本书提供了企业级分析策略、技术、实现和管理的权威指南。书中阐释了分析的整个生命周期、寻址技术、应用、运营、策略等等，可帮助读者更快实现大规模的分析。
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。
本书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，本书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。
本书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。
企业数据分析“新世界”
Thomas H. Davenport
数据分析的兴起
数据分析并不是个新东西——我已经发现过1954年有关企业数据分析团队内容的参考资料——但比起以前，它们在商务和组织运营中看起来更加重要了。用于决策制定和管理的数据分析方法的兴起缘于下列几个因素：
在各种不同的业务信息系统中被用来分析的数据量已经有了惊人的增长。
强大且廉价的分析所有这些数据的计算机和软件。
在企业组织内部，大量训练有素的经理被升迁至具有相应职责的职位上。
人们需要区分产品和报价之间的区别，优化价格和库存资产并理解是什么驱动了业务绩效的各个方面。
也正因此，很多因素向人们表明，有关数据分析的计划、工作和组织正在全世界各地涌现。比如，根据LinkedIn的数据显示，在1990～2010年间，从事数据分析和数据科学工作的人数已增长了10倍。几乎每家大型咨询公司都已提出了一种数据分析实践。根据Google Trends（趋势）显示，在2005～2012年间，使用术语“数据分析”来进行搜索的数量已增长了20多倍；在2010年，使用术语“大数据”（不知道什么时候开始有这个定义的）来进行搜索的数量呈现了一个更加惊人的上升趋势。我们这个时代已经被称为“数据分析时代”、“算法时代”，在将数据分析应用到职业棒球运动的小说和电影出现后，又被称为“点球成金的时代”。
企业数据分析
在数据分析中，正在逐渐引起重视的某个重要属性是，它已成为一项“企业”资源，至少对许多企业来说是如此。也就是说，人们不再将数据分析分离成几小块内容，如市场调研、精算或质量管理，而是意识到数据分析能力能让整个企业受益。人们正在集中管理不同的团队，或者说就算没有集中管理，至少彼此之间也正在进行协调和沟通。在整个企业中，人们正在储备和评估那些数据分析方面的人才。企业级别的团队正在决策他们自己的计划、举措和各部分内容之间的优先次序。其目标是最大化对企业的影响。
因此本书的主题和很多章节都有关于以企业级别的方式管理数据分析的理论和实践。对于首席数据分析官或正出现的一些能承担这个角色的人来说，即使人数依旧很少，如果说存在着一套能指导他们工作的方针，那么这本书能提供很多方针中的内容。虽然我们还没有让数据分析成为一套被人们广泛认可的业务功能，但我们正清晰地朝着这一方向迈进。
“大数据”的兴起
人们对数据分析的热情因大数据的流行而倍增。这个概念指的是那些太冗长又不太结构化，且很难通过传统手段来管理和分析的数据。但这种定义显然是相对的，会随着时间的流逝而变化。目前，“太冗长”通常意为流转在1PB容量中（1000TB）的数据库或数据；比如，Google公司每天要处理大约24PB的数据。而“不太结构化”通常意为那些不易于放入常规数据库传统行列里的数据。
大数据的例子包括众多大量的在线信息，包括来自于网络社交媒体内容（推特、博客、论坛帖子）的“点击流数据”。此外，大数据还包含来自零售行业和犯罪情报收集环境中的视频数据以及表演给人们看的娱乐节目视频。它也包括呼叫中心和情报监测中的音频数据。在生命科学领域中，它还包括生物研究与医药中的基因和蛋白质数据。
很多IT供应商和解决方案提供商以及他们的某些客户都只把这个术语当做数据分析中另外一个热门的词汇，或者是当做为了更好地理解业务而管理和分析的数据。但它不仅仅是供应商的炒作；如果能以一个稳定的基础分析大数据，那么还会产生相当多的业务效益。
那些在大数据领域比较卓越的公司都已开始使用其他诸如泛在传感器和“物联网”这样的新技术。事实上，每一台机械或电子设备都会留下一条描绘其性能、所处方位或状态的痕迹。这些设备和使用它们的人都可以通过导向其他大量数据源的互联网来进行沟通。当所有这些比特数据能和有线或无线电话、电缆、人造卫星等媒质结合在一起的时候，未来的数据就会变得更大。
采用这些工具的公司最终会以最细粒度的级别理解他们所处的业务环境并快速适应它。他们将会通过监控和分析使用模式来区分商业产品与服务。并且在生命科学领域，有效地使用大数据也能理所当然地帮助人们治愈那些最危险的疾病。
在下一个十年，几乎每个行业和业务职能都有希望被以此为基础的大数据分析而改变。早早地开始使用大数据的企业能获取重大的竞争优势。“小数据”时代那些早期的数据分析竞争者（包括美国第一资本银行、美国前进保险公司和万豪酒店）已经脱颖而出，取得了相当大的竞争优势；对于那些想把握住大数据机遇的公司来说，现在正是一个最佳时机。
所有这种数据的可用性意味着几乎所有业务或企业活动都可被看作大数据问题或计划。在多数机器都已有一个或多个微处理器的制造业中，一种大数据趋势已经形成。拥有无数客户接触点和点击流数据的消费者市场也已成为一个大数据问题。各国政府也已开始意识到他们坐拥等待被分析的庞大数据集合。Google甚至把汽车租赁也描述为一个大数据问题。
本书主要以小数据分析为基础，偶尔也指大数据、数据科学家和其他相关主题。当然，很多来自传统数据分析理论的想法也和大数据分析高度相关。
IIA 和为本书所做的研究
在过去的15年左右，我一直在对数据分析进行研究。2010年，一位信息行业创业者Jack Phillips和我一起创立了IIA。这家依旧很年轻的组织的创建初衷是对数据分析和数据分析技术的用户及供应商进行研究并提供咨询服务。在这之前，我已带领组建了一个有关数据分析赞助研究计划的团队。但我知道这距离产生相应的研究成果内容，还有很长一段路要走。
对研究所最早的支持来自业内领先的数据分析供应商SAS。我们也和SAS的核心合作伙伴一起工作过，这包括Intel、埃森哲和Teradata公司。稍后，其他的核心供应商，包括SAP和Dell公司，也成为我们IIA的赞助商。IIA的赞助商不仅为研究提供了财务支持，还提供了担任IIA教员职位的数据分析理论研究者及其思想领袖。
在招募了其他具有教学或独立咨询背景的教员后，我们开始有了研究成果。你会在本书中看到好几个研究产出实例。IIA产生了三种类型的产出：研究摘要（关于某特定数据分析主题的文档，通常为3～5页）；领导力实践摘要（有关公司领导力或典型数据分析议题的研究案例）；关于网络会议、网络广播和音频会议的报道。虽然在某些情况下，我们要把不止一篇摘要或文档合并在一起凑成本书中的一章，但重点在于这些文档是简短和易于理解的。
在手边有了某些原始研究成果后，我们开始招募能参与IIA工作的公司或组织。我们最初的方案是关注那些常见的“企业”主题——系统化数据分析的方式、用于数据分析的技术架构、设计方式等。我们发现人们对这些主题反响热烈，所以其中有很多主题都涵盖在本书中。开始有大量的公司和个人成员参与了IIA。
然而，对我们的想法最强烈的反应还是在特定行业研究方面。虽然看上去大多数公司都对那些有关数据分析最佳实践的常用材料相当有兴趣，但它们更感兴趣的还是如何对医疗和零售（我们首先进行特定行业研究计划）的行业运用数据分析。但这项研究不在本书的特色范围之内——我们会为有关特定行业数据分析的内容撰写几本其他的书籍——但我们会把来自这些行业的领先实践摘要包括进来作为本书中的几章。
本书结构
本书中的所有章节内容都产自或来源于IIA的项目。所有作者（或每一章中至少有一位作者）都是IIA的教员。有一些主题以类似（但不完全相同）的形式出现在某些杂志文章或书籍中，但大多数还没有在IIA外部发表过。本书描述了几大主题。第一部分是对数据分析及其价值的综述。第二部分讨论了数据分析应用。第三部分涵盖了一些数据分析技术。第四部分描述了数据分析中与“人”相关的内容。第五部分由一些在企业内进行数据分析活动的案例研究组成。
IT文化
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。
本书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，本书都会帮助你更快速地实施大规模数据分析、避免犯下重大过失并赚取更多的价值。
（美）Thomas H. Davenport 编：暂无简介
吴峻申 译：暂无简介
最近几年，“大数据”已变成一个非常流行的术语。很多知名的从业人员已对此撰写了大量经典书籍，而这本书就是这样的书籍之一。本书由美国国际数据分析研究所的一群达人根据他们自己所写的讲义、方案和用例故事汇聚而成。书中到处显现了他们对数据分析的心得、观点和经验之谈。
本书内容主要分成五大部分。第一部分是对数据分析的一个综述。第二部分介绍如何在企业内部使用数据分析，并展开全部细节提醒人们需要注意哪些地方。第三部分则介绍一些应用数据分析的技术和方法论。通过叙述这些内容，消除人们对数据分析的陌生感，让人们更有信心使用数据分析。我相信读者如果能在实际中经常运用这些技术，必定会事半功倍。而第四部分是译者个人认为最精华的部分。众所周知，不管何种概念和理念要真正落到实处，必定要人来做。而人是一种复杂的生物，并不像工具和资源那样进行简单的操作就能达到我们想要的目的。因此，我认为读者应该仔细阅读这一部分的内容，看看这些专家学者是如何让人来更好地进行数据分析工作的。最后一部分有很多实例，我可以提前“剧透”一下，该部分的作者大多数都是客户公司的主管或负责人，他们将自己在工作中运用数据分析的一些感想和经验完完全全地展示出来了，让没有使用过数据分析的人不用再摸着石头过河，而是根据前辈的经验勇敢前行。
也正因如此，译者在翻译过程中对这些闪耀着思维“火花”的见解深为叹服，因此也更加感到压力巨大，因为如果不能原汁原味地将这些内容展现给读者，就会让译者怀有“暴殄天物”的负罪感。因此，译者在翻译过程中对很多词句做了大量斟酌和修饰工作，就是为了让读者阅读起来能更加顺畅并更易于理解各位作者的思想。老实说，翻译是门“力气活”，鉴于译者个人翻译能力的局限，书中肯定也有不尽如人意之处，希望读者谅解。我也欢迎大家随时提出修改和批评意见。那么现在，各位就可通过阅读本书来看看译者翻译的成果了。谢谢各位！
最后，感谢父母亲在本人翻译此书期间，在生活起居上给予的无微不至的关怀，以及无暇理会其他事情时的理解和支持。好了，译者的废话就到此为止了。请欣赏各位达人的佳作吧！
吴峻申
于外高桥办公室
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ROI 9
2.1 传统的ROI分析 9
2.1.1 现金流和ROI 10
2.1.2 构建一个可靠的ROI 11
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NBO 60
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：YouSee 67
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 Bernard Chaus 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
