数据变现：构建用数据驱动增长的策略和解决方案

　　现在，各类组织都积累了大量的信息，既有结构化数据信息也有非结构化数据信息，它们对来自网络流量、销售流程、内部分析和各种其他来源的数据进行了收集和存储，但目前大多数组织都不具备能够让这些数据驱动财务业绩增长的方法、工具和技术。本书讲解的是通过利用决策架构、数据科学和引导分析的成熟技术，帮助各类组织提高收入或降低成本的方法。本书提供了一个决策架构的方法论，帮助分析师和组织通过重复的流程、数据分析和数据变现的策略，增加收入或节省成本。此外，本书还提供为商业分析构建数据的技巧，以及一个便于理解聚合策略、数据质量和数据转换的自动化操作，这一操作可将组织的非结构化信息转化为可用的商业数据。

　　安德鲁·罗曼·韦尔斯（ Andrew Roman Wells）是 Aspirent公司的首席执行官， Aspirent是一家专注于分析的管理咨询公司。他有为许多公司建立分析解决方案的丰富经验，从财富 500强到小型非营利组织。安德鲁重点帮助组织利用他们的数据做出重要决策，通过变现策略带动收入。他已经构建分析解决方案超过 25年，并很乐意与更多的读者分享这些实用的方法、工具和技巧。除了担任高管之外，安德鲁还是一位亲力亲为的顾问，从他在安永会计师事务所担任咨询顾问、建立报告解决方案之初起就一直是。他在硅谷完善了自己的技能，为两家成功的初创公司工作，专注于客户分析和使用预测方法来推动绩效。安德鲁在企业界也担任过管理角色，在资本金融公司担任商业智能总监期间，帮助推动了多项专利分析创新。从咨询到创业公司，再到企业界，安德鲁在通过分析推动增长方面拥有广泛的经验。他为许多行业和公司建立了解决方案，包括可口可乐公司、洲际酒店集团、家得宝公司、资本公司、富国银行、惠普公司、时代华纳公司、美林公司、应用材料公司等。安德鲁和妻子苏珊娜住在亚特兰大，他喜欢摄影、跑步和国际旅行。他是迈克尔·安德鲁斯定制服装公司（ Michael Andrews Bespoke）的合伙人。他还获得了美国佐治亚大学工商管理学士学位，专注于金融和管理信息系统。凯茜·威廉斯·江（Kathy Williams Chiang）是一位成熟的商业分析从业者，擅长引导分析、分析数据集市开发和商业规划。目前任伟门数据管理（Wunderman Data Management）公司商业洞察部副总裁。江女士与 Aspirent一起完成了多个跨国客户的众多分析咨询项目，其中包括洲际酒店集团和可口可乐公司等。她还曾在多个国家的公司工作，包括特立尼达和多巴哥电信服务公司、视力品牌照明公司、贝尔南方国际和波特曼海外公司。江女士在设计和开发分析工具及能够开启并推动行动的管理仪表板方面经验丰富，她在数据探索、分析、可视化和展示方面的技能非常娴熟，并在电信、酒店和消费品行业开发了涵盖客户体验、营销活动、收入管理和网站分析的解决方案。江女士是新奥尔良人，她以优异的成绩获得了路易斯安那州立大学的化学学士学位（绩点 4.0），以及杜兰大学的 MBA学位，同时也是 Phi Beta Kappa和门萨的成员。作为中美关系正常化后批进入中国的美国人之一，江女士在具有挑战性的条件下在中国东北生活了两年，在那里教英语、学普通话，并且游览了中国多个地方。在她的职业生涯中，她曾在美国、加勒比地区、英国、拉丁美洲国家 /地区和中国工作。译者介绍 高敬文，就职于暨南大学，担任广东省舆情大数据工程技术研究中心技术负责人、兼任复旦大学网络空间治理研究中心特约研究员。专注于大数据技术在传播及智慧城市领域的应用研究工作，参与多项广东省科技厅重点国别双边联合资助项目、教育部人文社会科学研究规划项目、国家社科基金重大项目。

第 1篇　简介
第 1章　简介 // 2
1.1　决策 // 3
1.2　分析之旅 // 6
1.3　解决问题 // 7
1.4　调研显示…… // 9
1.5　如何使用这本书 // 12
1.5.1　第 1篇：简介 // 12
1.5.2　第 2篇：决策分析 // 13
1.5.3　第 3篇：变现策略 // 13
1.5.4　第 4篇：敏捷分析 // 14
1.5.5　第 5篇：实施启用 // 14
1.5.6　第 6篇：案例研究 // 15
1.6　开始吧 // 15

第 2章　分析循环：推动优质决策 // 16
2.1　分析循环概述 // 17
2.1.1　开启 // 20
2.1.2　诊断 // 23
2.1.3　行动 // 26
2.1.4　测量 // 26
2.1.5　数据 // 28
2.2　信息用户层级 // 29
2.3　下一步 // 31

第 3章　决策架构方法论：弥补缺陷 // 32
3.1　方法论概述 // 33
3.2　探索发现 // 37
3.3　决策分析 // 39
3.4　变现策略 // 41
3.5　敏捷分析 // 41
3.5.1　数据开发 /分析结构 // 42
3.5.2　数据科学 /决策理论 // 43
3.5.3　引导分析 // 44
3.6　实施启用 // 47
3.7　总结 // 50

第 2篇　决策分析
第 4章　决策分析：构建决策 // 52
4.1　分类树 // 53
4.2　提问分析 // 57
4.3　关键决策 // 60
4.4　数据需求 // 64
4.5　行动杠杆 // 66
4.6　成功指标 // 68
4.7　再访分类树 // 71
4.8　总结 // 74

第 3篇　变现策略
第 5章　变现策略：让数据产生收益 // 76
5.1　业务杠杆 // 78
5.2　变现策略框架 // 81
5.3　决策分析和敏捷分析 // 84
5.3.1　确定假设和确立选项 // 84
5.3.2　提问分析 // 85
5.3.3　关键决策 // 86
5.3.4　行动杠杆 // 87
5.3.5　成功指标 // 88
5.3.6　数据开发 // 89
5.3.7　数据科学 /决策理论 // 90
5.4　竞争和市场信息 // 94
5.5　总结 // 96

第 6章　变现指导原则：做实 // 97
6.1　优质数据 // 99
6.2　针对性 // 101
6.3　整体性 // 102
6.4　可行性 // 104
6.5　决策矩阵 // 105
6.6　以数据科学为基础 // 106
6.7　变现价值 // 107
6.8　信心因素 // 109
6.9　可测量 // 111
6.10　动机 // 111
6.11　组织文化 // 112
6.12　推动创新 // 114

第 7章　产品盈利能力变现策略：个案研究 // 116
7.1　背景 // 116
7.2　业务杠杆 // 118
7.3　探索发现 // 120
7.4　决策 // 120
7.4.1　分类树 // 120
7.4.2　提问分析 // 121
7.4.3　关键决策 // 122
7.4.4　成功指标 // 123
7.4.5　行动杠杆 // 125
7.5　数据科学 // 126
7.6　变现框架需求 // 126
7.7　决策矩阵 // 128

第 4篇　敏捷分析
第 8章　决策理论：理性 // 131
8.1　决策矩阵 // 132
8.2　概率 // 134
8.3　前景理论 // 137
8.4　选择架构 // 138
8.5　认知偏误 // 140

第 9章　数据科学：智能化 // 143
9.1　指标 // 144
9.2　阈值 // 147
9.3　趋势和预测 // 149
9.4　相关分析 // 150
9.5　细分 // 153
9.6　聚类分析 // 155
9.7　速度 // 159
9.8　预测和解释模型 // 161
9.9　机器学习 //162

第 10章　数据开发：有条不紊 // 164
10.1　数据质量 // 164
10.1.1　完备性 // 166
10.1.2　一致性 // 167
10.1.3　重复 // 167
10.1.4　符合性 // 168
10.1.5　准确性 // 168
10.1.6　完整性 // 168
10.1.7　及时性、可用性和历史 // 169
10.2　脏数据，怎么办？ // 170
10.3　数据类型 // 170
10.3.1　元数据 // 170
10.3.2　数据世界 // 171
10.4　数据组织 // 173
10.4.1　数据移动 // 173
10.4.2　粒度 // 174
10.4.3　为分析构建 // 175
10.5　数据转换 // 177
10.5.1　ETL业务规则转换 // 178
10.5.2　分析和报告业务规则转换 // 178
10.5.3　指标转换 // 178
10.6　总结 // 181

第 11章　引导分析：使其相关 // 182
11.1　然后呢 // 182
11.2　引导分析 // 185
11.2.1　数据之声 // 185
11.2.2　客户之声 // 187
11.2.3　客户签名 // 193
11.2.4　业务之声 // 194
11.3　总结 // 198

第 12章　用户界面（UI）：清晰 // 199
12.1　UI简介 // 199
12.2　视觉调色板 // 200
12.3　少即是多 // 201
12.3.1　数据墨水比例 // 204
12.3.2　少即是多—但别过头 // 208
12.4　只看一眼 // 210
12.5　模式感知的格式塔原则 // 213
12.6　融会贯通 // 214
12.6.1　色彩 // 214
12.6.2　视觉调色板的元素 // 218
12.6.3　优良格式塔—少即是多 // 220
12.7　总结 // 222

第 13章　用户体验（UX）：使其可用 // 223
13.1　效能负荷 // 223
13.1.1　认知负荷 // 224
13.1.2　工作记忆 // 224
13.1.3　注意力 // 225
13.1.4　运动负荷 // 226
13.1.5　选择过载 // 227
13.2　顺流而下 // 228
13.2.1　渐进呈现和决策架构 // 229
13.2.2　按需提供数据—将数据连接到决策 // 230
13.2.3　模块化 // 231 13.3　命题密度 // 232
13.4　简单性：复杂性的另一面 //234
13.5　总结 // 235

第 5篇　实施启用
第 14章　敏捷方法：变得敏捷 // 237
14.1　敏捷开发 // 237
14.2　商海弄潮 // 238
14.3　敏捷分析 // 239
14.3.1　团队运动 // 239
14.3.2　卡桑德拉效应 // 240
14.3.3　分析瘫痪 // 240
14.3.4　你想要什么？你有什么 // 241
14.3.5　一图诉千言 // 242
14.3.6　不是每个孩子都美丽 // 242
14.3.7　早日见面，经常见面 // 243
14.4　总结 // 243

第 15章　实施启用：获得采用 // 244
15.1　测试 // 244
15.1.1　企业项目 // 244
15.1.2　小型项目 // 247
15.1.3　版本控制 // 247
15.2　采用 // 248
15.2.1　训练 // 248
15.2.2　推出 // 249
15.3　总结 // 252

第 16章　分析型组织：组织起来 // 254
16.1　决策架构团队 // 254
16.1.1　基于项目还是业务功能型 // 255
16.1.2　团队能力 // 256
16.1.3　治理 // 259
16.1.4　合作 // 260
16.1.5　训练 // 261
16.2　决策架构角色 // 261
16.3　行业专家 // 264
16.4　分析型组织的心态 // 265

第 6篇　案例研究
第 17章　案例研究：迈克尔 ·安德鲁斯定制 // 268
17.1　探索发现 // 268
17.1.1　收入增长 // 268
17.1.2　客户获取 // 269
17.1.3　客户吸引 // 269
17.1.4　客户留存 // 269
17.1.5　客户类型 // 270
17.1.6　客户生命周期 // 271
17.1.7　业务分析 // 272
17.1.8　经营绩效 // 273
17.1.9　客户表现 // 274
17.1.10　获取 // 275
17.1.11　留存 // 276
17.1.12　变现业务杠杆 // 278
17.1.13　假设 // 278
17.1.14　下一步 // 280
17.2　决策分析 // 280
17.2.1　提问分析 // 280
17.2.2　分类树 // 281
17.2.3　关键决策 // 283
17.2.4　行动杠杆 // 285
17.2.5　成功指标 // 285
17.2.6　决策架构 // 287
17.3　变现策略第一部分 // 288
17.4　敏捷分析 // 289
17.4.1　数据分析 // 289
17.4.2　数据开发 // 292
17.4.3　分析结构 // 295
17.4.4　转换 // 296
17.4.5　数据科学 // 298
17.4.6　MAB客户细分 // 303
17.5　变现策略第二部分 // 307
17.5.1　单次客户 // 307
17.5.2　首年客户 // 309
17.5.3　多年客户 // 310
17.5.4　变现策略需求 // 310
17.5.5　决策矩阵 // 312
17.6　引导分析 // 317
17.6.1　绩效仪表板 // 318
17.6.2　客户属性仪表板 // 319
17.6.3　客户细分仪表板 // 322
17.6.4　客户吸引仪表板 // 322
17.6.5　客户留存仪表板 // 325
17.7　闭幕 // 328