具體描述
內容簡介
商業利益相關者放棄對信息技術數據和分析方法控製的日子已經結束瞭。商業利益相關者在對機構進行數據收集和分析工作提供支持和貨幣化方麵必須處於前沿及核心的位置。商業領導者需要瞭解在何處以及如何使用大數據，利用客戶、産品和運營數據的新來源之間的衝突，再加上數據科學，優化關鍵業務流程，發現新的貨幣化機會，創造競爭優勢新來源。然而，將商業用戶改造成數據科學傢是不現實的。重要的是，我們應當教會商業用戶像數據科學傢一樣思考，這樣他們便可以利用信息技術，與數據科學傢閤作，進行用例識彆、需求定義、業務估值以及最終的分析操作。本書提供瞭一個商業化框架，輔以相應的支持方法和實踐練習。這些方法和練習不僅可以幫助商業用戶明確在何處以及如何利用大數據獲得商業優勢，而且還為操作分析方法、建立正確的組織結構，以及將機構用戶體驗的分析觀察結果推嚮客戶和一綫員工等多方麵提供瞭相應的指導。作者簡介
Bill Schmarzo，是Dell EMC公司首席技術官(CTO)。作為首席技術官，他負責製定Dell EMC全球服務的大數據策略、指導大數據服務産品和功能。他還直接與企業閤作，幫助他們明確在何處以及如何開始他們的大數據之旅。Bill是Big Data: Understanding How Data Powers Big Business一書的作者，他還撰寫白皮書，是個狂熱的博主，經常發錶演講，介紹如何利用大數據和數據科學影響企業的關鍵商業計劃。他是舊金山大學管理學院的一名研究員，教授“大數據MBA”課程。Bill在數據倉庫、商業智能和分析方麵具有三十年以上的經驗。他撰寫瞭“EMC大數據願景研討會”方案，並與Ralph Kimball共同編寫瞭一係列分析應用程序類文章。Bill曾在數據倉庫研究所工作，擔任分析應用課程的負責人。此前，他是雅虎(Yahoo!)分析副總裁，負責Business Objects的分析應用程序商業部門，職責包括其行業定義的分析應用程序的開發、市場營銷和銷售。
Bill擁有柯伊學院數學、計算機科學和工商管理理學學士學位，以及愛荷華大學工商管理碩士學位。他最近的博文鏈接是http://infocus.emc.com/author/william_schmarzo/。
目錄
第I部分 大數據的商業潛力第1章 大數據商業任務 3
1.1 大數據MBA介紹 3
1.2 關注大數據的驅動競爭差異 5
1.2.1 利用技術推動競爭差異 6
1.2.2 論經濟驅動的商業轉型
經驗 6
1.3 “不同思考方式”的重要性 8
1.3.1 彆想著大數據技術，想想
商業轉型 8
1.3.2 彆想著商業智能，想想
數據科學 9
1.3.3 彆想著數據倉庫，想想
數據湖泊 9
1.3.4 彆想著“發生瞭什麼”，
想想“會發生什麼” 10
1.3.5 彆想著最高收入人群，
想想閤作 11
1.4 本章小結 12
1.5 傢庭作業 12
第2章 大數據商業模式成熟度指數 15
2.1 介紹大數據商業模式
成熟度指數 16
2.1.1 階段1：商業監測 18
2.1.2 階段2：商業觀察 18
2.1.3 階段3：商業優化 21
2.1.4 階段4：數據貨幣化 22
2.1.5 階段5：商業蛻變 24
2.2 大數據商業模式成熟度
指數經驗心得 25
2.2.1 經驗1：專注原始
大數據價值 25
2.2.2 經驗2：充分利用見解，
創建新的盈利機會 26
2.2.3 經驗3：為企業機構
變革做準備 26
2.3 本章小結 27
2.4 傢庭作業 28
第3章 大數據策略文檔 29
3.1 建立通用商業術語 30
3.2 介紹大數據策略文檔 31
3.2.1 確定機構的關鍵商業計劃 32
3.2.2 Chipotle餐館中最重要的
是什麼 33
3.2.3 確定關鍵商業實體和
關鍵決策 34
3.2.4 明確經濟助力因素(用例) 37
3.2.5 識彆和優化數據源 39
3.3 介紹優先級矩陣 42
3.4 使用大數據策略文檔，贏得
世界職業棒球大賽 43
3.5 本章小結 47
3.6 傢庭作業 48
第4章 用戶體驗的重要性 51
4.1 “無知的”用戶體驗 52
4.2 消費者案例分析：提高
客戶參與 54
4.3 商業案例研究：啓用
一綫員工 56
4.3.1 門店經理儀錶盤 56
4.3.2 示例用例：競爭分析 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 顧問是你的閤作夥伴
——助他們成功 61
4.4.2 理財顧問案例研究 61
4.4.3 理財顧問儀錶盤的
信息部分 63
4.4.4 理財顧問儀錶盤的
建議部分 65
4.5 本章小結 68
4.6 傢庭作業 69
第II部分 數據科學
第5章 商業智能和數據科學
之間的差異 73
5.1 什麼是數據科學 74
5.1.1 商業智能與數據科學：
問題是不同的 75
5.1.2 商業智能問題 76
5.1.3 數據科學的問題 76
5.2 分析師各具特點 77
5.3 分析方法不同 78
5.3.1 商業智能分析師的參與
過程 78
5.3.2 數據科學傢的參與過程 80
5.4 數據模型不同 82
5.4.1 商業智能的數據模型 82
5.4.2 數據科學的數據建模 83
5.5 商業角度的不同 85
5.6 本章小結 88
5.7 傢庭作業 88
第6章 數據科學101 89
6.1 數據科學案例研究設置 89
6.2 基礎的探索性分析 91
6.2.1 趨勢分析 91
6.2.2 箱形圖 94
6.2.3 地理(空間)分析 95
6.2.4 配對圖 95
6.2.5 時間序列分解 96
6.3 分析算法與模型 97
6.3.1 聚類分析 98
6.3.2 正態麯綫當量(NCE)分析 99
6.3.3 關聯分析 100
6.3.4 圖形分析 101
6.3.5 文本挖掘 102
6.3.6 情感分析 103
6.3.7 遍曆模式分析 104
6.3.8 決策樹分類器分析 105
6.3.9 同期群分析 106
6.4 本章小結 108
6.5 傢庭作業 110
第7章 數據湖泊 111
7.1 數據湖泊簡介 112
7.2 支持商業運行的數據
湖泊特徵 114
7.3 使用數據湖泊跨越分析
鴻溝 115
7.4 數據和分析環境的現代化 117
7.4.1 行動1：創建基於Hadoop
的數據湖泊 117
7.4.2 行動2：分析沙箱的簡介 118
7.4.3 行動3：摒棄數據
倉庫中的ETL過程 119
7.5 分析輻射型分析架構 120
7.6 早期學習 121
7.6.1 經驗1：命名並不重要 122
7.6.2 經驗2：它是數據湖泊，
而不是數據湖區 122
7.6.3 經驗3：數據治理是
一個生命周期，而不是
一個項目 123
7.6.4 經驗4：數據湖泊優於而
不是落後於數據倉庫 124
7.7 未來是什麼 125
7.8 本章小結 126
7.9 傢庭作業 127
第III部分 商業利益相關者的數據科學
第8章 像數據科學傢一樣思考 131
8.1 像數據科學傢一樣思考的
過程 132
8.2 本章小結 142
8.3 傢庭作業 143
第9章 “By”分析技術 145
9.1 “By”分析技術的簡介 146
9.2 “By”分析練習 148
9.3 基於“By”分析的Foot Locker
用例 152
9.4 本章小結 154
9.5 傢庭作業 154
第10章 評分開發技術 157
10.1 分數的定義 158
10.2 FICO分數示例 158
10.3 其他行業評分的示例 161
10.4 繼續討論勒布朗 ? 詹姆斯的
示例 162
10.5 繼續討論Foot Locker的
示例 166
10.6 本章小結 169
10.7 傢庭作業 169
第11章 貨幣化訓練 171
11.1 健身跟蹤器貨幣化示例 172
11.1.1 步驟1：瞭解産品使用 172
11.1.2 步驟2：開發商業利益
相關者的人物角色 173
11.1.3 步驟3：對潛在的建議
集思廣益 174
11.1.4 步驟4：確定支持的
數據源 175
11.1.5 步驟5：對盈利機會
進行優先級排序 177
11.1.6 步驟6：開發貨幣化
計劃 178
11.2 本章小結 179
11.3 傢庭作業 179
第12章 商業蛻變訓練 181
12.1 商業蛻變迴顧 182
12.2 商業蛻變訓練 183
12.2.1 明確商業蛻變構想 183
12.2.2 瞭解你的客戶 184
12.2.3 明確價值主張 184
12.2.4 定義數據和分析需求 185
12.3 衛生保健中的商業蛻變 190
12.4 本章小結 193
12.5 傢庭作業 194
第IV部分 構建跨企業間的支持
第13章 構想的力量 197
13.1 構想：為創造性思維助力 198
13.1.1 大數據前景研討會的
流程 198
13.1.2 前期研究 199
13.1.3 采訪商業利益相關者 200
13.1.4 用數據科學進行探索 200
13.1.5 研討會 202
13.1.6 設計研討會 204
13.2 最優化矩陣 206
13.3 本章小結 208
13.4 傢庭作業 208
第14章 釋放企業機構影響力 209
14.1 首席數據貨幣化執行官 209
14.1.1 首席數據貨幣化執行官的
職責 210
14.1.2 首席數據貨幣化執行官
機構 210
14.1.3 分析卓越中心 211
14.1.4 首席數據貨幣化執行官的
領導力 212
14.2 隱私、信任度和決策治理 212
14.2.1 隱私問題=信任問題 213
14.2.2 決策管理 214
14.3 釋放企業機構的創新能力 214
14.4 本章小結 216
14.5 傢庭作業 217
第15章 故事 219
15.1 客戶和員工的分析 221
15.2 産品和設備分析 224
15.3 網絡和運營分析 225
15.4 一個好的商業故事的特點 227
15.5 本章小結 228
15.6 傢庭作業 228
前言/序言
我從來沒有計劃寫第二本書，因我本以為寫一本書足以涵蓋與這個話題有關的所有內容。但自從我完成第一本書之後，這個領域就發生瞭太大的變化，我深深地感到有必要繼續幫助企業機構探索這個領域，幫助他們利用數據和分析方法改變其商業模型。我也並不僅僅探討商業過程中“讓我賺更多的錢”這一部分。大數據能夠在教育、扶貧、假釋復原、衛生保健、安全和降低犯罪等諸多方麵顯著地“提高生活質量”。
我的第一本書麵嚮信息技術領域的讀者。但是，我很快意識到，搶占大數據領域最大的贏傢當屬商業。因此，本書主要麵嚮商業領域的讀者，並基於以下幾個關鍵前提：
● 組織機構不需要大數據策略。相比之下，他們需要整閤瞭大數據的商業策略。
● 商業領袖將分析方法轉化為信息技術的時代已經結束，未來的企業領導者必須將分析方法視為與會計、財務、管理科學和營銷一樣的商業規則。
● 數據貨幣化和商業轉型的關鍵在於釋放機構的創造性思維，必須讓企業用戶能夠“像數據科學傢一樣思考”。
● 最後，大數據的商業潛力隻受到企業用戶創造性思維的限製。
在我完成第一本書之後，我開始在舊金山大學管理學院講授“大數據MBA”課程。由於錶現齣色，我成為該校的第一名管理學院研究員。與學校裏那些優秀、富有創造力的學生們，以及和Mouwafac Sidaoui教授共事的經曆，促使我著手編寫第二本書。這本書主要麵嚮這些學生以及未來的商業領袖。
我希望本書中最為引人入勝的話題是數據科學的力量。目前已經有許多關於數據科學的書籍，它們大都旨在幫助人們成為數據科學傢。但是我卻認為這些書籍中缺失瞭一些內容：我們需要幫助未來商業領袖像數據科學傢一樣思考，而不是去創造一個充滿數據科學傢的世界。
因此，本書的重點即，幫助未來的商業領袖將數據和分析方法整閤到他們的商業模型中，並通過幫助企業“像數據科學傢一樣思考”，釋放機構的創意，引領文化的轉型。
本書概覽
商業利益相關者放棄對信息技術數據和分析方法控製的日子已經結束瞭。商業利益相關者在對機構進行數據收集和分析工作提供支持和貨幣化方麵必須處於前沿及核心的位置。商業領導者需要瞭解在何處以及如何使用大數據，利用客戶、産品和運營數據的新來源之間的衝突，再加上數據科學，優化關鍵業務流程，發現新的貨幣化機會，創造競爭優勢新來源。然而，將商業用戶改造成數據科學傢是不現實的。最重要的是，我們應當教會商業用戶像數據科學傢一樣思考，這樣他們便可以利用信息技術，與數據科學傢閤作，進行用例識彆、需求定義、業務估值以及最終的分析操作。
本書提供瞭一個商業化框架，輔以相應的支持方法和實踐練習。這些方法和練習不僅可以幫助商業用戶明確在何處以及如何利用大數據獲得商業優勢，而且還為操作分析方法、建立正確的組織結構，以及將機構用戶體驗的分析觀察結果推嚮客戶和一綫員工等多方麵提供瞭相應的指導。
本書的組織架構
本書分為四個部分：
● 第Ⅰ部分“大數據的商業潛力”包括第1章至第4章，為本書奠定瞭以商業論述為中心的基調。這裏，我介紹瞭大數據商業模式成熟度指數，並圍繞“機構並不需要大數據策略，而需要大數據的應用策略”這一角度，對大數據進行瞭討論。
● 第Ⅱ部分“數據科學”包括第5章至第7章，介紹瞭數據科學背後的原理。這些章節介紹瞭一些數據科學的基礎知識，並探討瞭商業智能和數據科學的互補性，以及這兩個學科在解決問題上的異同。
● 第Ⅲ部分“商業利益相關者的數據科學”包括第8章至第12章，旨在教會商業用戶和商業領袖“像數據科學傢一樣思考”。這部分介紹的方法和練習用於強化數據科學思維。其中包含很多實際的練習。
● 第Ⅳ部分“構建跨企業間的支持”包括第13章至第15章，討論瞭機構麵對的挑戰。這部分主要探討“構想”，這一話題可能是本書中最重要的話題，因為大數據的商業潛力隻受到商業用戶的創造性思維的限製。
以下是本書中每章節的具體內容：
● 第1章：“大數據商業任務”。該章圍繞大數據展開討論，重點介紹瞭大數據如何應用於商業轉型，以及大數據經濟學，而非大數據技術本身。
● 第2章：“大數據商業模式成熟度指數”。該章介紹瞭整本書的基礎——大數據商業模式成熟度指數(Big Data Business Model Maturity Index，BDBM)，闡述BDBM的五個階段，BDBM提供衡量機構將數據和分析方法整閤到商業模型中有效性的方法。
● 第3章：“大數據策略文檔”。該章介紹瞭CXO級彆的文檔和過程，幫助機構從商業角度確定從何處以及如何開始大數據之旅。
● 第4章：“用戶體驗的重要性”。這是我最喜歡的話題之一。該章通過更為簡單、直接的方法，挑戰傳統的商業智能報告和控製麵闆，為關鍵商業利益相關者，包括一綫員工、渠道夥伴以及終端客戶提供可行的見解。
● 第5章：“商業智能和數據科學之間的差異”。該章探討瞭商業智能和數據科學的不同之處，突齣瞭各自的差異和互補性。
● 第6章：“數據科學101”。該章(我最喜歡的一章)迴顧瞭我的數據科學團隊通常使用的14種不同的分析技術，以及應該考慮在何種商業情況下使用這些技術。該章還使用瞭童話主題公園的奇妙案例進行研究。
● 第7章：“數據湖泊”。該章介紹瞭數據湖泊的概念，解釋瞭數據湖泊如何摒棄昂貴的數據倉庫資源，釋放數據科學團隊的創造性。
● 第8章：“像數據科學傢一樣思考”。這是本書的核心部分。該章涵蓋“像數據科學傢一樣思考”的六個步驟。該章內容相當深刻，因此在閱讀時需要動筆(也可能用到橡皮)在紙上記錄、練習。
● 第9章：““By”分析技術”。該章深入探討“像數據科學傢一樣思考”這個重要的概念，即“By”分析技術。
● 第10章：“評分開發技術”。該章介紹瞭評分如何推動企業用戶和數據科學傢之間的協作，創建用於指導機構關鍵商業決策的可行評分。
● 第11章：“貨幣化訓練”。該章為機構提供瞭一種方法。這些機構雖然有大量的客戶、産品和運營數據，但卻不知道如何通過該數據獲利。該章能夠開拓眼界！
● 第12章：“商業蛻變訓練”。該章提供瞭有趣的即學即用的練習。由於考慮瞭大數據商業模型成熟度指數的蛻變階段，它探討瞭潛在的數據和分析方法對機構的影響。
● 第13章：“構想的力量”。該章開始解決你可能遇到的一些機構和文化上的挑戰。特彆是該章中介紹瞭一些構想技術，可以幫助釋放機構的創造性思維。
● 第14章：“釋放企業機構影響力”。該章更為詳細地介紹瞭大數據對機構帶來的影響，尤其是首席數據(貨幣化)執行官的作用。
● 第15章：“故事”。本書包含瞭一些非傳統意義上的案例研究。利用該章介紹的方法，可以創建與自身機構相關的大數據“故事”。任何人都可以找到大數據案例研究，但這不意味著每個人都可以創建一個大數據故事。
本書讀者對象
本書麵嚮企業用戶和企業管理人員。我撰寫本書旨在將其作為我的大數據MBA課程教材，因此其中包含瞭學生的實踐練習與模闆。通過這些練習，學生能夠順利獲得大數據MBA畢業證書。
我認為讀者閱讀我的第一本書Big Data: Understanding How Data Powers Big Business也會有所收獲。這本書的受眾對象是信息技術領域的讀者。雖然這兩本書之間有部分內容重疊(10%~15%)，但第一本書中做瞭鋪墊，並介紹瞭一些大數據概念，而本書則對這些概念進行瞭更詳細的探討。
所需工具
除瞭鉛筆、橡皮擦、幾張紙和你的創意之外，並不需要特殊的工具。拿一杯印度茶拿鐵，一些Chipotle快餐，享受學習的樂趣吧！
網站提供的資源
你可以從本書的網站下載“像數據科學傢一樣思考”的工作簿，也可以掃描封底的二維碼下載。你會發現意外的驚喜！
這對你意味著什麼
舊金山大學“大數據MBA”課程的學生告訴我，這本教材讓他們有機會周密地策劃，推動跨機構間閤作，解決問題，接受挑戰，再利用數據和分析方法將提齣的想法付諸實踐。什麼樣的雇主會不想要一個知道如何實現這些過程的未來領導者呢？
用戶評價
這本書的封麵設計簡潔明快，那種深沉的藍色調一下子就抓住瞭我的眼球，感覺非常專業。我原本對“大數據”這個概念抱持著一種既好奇又敬畏的態度，覺得它離我的日常工作有點遙遠，更多是技術大牛們纔需要關注的領域。但是，當我翻開這本書的序言，那種撲麵而來的“實操感”立刻讓我放下瞭戒心。作者似乎很擅長把那些聽起來高深莫測的算法和模型，用一種非常接地氣的方式呈現齣來。比如，開篇關於如何界定“有價值的數據集”的那一段論述，就讓我茅塞頓開，意識到很多我們日常忽略的“邊角料”信息，其實蘊藏著巨大的商業潛力。它沒有陷入無休止的數學公式堆砌，而是通過大量的行業案例，像剝洋蔥一樣，一層一層地展示瞭數據驅動決策的具體路徑。我尤其喜歡它對“數據治理”這個環節的強調，很多企業盲目投入技術，卻忽略瞭數據質量本身，這本書精準地指齣瞭這種本末倒置的問題，讓我對後續的閱讀充滿瞭期待。
評分讀完關於企業數字化轉型戰略的那幾章後，我感覺自己的視野一下子被拉高瞭，仿佛站在瞭公司的決策層。這本書最讓我震撼的一點是，它並沒有將大數據僅僅定位為“提高效率的工具”，而是將其視為“重塑商業模式的引擎”。它深入探討瞭那些成功利用數據實現跨界創新、顛覆傳統行業的案例，比如金融科技公司如何通過用戶行為數據重構信用評估體係，或者物流企業如何通過實時路徑優化構建起成本壁壘。文字的筆觸非常老辣，對成功的經驗和失敗的教訓都有著深刻的剖析。尤其是關於“數據資産化”的討論，它清晰地勾勒齣瞭一條從數據收集到數據産品化的完整價值鏈，讓我明白瞭企業內部數據沉澱的真正意義所在，絕不僅僅是報錶好看那麼簡單，而是可以作為新的利潤增長點被獨立運營。
評分這本書的閱讀體驗有一種逐步深化的層次感。前麵部分鋪墊瞭基礎概念和戰略高度，到瞭中間部分，開始深入到實施層麵，這部分對我這個偏嚮業務落地的人來說尤其重要。它對不同行業數據分析方法的側重差異進行瞭細緻的區分，例如，對於內容平颱，推薦算法的精細化調優是核心；而對於製造業，預測性維護和供應鏈的實時可視化則占據主導地位。書中介紹的幾種經典分析框架，比如客戶生命周期價值（CLV）的動態計算模型，我馬上就嘗試在我們的CRM係統中進行瞭試點驗證。令我驚喜的是，通過書中提供的方法論調整，我們對高價值客戶的識彆準確率有瞭顯著提升。這本書的厲害之處在於，它提供的不是一成不變的公式，而是一套可以根據自身企業基因進行靈活配置的分析工具箱。
評分這本書的敘事節奏把握得相當到位，它不像某些技術書籍那樣，上來就給你拋齣一大堆復雜的架構圖讓你頭暈目眩。相反，它更像是一位資深顧問在跟你一對一交流。我是在一個項目瓶頸期接觸到這本書的，當時我們團隊正為如何量化市場反饋效果而傷透腦筋。書中關於“因果推斷”在營銷活動評估中的應用那部分，簡直是雪中送炭。它詳細拆解瞭如何設計A/B測試，以及在非理想實驗環境下如何利用各種統計工具去逼近真實的因果關係。我記得書中舉瞭一個零售業庫存優化的例子，通過對曆史銷售波動和季節性因素的復雜建模，成功避免瞭一次可能發生的過度備貨危機。這種將抽象理論與具體商業場景無縫對接的能力，是這本書最寶貴的財富。它教會我的不是“如何敲代碼”，而是“如何用數據思維去思考商業問題”。
評分總的來說，這本書的價值遠遠超過瞭我對一本商業管理讀物的預期。它最吸引我的是那種務實的態度，沒有把讀者當成純粹的技術小白，但也沒有把讀者當成已經是數據科學傢的專傢。它始終將焦點鎖定在“決策”和“轉型”這兩個核心目標上，確保每一項技術討論的背後都有明確的商業目標支撐。我發現自己不再害怕與技術部門的同事溝通，因為這本書極大地彌補瞭我在技術理解和商業語言之間的鴻溝。它成功地搭建瞭一座橋梁，讓業務領導者能夠真正理解大數據背後的邏輯，從而在戰略製定上做齣更自信、更具前瞻性的判斷。對於任何渴望在當前激烈市場競爭中占據先機的管理者而言，這本書無疑是一份極具指導意義的案頭參考。
評分◆為12個案例研究提供瞭數據倉庫總綫矩陣示例
評分不錯不錯不錯不錯不錯不錯
評分學習型社會，學習永無止境，勉勵一下懶惰的自己。
評分一下子買瞭很多很多本，印刷清晰，到貨也比較快，很便宜，應該是正版。滿意的說。下次再來。
評分本次購物非常愉快！快遞特彆給力！下次還來購買！
評分買瞭幾本書迴來研究一下數據分析，都是知乎豆瓣上推薦的書，看起來還挺不錯的，京東發貨也很快
評分紙張太軟，盜版中的次品，失望
評分老公給買的，還沒開始看，但願能有所提升?
評分一下子買瞭很多很多本，印刷清晰，到貨也比較快，很便宜，應該是正版。滿意的說。下次再來。
相關圖書
本站所有內容均為互聯網搜尋引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2025 book.coffeedeals.club All Rights Reserved. 靜流書站 版權所有