具体描述
企业的长期生存能力是指通过持续地满足和超越客户的生理和心理需求来吸引顾客。阅读《一本书读懂大数据客户分析》，你将学会如何全面改善客户体验，如何收集、测量以及解读客户数据，如何使用数据创建良好的客户关系，如何实现向数据导向的客户体验转变。
作者简介
杰夫·索罗（Jeff Sauro），具有六西格码数据分析师的专业背景，也是客户体验量化分析的开拓者，在measuringu.com设有专栏，并受邀担任财富五百强企业与行业会议发言人以及专家证人。
目录信息
前言
关于本书
“可笑的”假设
本书使用的图标
本书之外
本书宗旨
第1部分：客户分析入门
第1章客户分析简介
什么是客户分析？
客户分析能带给我们什么？
运用客户分析
汇编大数据与小数据
第2章度量标准的科学与艺术
累加定量数据
离散数据与持续数据
数据级别
变量
量化定性数据
确定所需样本大小
估算置信区间
计算95%置信区间
确定收集哪些数据
使用正确的衡量方法
第3章筹划客户分析计划
客户分析计划概述
定义范围和结果
确定衡量标准、方法和工具
制定预算
确定正确的样本大小
分析与改进
控制结果
第2部分：甄别你的客户
第4章细分客户
为什么细分客户
细分客户的五个“W”
Who——细分对象的身份特征
Where——地点
What——内容
When——时间
Why——原因
How——方法
分析数据，细分客户
第一步：数据制表
第二步：制作交叉表
第三步：聚类分析
第四步：估计每个客户细分的大小
第五步：估计每个客户细分的价值
第5章创建客户档案
客户档案的重要性
管理客户档案
利用客户数据建立更多的客户档案
第一步：收集合适的数据
第二步：划分数据
第三步：确定和完善客户档案
利用客户档案解答问题
第6章确定客户终生价值
客户终生价值的重要性
应用客户终生价值
计算终生价值
估算收益
计算客户终生价值
识别黄金客户
向黄金客户营销
第3部分：客户购买历程解析
第7章绘制客户浏览轨迹图
利用传统型营销漏斗
什么是客户浏览轨迹图？
定义客户浏览轨迹
查找数据
描绘客户浏览轨迹
使客户浏览轨迹图发挥更大作用
第8章确定品牌意识和态度
衡量品牌意识
独立意识
辅助意识
衡量产品或服务知识
衡量品牌态度
识别品牌支柱
检验品牌亲和度
衡量使用情况与使用意向
查明以往的使用情况
衡量未来的使用意向
理解态度的关键动因
构建品牌评估调查
第9章衡量客户态度
测量客户满意度
大体满意度
态度vs满意度
使用系统可用性量表（SUS）和标准化用户体验百分秩问卷（SUS—Q）划分可用性等级
系统可用性量表
标准化用户体验百分秩问卷（SUPR—Q）
使用单一易用性问题（SEQ）测量任务难度
为品牌喜爱度打分
发现客户期待：渴望度与奢侈度
渴望度
奢侈度
测量态度提升度
了解客户偏好
发现客户态度的关键动因
编写有效的客户态度问题
第10章量化考虑阶段和购买阶段
确定考虑的触点
公司驱动触点
客户驱动触点
测量客户驱动触点
测量公司驱动触点的三个R
Reach（传递）
Resonance（共鸣）
Reaction（反应）
衡量共鸣和反应
跟踪转化和购买
跟踪微转化
创造微转化机遇
设置转化跟踪
测量转化率
通过A／B测试测量转变
离线A／B测试
在线A／B测试
测试多个变量
充分利用网站分析数据
第11章跟踪购后行为
处理认知失调
减轻认知失调
从认知失调到心满意足
跟踪退货率
测量购后触点
探究购后触点
评估购后满意度水平
利用“呼叫中心分析”找出问题
使用因果分析图找出根源
创建因果分析图
第12章衡量客户忠实度
衡量客户忠实度
回购率
净推荐值
不良利润
找出忠实度的关键动因
珍惜正面口碑
重视负面口碑
第4部分：用数据分析产品开发
第13章开发客户所需产品
集中投入产品功能
发现客户首要任务
列出任务清单
发现客户
选择五项任务
绘图和分析
采取内部视角看问题
进行差距分析
将企业需求反映到客户需求
确定客户所需
倾听客户的声音
倾听企业的声音
建立客户与企业之间的联系
生成优先事项
审视优先事项
利用卡诺模型测量客户愉悦度
评估功能组合的价值
查明问题产生的原因
第14章通过可用性研究获得卓见
什么是可用性原则
进行可用性测试
确定测试内容
确认目标
概述任务场景
招募用户
测试用户
收集指标
数据编码与分析
汇总与呈现结果
考虑不同类型的可用性测试
查找和报告可用性问题
促进可用性研究
第15章衡量商品搜寻能力与导航功能
确定搜寻能力区域
确定客户所需
搜寻能力测试准备
找到基准线
设计测试
制定测量搜寻能力指标
开展搜寻能力测试
确定样本大小
招募用户
分析结果
提高搜寻能力
交联产品
重组类别
改写任务
修改后再次测试搜寻能力
第16章坚守客户分析的伦理
获得知情许可
OKCupid
Amazon与Orbitz
Mint.com
决定实验
第5部分：客户分析4个“十”
第17章需要牢记的十个客户度量标准
第18章改进客户体验的十种方法
第19章十种常见的分析错误
第20章识别客户需求的十种方法
附录：用客户分析进行预测
寻找相似点和关联性
显现关联性
量化关系的强度
二元变量间的关联
确定因果关系
随机进行的实验研究
准实验设计
相关性研究
单一实验对象研究
轶闻
利用回归分析进行预测
利用回归线进行预测
在Excel中创建回归方程
多元回归分析
利用二进制数据进行预测
时间序列分析预测发展趋势
指数（非线性）增长
培训期和验证期
检测差异性
· · · · · · (收起)
读后感
用户评价
这本书的装帧设计简直太用心了，封面那种略带磨砂质感的纸张，拿在手里沉甸甸的，一下子就给人一种“干货满满”的期待感。我尤其欣赏它在排版上的用心，大段的文字中间穿插着清晰的图表和流程示意图，阅读体验极其流畅，根本不像有些技术书籍那样枯燥得让人想打瞌睡。作者对于复杂概念的拆解，那种层层递进的逻辑，简直是教科书级别的示范。比如讲到数据清洗和特征工程时，他没有直接抛出复杂的算法公式，而是先用一个非常贴近日常生活的商业案例作为引子，把“脏数据”的危害讲得入木三分，让你在不知不觉中，就理解了为什么这些看似基础的步骤，才是决定最终分析成败的关键。读完第一部分，我感觉自己像是经历了一场思维上的彻底重塑，对于如何系统性地看待一个数据项目，有了一个全新的、结构化的认识框架。这种从宏观战略到微观执行的无缝衔接，在市面上众多碎片化的数据分析读物中，实在是非常难得的体验。
这本书的深度和广度令人印象深刻，它显然不是那种只停留在工具层面介绍的速成指南，而是真正着眼于“分析思维”的培养。我特别喜欢作者在探讨“指标陷阱”时所采取的批判性视角。他毫不留情地指出了业界某些被过度神化的指标，并详细分析了它们在特定业务场景下可能导致的误导性决策。比如，他对比了转化率和用户生命周期价值（LTV）在不同阶段的指导意义，指出单纯追求短期转化率可能正在扼杀长期的客户忠诚度。这种超越了“如何做”的“为什么做”的探讨，让这本书的价值瞬间提升了一个档次。它教会我的不是如何熟练地使用某个软件的按钮，而是如何像一个真正的商业决策者一样，去质疑数据本身，去探究数据背后的商业逻辑，这对于我未来在工作中提出更有价值的洞察至关重要。
坦白讲，我原本以为这本书会是一本晦涩难懂的数学公式大全，但实际阅读体验却完全颠覆了我的想象。作者在处理复杂概念时，展现了惊人的叙事能力。他似乎有一种魔力，能把最复杂的回归分析或聚类算法，用清晰、简洁的语言描述出来，重点在于它们“能解决什么业务问题”，而非“它们是如何计算出来的”。这种重心的转移，对我这种偏向应用而非纯理论研究的读者来说，简直是福音。此外，书中的案例研究部分非常扎实，每一个案例都不是孤立的，而是构成了一个完整的商业分析闭环，从最初的商业目标设定，到数据采集、模型选择，再到最终的A/B测试和效果评估，一气呵成，逻辑严密得让人拍案叫绝。这让我在合上书本时，脑海中留下的是一套完整且可复制的分析流程，而不是一堆零散的知识点。
这本书的语言风格带着一种老派学者的严谨，但又充满了对新事物的敏锐洞察力，读起来完全没有那种“高高在上”的疏离感。作者似乎非常懂得初学者在面对海量数据时的那种无助和困惑，所以他总是在关键节点加入一些“过来人”的经验之谈，仿佛一位经验丰富的导师在你耳边低语指导。我记得有一章专门讨论了如何构建有效的客户画像，它并没有停留在简单的“人口统计学标签”层面，而是深入剖析了行为路径的权重分配以及时间序列数据的价值挖掘。他用了一种类比的手法，把客户行为比作一幅不断被修正的油画，每一笔修改（每一次互动）都增加了画面的深度和真实性。这种生动的比喻，让那些原本抽象的统计模型变得触手可及，我甚至能想象出背后的计算过程，这极大地增强了我实际操作的信心，不再是单纯的理论堆砌。
这本书的编辑和校对工作做得非常到位，细节之处体现出对读者的尊重。我注意到，书中引用的所有外部数据源和研究文献都有清晰的标注，这使得我在深入研究某个特定领域时，有了一个可靠的起点，避免了信息泛滥的困扰。更让我赞赏的是，作者在全书的收尾部分，探讨了数据伦理和隐私保护在客户分析中的日益重要的地位。在当前大数据环境下面临的合规性挑战，这本书并没有回避，反而提供了前瞻性的思考和应对策略，这使得这本书的实用性不仅仅局限于当前的分析技术，更具备了面向未来业务发展的指导意义。它不仅仅是教你如何“看”数据，更教会你如何“负责任地”使用数据，这是一种难能可贵的行业担当。
内容便入门和理念。跟大数据没什么关系，翻译的也不怎么样。
内容便入门和理念。跟大数据没什么关系，翻译的也不怎么样。
内容便入门和理念。跟大数据没什么关系，翻译的也不怎么样。
内容便入门和理念。跟大数据没什么关系，翻译的也不怎么样。
内容便入门和理念。跟大数据没什么关系，翻译的也不怎么样。
