数据变现 word 网盘 高速 下载地址大全 免费

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。

中文版序言 译者序 序言 致谢 关于作者 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 参考文献 // 329

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，在第一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、第一资本公司、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第一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。

暂无其它内容！

暂时还没有人为这本书评论！