈佛商学院客座教授、Babson学院特聘教授和德勤会计事务所高级顾问。Davenport也是一位世界著名的思想领袖，他帮助数以百计的公司重振了他们的管理实践。他的“竞争力分析”理念最近刚刚被《哈佛商业评论》杂志评为过去10年最重要的管理理念之一。他还创举性地提出了业务过程重组、知识管理和成功实施企业系统的概念。
他与人合著了三本数据分析和决策制定相关的畅销书。
目录信息
序
前言
作者简介
第一部分 数据分析及其价值概述
第1章 谈及数据分析时我们到底在谈什么 2
1.1 我们为什么需要一个新术语：传统商务智能里的问题 3
1.2 三种类型的数据分析 4
1.3 数据挖掘适合什么 6
1.4 业务数据分析和其他一些类型 6
1.5 Web数据分析 7
1.6 大数据分析 7
1.7 结论 8
第2章 数据分析中的ROI 9
2.1 传统的ROI分析 9
2.1.1 现金流和ROI 10
2.1.2 构建一个可靠的ROI 11
2.1.3 其他用于决策制定的财务度量标准 11
2.1.4 ROI分析中其他注意事项 11
2.2 Teradata公司评估数据分析投资的方法 13
2.2.1 阶段1：验证业务目标并记录最佳实践用途 13
2.2.2 阶段2: 设想一下新功能 14
2.2.3 阶段3：对ROI和报告调查结果进行决策 14
2.2.4 阶段4：沟通 14
2.3 计算价值的一个例子 14
2.4 Freescale半导体公司中的ROI分析 15
2.4.1 背景和环境情况 16
2.4.2 在受高度影响的领域开始进行 16
2.4.3 让经理和领导参与进来 16
2.4.4 持续渐进的成长 17
2.4.5 吸取经验教训 18
第二部分 数据分析应用
第3章 为建立数据分析优势利用专有数据 22
3.1 管理专有数据和分析结果的问题 24
3.1.1 在IATA的PaxIS利用专有数据 25
3.1.2 一个利用专有数据的行业：客户支付 25
3.2 支付数据中的经验教训 28
第4章 Web数据分析：原始大数据 29
4.1 Web数据概述 30
4.1.1 你遗漏了什么 31
4.1.2 假设各种可能性 31
4.1.3 一个重要的新信息源 32
4.1.4 应该收集何种数据 33
4.1.5 对于客户隐私会怎么样 33
4.2 Web数据揭示了什么 34
4.2.1 购物行为 35
4.2.2 客户购买过程和购买偏好 35
4.2.3 搜索行为 36
4.2.4 反馈行为 38
4.3 Web数据实践 38
4.3.1 最优产品推荐 39
4.3.2 客户流失模型 40
4.3.3 客户响应模型 40
4.3.4 客户群体划分 42
4.3.5 广告宣传结果评估 43
4.4 本章小结 44
第5章 在线参与度分析 45
5.1 参与度定义 45
5.2 一个测量在线参与度的模型 47
5.3 对参与度记分的价值 49
5.4 PBS的参与度分析 50
5.5 Philly.com的参与度分析 51
第6章 通向零售业客户“最优产品推荐”之路 53
6.1 数据分析和通向有效进行“最优产品推荐”之路 54
6.2 推荐战略设计 55
6.3 了解你的客户 56
6.4 了解你的推荐 56
6.5 了解购买交易背景 57
6.6 分析和执行：决定和制定推荐 58
6.7 学习和适应NBO 60
第三部分 数据分析技术
第7章 在生产规模应用数据分析 64
7.1 和行为有关的决策 65
7.2 施加业务影响所花的时间 65
7.3 运营中的业务决策 66
7.4 服从问题 66
7.5 数据考量 67
7.6 在生产规模应用数据分析的实例：YouSee 67
7.6.1 潜在的解决方案 68
7.6.2 YouSee 成果 69
7.6.3 YouSee面临的挑战和吸取的经验教训 70
7.6.4 未来在产品规模应用数据分析的计划 71
7.7 来自其他成功公司的经验教训 71
第8章 云计算中的前瞻式数据分析 73
8.1 业务解决方案关注点 74
8.2 五大关键发展机遇 74
8.2.1 打包发布的以云计算为基础的“决策即服务”解决方案 75
8.2.2 用于软件即服务的前瞻式数据分析 75
8.2.3 用于历史遗留系统中的前瞻式数据分析 75
8.2.4 数据云建模 76
8.2.5 弹性计算模型威力 76
8.3 市场状况 77
8.3.1 早期采用者的竞争优势 77
8.3.2 决策管理增加了数据分析价值 77
8.3.3 可持续化的传统数据源优势 78
8.4 优缺点 78
8.5 采用以云计算为基础的前瞻式数据分析 79
第9章 数据分析技术和业务用户81
9.1 各自独立但不等同 81
9.2 阶段化数据 82
9.3 多用途 82
9.4 通用复杂性 82
9.5 以客户端和产品为基础 82
9.6 行业通用 83
9.7 完全可量化 83
9.8 业务部门驱动 83
9.9 特定的供应商公司 83
9.10 现有模型中的问题 84
9.11 数据分析技术中出现的变化 84
9.12 为未来创建数据分析应用程序 86
9.12.1 单用途、行业特定和简单化 86
9.12.2 以服务和解决方案为基础 87
9.12.3 集中式协调 87
9.12.4 整合供应商公司 88
9.13 总结 88
第10章 与企业绩效相关的决策和数据分析 90
10.1 一个决策和数据分析研究案例 90
10.2 相关的决策和数据分析 92
10.2.1 数据分析和决策之间的松耦合关系 92
10.2.2 结构化的人为决策环境 94
10.2.3 自动化的决策 96
10.3 关联决策和信息的过程 97
10.3.1 步骤1：对关键决策在战略上的重视 97
10.3.2 步骤2：信息和数据分析提供 98
10.3.3 步骤3：决策设计 98
10.3.4 步骤4：决策执行 99
10.4 展望决策管理的未来 100
第四部分 数据分析人力因素
第11章 组织管理数据分析人员104
11.1 为什么企业组织会在意 104
11.2 企业组织架构通用目标 105
11.3 特定数据分析型企业组织的目标 106
11.4 组织管理数据分析人员的基本模式 106
11.5 协调方案 109
11.6 何种模型适合你的业务 110
11.7 你能勇敢到何种程度 112
11.8 定位你的模型和协调机制 113
11.8.1 角度1：目前状态 113
11.8.2 角度2：数据分析成熟度 113
11.8.3 角度 3：数据分析策略/场景 114
11.8.4 角度4：反省抱负 115
11.8.5 角度 5：反省现实 115
11.9 数据分析领导力和首席分析官 116
11.10 应该向谁汇报数据分析职能工作 116
11.11 营造数据分析生态环境 117
11.12 逐渐发展数据分析型企业组织 118
11.13 底线 119
第12章 数据分析人才的工作投入度 120
12.1 四大数据分析人才种类 120
12.2 数据分析人员的工作投入度 121
12.3 让数据分析人员具备关键的业务信息 122
12.4 定义角色和期望 123
12.5 培养数据分析人员对新技能、工具和技术的热爱 123
12.6 运用更加集中化的数据分析企业架构 124
第13章 数据分析治理126
13.1 指导原则 126
13.2 治理要素 128
13.2.1 为什么需要治理 128
13.2.2 什么东西正在被人们治理着 130
13.2.3 应该如何对治理进行架构化 130
13.2.4 谁治理什么 132
13.2.5 如何对治理进行运营 134
13.2.6 如何让数据分析治理与其他的治理体系和方法相适应 135
13.3 何时知道自己正在成功的路上 135
第14章 构建全球化的数据 分析能力 137
14.1 广泛分布的地理差异 137
14.2 集中协调集中化的组织 139
14.3 强大的卓越中心 139
14.4 协调化的“分工”方案 140
14.5 其他一些全球化数据分析发展趋势 142
第五部分 数据分析应用案例研究
第15章 医疗合作系统公司146
15.1 Partners公司数据和系统集中管理 147
15.2 Partners公司的临床诊断信息技术管理 148
15.3 Partners公司的高绩效医学计划 150
15.4 Partners 公司在数据分析方面的新挑战 151
15.5 Partners公司的集中管理式业务数据分析 153
15.6 特定于医院的数据分析业务活动：马萨诸塞州综合医院 154
15.7 特定于医院的数据分析业务活动：女子医院 155
第16章 西尔斯控股公司HR职能部门中的数据分析159
16.1 我们做什么 159
16.2 谁造就了优秀的HR数据分析人员 161
16.3 我们最大化价值的秘诀 162
16.4 关键的经验教训 163
第17章 默克公司的商业数据分析文化和关系165
17.1 决策制定者的合作伙伴关系 166
17.2 团队成功的理由 166
17.3 将数据分析嵌入工具中 168
17.4 商业数据分析和决策科技未来的方向 168
第18章 Bernard Chaus 公司供应链中的描述性数据分析170
18.1 关注供应链的需要 171
18.2 数据分析加强了Chaus 公司IT和业务部门之间的同盟关系 173
· · · · · · (收起)
读后感
用户评价
这本书的装帧设计真是太吸引人了，封面那种深邃的蓝色调，配上一些抽象的数据流线条，一下子就让人联想到高深莫测的数字世界。光是捧在手里，就能感受到一种沉甸甸的专业感。不过，我买它回来是想深入了解如何将海量数据转化为实际的商业洞察，期待它能提供一些切实可行的案例和方法论，比如如何构建一个高效的数据清洗流程，或者在使用R和Python进行复杂模型训练时，有哪些需要特别注意的性能优化技巧。我更希望看到的是，作者能用一种既严谨又不失生动的笔触，带领我们穿越那些晦涩的统计学名词，直达数据背后的商业价值。如果它能详尽地阐述几家知名企业是如何通过数据驱动决策，实现市场份额增长的，那这本书的价值就体现出来了。坦白说，市面上很多书籍在理论层面堆砌了太多公式，却在“如何做”的实践环节含糊其辞，我希望这本能够打破这个怪圈，提供一套清晰的、可操作的蓝图，让我们这些渴望从数据中挖掘金矿的人，能找到真正的方向。
这本书的写作风格我个人觉得非常具有启发性，它不像一本冷冰冰的技术手册，更像是一位经验丰富的技术顾问在耳边低语，分享他多年踩坑和成功的经验。特别是关于数据可视化那一章，作者没有停留在介绍Tableau或Power BI的基本操作，而是探讨了如何设计“有效的”信息传递图表，比如如何避免“视觉欺骗”，如何根据受众的不同（高管层 vs. 一线运营）定制信息密度和展示深度。这种对“沟通”而非仅仅是“展示”的强调，让我对数据报告的制作有了全新的理解。而且，书中穿插的一些关于数据伦理和隐私保护的讨论，也显得非常及时和必要，在这个数据泛滥的时代，如何负责任地使用数据，是每一个从业者必须面对的严肃课题，这本书在这一点上做得非常到位，引导我们思考技术背后的社会责任。
读完这套书的章节后，我最大的感受是，作者在数据采集和预处理这一环的描述，简直就是教科书级别的详细。特别是关于流式数据处理的章节，简直是救星！我之前在处理实时用户行为日志时，总是在数据延迟和一致性上栽跟头，这本书里对Kafka和Spark Streaming结合使用的深度解析，特别是他们如何平衡吞吐量和延迟的权衡点，给我带来了豁然开朗的感觉。它没有简单地罗列工具的API，而是深入剖析了设计选择背后的工程考量。那种从底层原理出发，再到上层应用场景的推演逻辑，非常符合我这种既需要理论深度又追求工程实践的读者。我特别欣赏作者对于数据治理和元数据管理的重视，这往往是很多大数据项目失败的隐形杀手，但这本书却将其提升到了战略高度，提供了治理框架的初步构想，这对于正在构建企业级数据平台的团队来说，无疑是极具参考价值的。
说实话，这本书的数学基础部分我感觉稍微有些吃力，不过这或许也正是它的价值所在。那些关于高维数据降维技术，比如t-SNE和PCA在不同应用场景下的适用性分析，讲解得极其透彻，虽然我需要时不时地查阅一些线性代数的知识点来巩固理解，但这种“硬核”的深度是市面上很多流于表面的书籍所不具备的。它真正做到了让读者明白“为什么”这个算法有效，而不是仅仅停留在“怎么用”。特别是对贝叶斯方法在不确定性量化中的应用，作者展示了如何将概率图模型融入到预测模型中，使得预测结果不再是一个孤立的点估计，而是一个包含置信区间的区间，这对金融风控等需要严格评估风险的领域至关重要。这本书无疑是为有志于成为数据科学领域专家的读者准备的“进阶秘籍”。
我买这本书是为了提升自己在处理非结构化数据，尤其是自然语言处理（NLP）方面的能力。我原本以为它会花大量篇幅介绍BERT或Transformer的架构细节，但出乎意料的是，它用更多的笔墨聚焦于如何构建高质量的训练语料库，以及如何针对特定行业（比如法律文书或医疗报告）进行领域迁移学习。这种强调“数据质量优于模型复杂度”的理念，非常符合当前业界对落地应用的追求。书中分享了一个将领域知识图谱嵌入到文本向量空间中的方法，极大地提升了特定领域问答系统的准确率，这个案例的细节披露非常慷慨，让我立即动手在我的项目中尝试复现和优化。总的来说，这本书提供了一个从宏观战略布局到微观技术实现的完整闭环，对于那些希望将前沿AI技术落地到垂直行业痛点解决中的工程师和架构师而言，绝对是案头必备的参考书。
偏管理分析项目的内容
偏管理分析项目的内容
全书没有一处设计到编程和算法的部分，但想弄明白其中的很多内容还是十分不易，甚至可以说这本书不是零基础的人看的。
全书没有一处设计到编程和算法的部分，但想弄明白其中的很多内容还是十分不易，甚至可以说这本书不是零基础的人看的。
不是太吸引人，感觉有点枯燥。
