未读消息消息

购物车

我的订单

个人中心

店铺

我的订单收藏

拍卖

拍卖交易我的竞拍收藏

我的好友资金账户

卖家中心

客服 |

帮助中心 9:00-20:30 在线留言

客服电话

010-89648155

服务时间

客服咨询 8:00-21:00

纠纷处理 9:00-21:00

图书审核 9:00-18:00

监督与建议

请选择

手机孔网

数据变现：构建用数据驱动增长的策略和解决方案

作者: Wells 著 , [美] 安德鲁·罗曼·韦尔斯(Andrew 译 , Roman 译 , 高敬文译

出版社: 机械工业出版社

出版时间: 2020-03

版次: 1

ISBN: 9787111642268

定价: 79.00

装帧: 精装

开本: 32开

纸张: 胶版纸

页数: 360页

分类: 管理

27人买过

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。目　　录

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 //
内容简介:
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。
作者简介:
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。
目录:
目　　录

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 //

查看详情

数据变现：构建用数据驱动增长的策略和解决方案

内容简介:

作者简介:

目录: