大数据分析：数据驱动的企业绩效优化、过程管理和运营决策

图书标准信息

• 作者 [美]Thomas H. Davenport 著；吴峻申 译
• 出版社 机械工业出版社
• 出版时间 2013-04
• 版次 1
• ISBN 9787111491842
• 定价 59.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 174页
• 丛书 数据科学与工程技术丛书

【内容简介】

　　当业务人员认识到数据分析的无穷潜力时，他们就会渐渐地把它当作一项企业资源和一件企业应该优先考虑的事情。现在，在大规模数据分析方面占有世界领先地位的研究学者们已经把今日这些用于企业级数据分析规划、实施、管理并取得成功的最佳实践汇集在了一起。

　　《大数据分析：数据驱动的企业绩效优化、过程管理和运营决策》总结了作者们在国际数据分析研究所中所做的创举性工作，阐述了整个数据分析的生命周期、解决技术、用途、运营、治理、战略以及更多其他内容，在利用专有数据、获取全新的360度客户视角、以各种可行的方式投入测量工作、优化“次优报价”、使用云计算资源并将数据分析直接与业务绩效相关联等方面提供了各种可行的解决方案。之后，在有关数据分析中最重要的“人”方面的内容中，他们讲述了从构建和治理数据分析型组织到整合数据分析于整个全球性业务之中这个过程里的每一件事情。

　　无论你是分析人员、经理、战略决策者、总监还是技术供应商，《大数据分析：数据驱动的企业绩效优化、过程管理和运营决策》都会帮助你更快速地实施大规模数据分析，从而赚取更多的价值。

　　适用于你的业务的数据数量正在呈指数方式地增长着。使用今日的数据分析工具和方法，现在你就能发现一些隐藏于其中的规律，这些规律揭示了发生这些事情的原因、预测了将来可能发生的事件并系统化地优化了你的成果。在本书中，Tom Davenport及其国际数据分析研究所的同事们向人们呈现了在该领域中所用的艺术手法现状，并且为了使你的企业组织得益于所用的数据和预测分析，还提供了一些经过证明是行之有效的企业战略。

　　《大数据分析：数据驱动的企业绩效优化、过程管理和运营决策》涵盖了数据分析规划和ROI计算、技术选择和实施、企业组织化问题、与业务绩效的关联性以及更多其他方面的内容。书中通过大量行业和业务职能的真实例子，展示如何在整个企业中成功地运用数据分析，不管是中小型企业还是全球性的大企业，都将从中获益。无论你是数据分析师还是消费者，也无论你的角色是技术型、运营型还是战略型，本书都深入浅出地向你阐释了企业数据分析的关键知识和技术。

【作者简介】

　　Thomas H. Davenport，国际数据分析研究所共同创始人和研究总监。他还是哈佛商学院客座教授、Babson学院特聘教授和德勤会计事务所高级顾问。Davenport也是一位世界著名的思想领袖，他帮助数以百计的公司重振了他们的管理实践。他的“竞争力分析”理念最近刚刚被《哈佛商业评论》杂志评为过去10年最重要的管理理念之一。他还创举性地提出了业务过程重组、知识管理和成功实施企业系统的概念。

　　他与人合著了三本数据分析和决策制定相关的畅销书。

【目录】

译者序
序
前言
作者简介
第一部分　数据分析及其价值概述
第1章　谈及数据分析时我们到底在谈什么2
1.1　我们为什么需要一个新术语：传统商务智能里的问题3
1.2　三种类型的数据分析4
1.3　数据挖掘适合什么6
1.4　业务数据分析和其他一些类型6
1.5　Web数据分析7
1.6　大数据分析7
1.7　结论8
第2章　数据分析中的ROI9
2.1　传统的ROI分析9
2.1.1　现金流和ROI10
2.1.2　构建一个可靠的ROI11
2.1.3　其他用于决策制定的财务度量标准11
2.1.4　ROI分析中其他注意事项11
2.2　Teradata公司评估数据分析投资的方法13
2.2.1　阶段1：验证业务目标并记录最佳实践用途13
2.2.2　阶段2:设想一下新功能14
2.2.3　阶段3：对ROI和报告调查结果进行决策14
2.2.4　阶段4：沟通14
2.3　计算价值的一个例子14
2.4　Freescale半导体公司中的ROI分析15
2.4.1　背景和环境情况16
2.4.2　在受高度影响的领域开始进行16
2.4.3　让经理和领导参与进来16
2.4.4　持续渐进的成长17
2.4.5　吸取经验教训18
第二部分　数据分析应用
第3章　为建立数据分析优势利用专有数据22
3.1　管理专有数据和分析结果的问题24
3.1.1　在IATA的PaxIS利用专有数据25
3.1.2　一个利用专有数据的行业：客户支付25
3.2　支付数据中的经验教训28
第4章　Web数据分析：原始大数据29
4.1　Web数据概述30
4.1.1　你遗漏了什么31
4.1.2　假设各种可能性31
4.1.3　一个重要的新信息源32
4.1.4　应该收集何种数据33
4.1.5　对于客户隐私会怎么样33
4.2　Web数据揭示了什么34
4.2.1　购物行为35
4.2.2　客户购买过程和购买偏好35
4.2.3　搜索行为36
4.2.4　反馈行为38
4.3　Web数据实践38
4.3.1　最优产品推荐39
4.3.2　客户流失模型40
4.3.3　客户响应模型40
4.3.4　客户群体划分42
4.3.5　广告宣传结果评估43
4.4　本章小结44
第5章　在线参与度分析45
5.1　参与度定义45
5.2　一个测量在线参与度的模型47
5.3　对参与度记分的价值49
5.4　PBS的参与度分析50
5.5　Philly.com的参与度分析51
第6章　通向零售业客户“最优产品推荐”之路53
6.1　数据分析和通向有效进行“最优产品推荐”之路54
6.2　推荐战略设计55
6.3　了解你的客户56
6.4　了解你的推荐56
6.5　了解购买交易背景57
6.6　分析和执行：决定和制定推荐58
6.7　学习和适应NBO60
第三部分　数据分析技术
第7章　在生产规模应用数据分析64
7.1　和行为有关的决策65
7.2　施加业务影响所花的时间65
7.3　运营中的业务决策66
7.4　服从问题66
7.5　数据考量67
7.6　在生产规模应用数据分析的实例：YouSee67
7.6.1　潜在的解决方案68
7.6.2　YouSee成果69
7.6.3　YouSee面临的挑战和吸取的经验教训70
7.6.4　未来在产品规模应用数据分析的计划71
7.7　来自其他成功公司的经验教训71
第8章　云计算中的前瞻式数据分析73
8.1　业务解决方案关注点74
8.2　五大关键发展机遇74
8.2.1　打包发布的以云计算为基础的“决策即服务”解决方案75
8.2.2　用于软件即服务的前瞻式数据分析75
8.2.3　用于历史遗留系统中的前瞻式数据分析75
8.2.4　数据云建模76
8.2.5　弹性计算模型威力76
8.3　市场状况77
8.3.1　早期采用者的竞争优势77
8.3.2　决策管理增加了数据分析价值77
8.3.3　可持续化的传统数据源优势78
8.4　优缺点78
8.5　采用以云计算为基础的前瞻式数据分析79
第9章　数据分析技术和业务用户81
9.1　各自独立但不等同81
9.2　阶段化数据82
9.3　多用途82
9.4　通用复杂性82
9.5　以客户端和产品为基础82
9.6　行业通用83
9.7　完全可量化83
9.8　业务部门驱动83
9.9　特定的供应商公司83
9.10　现有模型中的问题84
9.11　数据分析技术中出现的变化84
9.12　为未来创建数据分析应用程序86
9.12.1　单用途、行业特定和简单化86
9.12.2　以服务和解决方案为基础87
9.12.3　集中式协调87
9.12.4　整合供应商公司88
9.13　总结88
第10章　与企业绩效相关的决策和数据分析90
10.1　一个决策和数据分析研究案例90
10.2　相关的决策和数据分析92
10.2.1　数据分析和决策之间的松耦合关系92
10.2.2　结构化的人为决策环境94
10.2.3　自动化的决策96
10.3　关联决策和信息的过程97
10.3.1　步骤1：对关键决策在战略上的重视97
10.3.2　步骤2：信息和数据分析提供98
10.3.3　步骤3：决策设计98
10.3.4　步骤4：决策执行99
10.4　展望决策管理的未来100
第四部分　数据分析人力因素
第11章　组织管理数据分析人员104
11.1　为什么企业组织会在意104
11.2　企业组织架构通用目标105
11.3　特定数据分析型企业组织的目标106
11.4　组织管理数据分析人员的基本模式106
11.5　协调方案109
11.6　何种模型适合你的业务110
11.7　你能勇敢到何种程度112
11.8　定位你的模型和协调机制113
11.8.1　角度1：目前状态113
11.8.2　角度2：数据分析成熟度113
11.8.3　角度3：数据分析策略/场景114
11.8.4　角度4：反省抱负115
11.8.5　角度5：反省现实115
11.9　数据分析领导力和首席分析官116
11.10　应该向谁汇报数据分析职能工作116
11.11　营造数据分析生态环境117
11.12　逐渐发展数据分析型企业组织118
11.13　底线119
第12章　数据分析人才的工作投入度120
12.1　四大数据分析人才种类120
12.2　数据分析人员的工作投入度121
12.3　让数据分析人员具备关键的业务信息122
12.4　定义角色和期望123
12.5　培养数据分析人员对新技能、工具和技术的热爱123
12.6　运用更加集中化的数据分析企业架构124
第13章　数据分析治理126
13.1　指导原则126
13.2　治理要素128
13.2.1　为什么需要治理128
13.2.2　什么东西正在被人们治理着130
13.2.3　应该如何对治理进行架构化130
13.2.4　谁治理什么132
13.2.5　如何对治理进行运营134
13.2.6　如何让数据分析治理与其他的治理体系和方法相适应135
13.3　何时知道自己正在成功的路上135
第14章　构建全球化的数据分析能力137
14.1　广泛分布的地理差异137
14.2　集中协调集中化的组织139
14.3　强大的卓越中心139
14.4　协调化的“分工”方案140
14.5　其他一些全球化数据分析发展趋势142
第五部分　数据分析应用案例研究
第15章　医疗合作系统公司146
15.1　Partners公司数据和系统集中管理147
15.2　Partners公司的临床诊断信息技术管理148
15.3　Partners公司的高绩效医学计划150
15.4　Partners公司在数据分析方面的新挑战151
15.5　Partners公司的集中管理式业务数据分析153
15.6　特定于医院的数据分析业务活动：马萨诸塞州综合医院154
15.7　特定于医院的数据分析业务活动：女子医院155
第16章　西尔斯控股公司HR职能部门中的数据分析159
16.1　我们做什么159
16.2　谁造就了优秀的HR数据分析人员161
16.3　我们最大化价值的秘诀162
16.4　关键的经验教训163
第17章　默克公司的商业数据分析文化和关系165
17.1　决策制定者的合作伙伴关系166
17.2　团队成功的理由166
17.3　将数据分析嵌入工具中168
17.4　商业数据分析和决策科技未来的方向168
第18章　BernardChaus公司供应链中的描述性数据分析170
18.1　关注供应链的需要171
18.2　数据分析加强了Chaus公司IT和业务部门之间的同盟关系173