具体描述
商业利益相关者放弃对信息技术数据和分析方法控制的日子已经结束了。商业利益相
关者在对机构进行数据收集和分析工作提供支持和货币化方面必须处于前沿及核心的位
置。商业领导者需要了解在何处以及如何使用大数据，利用客户、产品和运营数据的新来
源之间的冲突，再加上数据科学，优化关键业务流程，发现新的货币化机会，创造竞争优
势新来源。然而，将商业用户改造成数据科学家是不现实的。最重要的是，我们应当教会
商业用户像数据科学家一样思考，这样他们便可以利用信息技术，与数据科学家合作，进
行用例识别、需求定义、业务估值以及最终的分析操作。本书提供了一个商业化框架，辅以相应的支持方法和实践练习。这些方法和练习不仅可以帮助商业用户明确在何处以及如何利用大数据获得商业优势，而且还为操作分析方法、建立正确的组织结构，以及将机构用户体验的分析观察结果推向客户和一线员工等多方面提供了相应的指导。
作者简介
Bill Schmarzo是Dell EMC公司首席技术官(CTO)。作为首席技术官，他负责制定Dell EMC全球服务的大数据策略、指导大数据服务产品和功能。他还直接与企业合作，帮助他们明确在何处以及如何开始他们的大数据之旅。Bill是Big Data: Understanding How Data Powers Big Business一书的作者，他还撰写白皮书，是个狂热的博主，经常发表演讲，介绍如何利用大数据和数据科学影响企业的关键商业计划。他是旧金山大学管理学院的一名研究员，教授“大数据MBA”课程。
Bill在数据仓库、商业智能和分析方面具有三十年以上的经验。他撰写了“EMC大数据愿景研讨会”方案，并与Ralph Kimball共同编写了一系列分析应用程序类文章。Bill曾在数据仓库研究所工作，担任分析应用课程的负责人。此前，他是雅虎(Yahoo!)分析副总裁，负责Business Objects的分析应用程序商业部门，职责包括其行业定义的分析应用程序的开发、市场营销和销售。
Bill拥有柯伊学院数学、计算机科学和工商管理理学学士学位，以及爱荷华大学工商管理硕士学位。他最近的博文链接http://infocus.emc.com/author/william_schmarzo/。
目录信息
第1章 大数据商业任务 3
1.1 大数据MBA介绍 3
1.2 关注大数据的驱动竞争差异 5
1.2.1 利用技术推动竞争差异 6
1.2.2 论经济驱动的商业转型
经验 6
1.3 “不同思考方式”的重要性 8
1.3.1 别想着大数据技术，想想
商业转型 8
1.3.2 别想着商业智能，想想
数据科学 9
1.3.3 别想着数据仓库，想想
数据湖泊 9
1.3.4 别想着“发生了什么”，
想想“会发生什么” 10
1.3.5 别想着最高收入人群，
想想合作 11
1.4 本章小结 12
1.5 家庭作业 12
第2章 大数据商业模式成熟度指数 15
2.1 介绍大数据商业模式
成熟度指数 16
2.1.1 阶段1：商业监测 18
2.1.2 阶段2：商业观察 18
2.1.3 阶段3：商业优化 21
2.1.4 阶段4：数据货币化 22
2.1.5 阶段5：商业蜕变 24
2.2 大数据商业模式成熟度
指数经验心得 25
2.2.1 经验1：专注原始
大数据价值 25
2.2.2 经验2：充分利用见解，
创建新的盈利机会 26
2.2.3 经验3：为企业机构
变革做准备 26
2.3 本章小结 27
2.4 家庭作业 28
第3章 大数据策略文档 29
3.1 建立通用商业术语 30
3.2 介绍大数据策略文档 31
3.2.1 确定机构的关键商业计划 32
3.2.2 Chipotle餐馆中最重要的
是什么 33
3.2.3 确定关键商业实体和
关键决策 34
3.2.4 明确经济助力因素(用例) 37
3.2.5 识别和优化数据源 39
3.3 介绍优先级矩阵 42
3.4 使用大数据策略文档，赢得
世界职业棒球大赛 43
3.5 本章小结 47
3.6 家庭作业 48
第4章 用户体验的重要性 51
4.1 “无知的”用户体验 52
4.2 消费者案例分析：提高
客户参与 54
4.3 商业案例研究：启用
一线员工 56
4.3.1 门店经理仪表盘 56
4.3.2 示例用例：竞争分析 58
4.3.3 其他用例 59
4.4 B2B案例研究：使渠道
更有效 60
4.4.1 顾问是你的合作伙伴
——助他们成功 61
4.4.2 理财顾问案例研究 61
4.4.3 理财顾问仪表盘的
信息部分 63
4.4.4 理财顾问仪表盘的
建议部分 65
4.5 本章小结 68
4.6 家庭作业 69
第II部分 数据科学
第5章 商业智能和数据科学
之间的差异 73
5.1 什么是数据科学 74
5.1.1 商业智能与数据科学：
问题是不同的 75
5.1.2 商业智能问题 76
5.1.3 数据科学的问题 76
5.2 分析师各具特点 77
5.3 分析方法不同 78
5.3.1 商业智能分析师的参与
过程 78
5.3.2 数据科学家的参与过程 80
5.4 数据模型不同 82
5.4.1 商业智能的数据模型 82
5.4.2 数据科学的数据建模 83
5.5 商业角度的不同 85
5.6 本章小结 88
5.7 家庭作业 88
第6章 数据科学101 89
6.1 数据科学案例研究设置 89
6.2 基础的探索性分析 91
6.2.1 趋势分析 91
6.2.2 箱形图 94
6.2.3 地理(空间)分析 95
6.2.4 配对图 95
6.2.5 时间序列分解 96
6.3 分析算法与模型 97
6.3.1 聚类分析 98
6.3.2 正态曲线当量(NCE)分析 99
6.3.3 关联分析 100
6.3.4 图形分析 101
6.3.5 文本挖掘 102
6.3.6 情感分析 103
6.3.7 遍历模式分析 104
6.3.8 决策树分类器分析 105
6.3.9 同期群分析 106
6.4 本章小结 108
6.5 家庭作业 110
第7章 数据湖泊 111
7.1 数据湖泊简介 112
7.2 支持商业运行的数据
湖泊特征 114
7.3 使用数据湖泊跨越分析
鸿沟 115
7.4 数据和分析环境的现代化 117
7.4.1 行动1：创建基于Hadoop
的数据湖泊 117
7.4.2 行动2：分析沙箱的简介 118
7.4.3 行动3：摒弃数据
仓库中的ETL过程 119
7.5 分析辐射型分析架构 120
7.6 早期学习 121
7.6.1 经验1：命名并不重要 122
7.6.2 经验2：它是数据湖泊，
而不是数据湖区 122
7.6.3 经验3：数据治理是
一个生命周期，而不是
一个项目 123
7.6.4 经验4：数据湖泊优于而
不是落后于数据仓库 124
7.7 未来是什么 125
7.8 本章小结 126
7.9 家庭作业 127
第III部分 商业利益相关者的数据科学
第8章 像数据科学家一样思考 131
8.1 像数据科学家一样思考的
过程 132
8.2 本章小结 142
8.3 家庭作业 143
第9章 “By”分析技术 145
9.1 “By”分析技术的简介 146
9.2 “By”分析练习 148
9.3 基于“By”分析的Foot Locker
用例 152
9.4 本章小结 154
9.5 家庭作业 154
第10章 评分开发技术 157
10.1 分数的定义 158
10.2 FICO分数示例 158
10.3 其他行业评分的示例 161
10.4 继续讨论勒布朗 • 詹姆斯的
示例 162
10.5 继续讨论Foot Locker的
示例 166
10.6 本章小结 169
10.7 家庭作业 169
第11章 货币化训练 171
11.1 健身跟踪器货币化示例 172
11.1.1 步骤1：了解产品使用 172
11.1.2 步骤2：开发商业利益
相关者的人物角色 173
11.1.3 步骤3：对潜在的建议
集思广益 174
11.1.4 步骤4：确定支持的
数据源 175
11.1.5 步骤5：对盈利机会
进行优先级排序 177
11.1.6 步骤6：开发货币化
计划 178
11.2 本章小结 179
11.3 家庭作业 179
第12章 商业蜕变训练 181
12.1 商业蜕变回顾 182
12.2 商业蜕变训练 183
12.2.1 明确商业蜕变构想 183
12.2.2 了解你的客户 184
12.2.3 明确价值主张 184
12.2.4 定义数据和分析需求 185
12.3 卫生保健中的商业蜕变 190
12.4 本章小结 193
12.5 家庭作业 194
第IV部分 构建跨企业间的支持
第13章 构想的力量 197
13.1 构想：为创造性思维助力 198
13.1.1 大数据前景研讨会的
流程 198
13.1.2 前期研究 199
13.1.3 采访商业利益相关者 200
13.1.4 用数据科学进行探索 200
13.1.5 研讨会 202
13.1.6 设计研讨会 204
13.2 最优化矩阵 206
13.3 本章小结 208
13.4 家庭作业 208
第14章 释放企业机构影响力 209
14.1 首席数据货币化执行官 209
14.1.1 首席数据货币化执行官的
职责 210
14.1.2 首席数据货币化执行官
机构 210
14.1.3 分析卓越中心 211
14.1.4 首席数据货币化执行官的
领导力 212
14.2 隐私、信任度和决策治理 212
14.2.1 隐私问题=信任问题 213
14.2.2 决策管理 214
14.3 释放企业机构的创新能力 214
14.4 本章小结 216
14.5 家庭作业 217
第15章 故事 219
15.1 客户和员工的分析 221
15.2 产品和设备分析 224
15.3 网络和运营分析 225
15.4 一个好的商业故事的特点 227
15.5 本章小结 228
15.6 家庭作业 228
· · · · · · (收起)
读后感
评分
评分
评分
评分
用户评价
这本书的厚度其实不薄，但阅读体验却出奇地轻快，这主要归功于它对宏观视角和微观操作的灵活切换。有一部分内容，它会从全球数字化转型的趋势谈起，讨论数据资产如何成为新的生产要素，这种格局开阔的论述让人感觉自己正在参与一场行业级别的对话。然而，它又能在下一秒钟，聚焦到如何构建一个有效的“数据治理”框架，甚至提到了跨部门数据字典标准化的必要性。这种层层递进的结构，使得读者既能保持战略层面的清醒，又不至于脱离实际操作的泥潭。我发现自己不断地在“战略家”和“实干家”两个身份之间切换。对于我这样的中层管理者来说，最难的就是如何将CEO的宏伟蓝图，转化为一线团队可以执行的具体任务。这本书在这方面做得非常出色，它提供的不仅仅是“做什么”，更有“怎么说服团队跟着做”的沟通策略。它教会我如何用数据讲故事，如何让那些对技术不那么敏感的同事也能理解数据背后的商业价值，而不是仅仅看到一堆图表。
评分这本书的叙事节奏处理得非常巧妙，它不像那种枯燥的教科书，生硬地堆砌理论。相反，它更像是一系列精心组织的商业案例的串联，每一个案例都仿佛是作者在一次高层会议上的发言稿。我尤其喜欢它探讨“决策陷阱”的那几章。比如，关于“幸存者偏差”在市场分析中的误导性，以及“确认偏误”如何扼杀创新，这些都是在实际工作中我们每天都在犯的错误，但往往不自知。作者没有用晦涩的学术语言来包装这些概念，而是用非常接地气的商业语言去描述，让读者能立刻在自己的工作经验中找到对应的场景。读到这里，我甚至会停下来，拿起笔在旁边空白处画出思维导图，试图将书中的观点与我正在负责的项目对应起来。有一个章节专门讨论了如何在“速度”和“准确性”之间找到平衡点，这简直是点醒了我。在很多紧迫的业务场景下，我们总是在追求“完美数据”，结果错失了最佳时机。这本书提供了一种“足够好”的决策模型，它强调了“行动力”的重要性，这对于那些陷于数据泥潭的企业来说，无疑是一剂强心针。
评分这本书最让我感到意外的是，它并没有将“大数据”仅仅视为技术堆砌的结果，而是将其视为一种新的“管理哲学”。在探讨“转型”的部分，作者似乎在暗示，真正的转型不是换一套系统，而是组织内部权力的重新分配——数据权力从传统的职能部门向需要快速反应的业务单元转移。这种对组织变革的深刻洞察，是很多技术导向的书籍所缺乏的。我特别欣赏书中对于“数据伦理”和“算法偏见”的讨论，这些在当前环境下显得尤为重要。作者没有回避数据使用可能带来的负面影响，而是将其纳入了决策考量的范围之内，强调了“负责任的创新”。这让这本书的价值远超出了简单的“如何提高效率”的范畴，上升到了企业长期可持续发展的层面。读完之后，我感觉自己不再只是一个业务执行者，而更像是一个需要平衡效率、风险和未来影响的“数字时代的掌舵人”。
评分初拿到这本书的时候，我其实是抱着一种很实际的期待，希望能从中找到一些可以直接落地的工具箱，比如如何用Python或者R来清洗数据，如何构建一个看起来很专业的仪表盘。坦白说，这本书在这方面的内容相对是比较“点到为止”的。它没有深入到那些复杂的算法细节，更没有手把手教你敲代码。但奇怪的是，读完之后，我反而觉得自己的思维框架被“重塑”了，而不是“填充”了知识点。它更像是一本战略指南，而不是操作手册。那种感觉就像是，你原本只知道怎么用扳手拧螺丝，读完这本书后，你开始思考这个螺丝在这个整个机器的哪个位置，它的松紧度对整个系统有什么连锁反应。我特别欣赏作者对于“数据文化”的探讨，那部分内容触及了企业内部协作的痛点。很多公司买了一堆昂贵的BI工具，但数据分析师和业务部门之间依然是鸡同鸭讲，这本书提供了一个很好的视角来剖析这种“技术孤岛”现象，并提出了从高层开始，如何自上而下地推动数据驱动的理念落地。这远比单纯学习一个数据挖掘模型要来得深刻和持久，因为它解决了“人”的问题，而这通常是所有技术项目失败的真正原因。
评分坦率地说，这本书的重点不在于教你如何掌握最新的机器学习库，如果你期待的是一本“硬核”技术指南，你可能会感到一丝“不满足”。它真正聚焦的，是那些处于变革十字路口的领导者们，他们可能已经有了优秀的技术团队，但却不知道如何将这些技术力量有效地汇聚到商业目标上。书中对于“指标体系构建”的论述非常到位，它强调指标必须与企业核心价值直接挂钩，避免了企业常见的“指标膨胀”现象，即为了量化而量化，最终产生一堆无人问津的报表。作者提出的那种“自上而下定义关键问题，自下而上收集和验证数据”的闭环流程，非常具有可操作性。我合上书本时，脑海中浮现的不是复杂的公式，而是清晰的部门流程图和跨职能会议的场景。这本书成功地将“大数据”这个听起来遥不可及的概念，转化成了组织内部结构调整、沟通模式优化和战略焦点聚集的实用框架，它真正做到了“以终为始”，让技术为商业目标服务。
评分插图那个自己拼起来的仪表盘是在逗我吗，没有实际数据产品，纯粹纸上谈兵。作者所说的预测分析系统，就目前技术而言，逻辑实在太过复杂，可行性不大
评分写给业务分析师的数据科学导向书：市面上纯粹讲数据分析语言、技术、算法的书不少，但从商业分析的角度讲如何应用数据科学的书却很少。本书为数据科学中从事业务分析这样角色分工的从业者提供了的一套思维模式和行动指引
评分插图那个自己拼起来的仪表盘是在逗我吗，没有实际数据产品，纯粹纸上谈兵。作者所说的预测分析系统，就目前技术而言，逻辑实在太过复杂，可行性不大
评分写给业务分析师的数据科学导向书：市面上纯粹讲数据分析语言、技术、算法的书不少，但从商业分析的角度讲如何应用数据科学的书却很少。本书为数据科学中从事业务分析这样角色分工的从业者提供了的一套思维模式和行动指引
评分插图那个自己拼起来的仪表盘是在逗我吗，没有实际数据产品，纯粹纸上谈兵。作者所说的预测分析系统，就目前技术而言，逻辑实在太过复杂，可行性不大
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 qciss.net All Rights Reserved. 小哈图书下载中心 版权所有