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。 无论是业务人员还是决策、管理人员都可以从本书得到干货、框架、方法论和模板。

第1 章 简介
信息大爆炸正在加速。通过我们日常使用的电子邮件、在线搜索、短信、博客，以及在脸书（Facebook）和优兔（YouTube）上发布的内容，就可以看出这一点。正在被创造出来和被抓取到的数据量是惊人的，它正冲击淹没着企业的围墙。而新一波的大爆炸—机器之间彼此交谈的物联网时代的降临，则让我们的处境雪上加霜。此时此刻，信息的增长率可能会呈指数级增长。大卫·拉塞尔·席林（David Russell Schilling）在为新闻网站Industry Tap 撰写的文章中，阐述了未来学家巴克敏斯特·富勒（Buckminster Fuller）的“知识倍增曲线”（Knowledge Doubling Curve）理论： ……截至1900 年，人类的知识每次翻倍大约需要一个世纪。到二战结束时，知识每25 年翻一番。而今……人类的知识每13 个月翻一番。据IBM 称，“物联网”的建设将导致知识的翻倍周期变为12 个小时。 据高德纳咨询公司（Gartner）称，到2020 年将会有多达250 亿件物体被连接起来。当我们尝试理解这个被汤姆 ·达文波特（Tom Davenport）称为“事物的分析”的信息时，我们需要有效的方法和工具，用于将信息吸收提炼，转化为具有可行性的、能带来收入的洞见。如果没有利用这些信息给公司带来竞争优势，那么它们就没有什么价值。当今时代，公司如何解决信息变现这一难题呢？ 仅仅使用数据挖掘这一种方法会导致不一致的结果。吸收海量数据集能让企业进行多次数据测试，发现潜在模型，但是如果经理人不能有效地利用其中的关联性来提高业务表现的话，是不会有所收益的。纯粹的数据挖掘通常只是在无穷尽地搜索数据的真正含义。 上 文 引 自 鲍 达 民（Dominic Barton） 和 大 卫· 考 特（David Court）发表于《哈佛商业评论》的文章《大数据实用指南——让**分析工具 为 你 服 务 》（Making Advanced Analytics Work for You），可口可乐公司的商务部门主任（Director of Trade Capability） 詹森· 赖林（Jason Reiling）进一步强调了这个想法，他评论说：“如果我们不将数据的业务用途与待验证的假设和总体目标联系起来，就会出现数据本身主导分析的情况，而非由业务来主导数据。”这总结了目前数据分析中存在的*大挑战之一：各类机构期望通过对问题“砸”数据的方式来找到问题的解决之道，而非理解业务问题，并针对它使用正确的数据和方法。 从现在开始愈发重要的是将信息编码提炼为有意义的洞见的能力，而不一定是数据量的多寡。由于缺乏系统完善的方法、工具、技巧和资源公司正陷入对这一问题的苦战中。如果它们能够解决这个挑战，就将具有明显的竞争优势。然而，这只解决了部分问题；即便掌握了*相关的信息，公司仍无法避免陷于不良决策之中。 1.1 决策
收集和综合这些信息的*终目标是为高管和经理提供洞见，从而做出更好的决策。决策是业务的核心，也是大多数管理人员实现成果*有力的工具。决策的质量将直接影响到组织的成功。为组织领导、管理人员和分
析师提供一次性的培训课程和会议，期望他们根据有限的知识和直觉来做出高质量的决策，已经不再是可行的做法了，因为比以往任何时候都多的信息在等待他们处理。新的挑战是从海量信息中提炼出可行的、使组织从
中获益的决策。 不幸的是，仅仅提炼信息是不够的。从决策疲劳（decision fatigue）到认知偏误（cognitive bias），有许多因素会破坏我们做出优质决策的能力。一种改善决策的途径是参考*佳实践和组织的集体智慧，但是这种实践并
未被广泛执行。埃里克·拉森（Erik Larson）针对500 多名经理和管理人员的研究表明，只有2% 的人在做出决定时应用了这些*佳实践，而拥有改善决策的方案的公司甚至更少。 当高管没有依据*佳实践或数据进行决策时，往往会依赖于自己的直觉或“本能”。这种类型的决策充满缺陷，并经常伴随着影响选择的认知偏误。认知偏误是指由于个人偏好和信仰导致的判断上的偏差。例如，确认偏误（confirmation bias）是刻意寻找特定信息以证实我们既有观点和想法的倾向。这些偏
误会扭曲我们的判断，导致出现选择上的错误。
另一个不良决策的罪魁祸首是诸如情绪等影响我们决策的隐性因素。例如，让我们观察两位身处不同地区的现场经理的用人决策。雇用谁、何时雇用或解雇某人，这些决策都基于很少的数据而非大量的训练。两位经理的决策可能会大相径庭，因为他们的诸多差异：从业时间、不同类型的从业经历、特定日子的情绪以及当时生活中可能发生的其他因素。即使面临相同的情况，这两个人也可能对员工的配置做出不同的决定。这种类型的决策差异就是《决策的隐形赋税：噪声》（Noise: How to Overcome the High, Hidden Cost of Inconsistent
Decision Making）一文中作者所说的“噪声”。 问题是，人类并非可靠的决策者；他们的判断受到不相关因素严重影响，比如当时的情绪，距离上一次就餐的时间以及天气。我们将这种随机变量称为“判断噪声”。对很多公司的利润而言，噪声都是一笔隐形成本。
若干研究已经证明，噪声无处不在。学术研究者已反复证实，专业人士在不同情景下处理同样的数据，往往给出互相矛盾的判断。例如，当软件***在不同的两个工作日中被问及完成某任务的时间，他们预估的时
间平均相差71%。当病理学者对活组织检查结果的严重性进行两次评估时，他们评分之间的关联性只有0.61（理想情况是1.0）。这意味着他们做出不一致的诊断很常见。 除了噪声外，决策的另一个障碍是“决策疲劳”。决策疲劳是指您在不断做出决策的**中，将越来越难做出好的决策。例如，科学家史艾·丹齐格（Shai Danziger）、乔纳森·拉维夫（Jonathan Levav）和利奥拉·阿夫
男- 佩索（Liora Avnaim-Pesso）研究了某个假释法庭中法官做出的1112 次判决，并分析了有利判决二在**之中的变化状况。研究发现，在**开始时有65% 左右的有利判决，而到当天结束时则接近于零。支撑他们做出优质决策的内在资源被漫长**中累积的疲劳所耗尽，这导致**结束时很少出现有利判决。 决策面临的另一个挑战是公司规模。据一位负责财富50 强（Fortune 50）企业分析工作的高管所言，“大型组织的内部挑战是决策的巨大障碍”。她指出，由于在大型矩阵式企业环境中传播信息所需的努力程度，建立针
对特定市场的洞察耗时可达一年半。决策的初心在繁多的决策环节中被不断削弱，拖累了推向市场的速度。 如何才能解决这些影响我们做出优质决策的因素？一种方法是自动化全部或部分决策过程。《决策的隐形赋税：噪声》的作者随后在文中写道： 人们早已知道，简单统计学算法做出的预测和决策往往比专家更准确，哪怕专家能获得比算法更多的信息。但鲜有人知的是，算法的关键优势在于没有噪声：与人类不同，输入相同信息，公式得出的结果也相同。因为稳定十足，哪怕是简单甚至有瑕疵的算法，也比人类专家的准确性高。 我们推动组织做出更优质决策的方法是创建嵌入式分析解决方案，以帮助管理人员为其所在机构制定数据驱动的有变现价值的决策，从而展开行动。我们的做法得到了大量依据的支持。在安德鲁·麦卡菲（Andrew
McAfee）和埃里克·布林约尔松（Erik Brynjolfsson）的一项研究中发现，“运用大数据做决策的那些居行业前三分之一的企业，比其竞争对手在产能上高5%，利润上高6%。”
1.2 分析之旅
不同的公司处于分析之旅的不同阶段，它们所拥有的开发分析解决方案的能力也参差不齐。在过去十年中，公司已投资建立团队和利用工具来获取洞见，以取得竞争优势。那些走得*远的公司已经在收割胜利的果实了。 哈佛商业评论分析服务（Harvard Business Review Analytics Services）团队进行了一项关于公司内部分析成熟度的研究，结果表明，“在将自己所在机构描述为同类*佳的受访者中，有超过半数称其所在机构的年收入
在过去两年中增长了10% 以上。与此形成鲜明对比的是，三分之一的‘自称落后者’则表示，他们所在的机构收入呈持平或下降态势。” 多项研究均得到了类似的结果：利用数据提高其决策表现的公司正以更高速度胜过其竞争对手。尽管如此，大多数分析应用程序背后的技术仍不够成熟，缺乏提供完整解决方案的功能。在哈佛商业评论分析服务团队的Analytics That Work: Deploying Self-Service and Data Visualizations for Faster Decisions（分析工作：部署自助服务和数据可视化以加快决策）文中提到，他们在一项对超过827 名业务管理人员的调查中发现了由于欠
缺工具使用能力而导致的挫败感。 “大多数现有的报告工具只是蜻蜓点水，‘Contractually 公司的米尔（Mier）说。’它们在理解基础数据结构方面有颇多局限，起到的作用言过其实。这导致了公司无法建立一个有效框架，用以解决复杂问题、形成假
设以及理解数据层次。” 这一点更加复杂，因为大多数解决方案只是简单地帮助管理者“阅读新闻”，这意味着所提供的数据没有任何可操作性，而只是信息本身。如果仅仅依靠技术来提供这个程度的功能，那么仍然无法接近“例外管理”这一难以企及的目标。 1.3 解决问题
本书的目的是使您能够构建分析解决方案，为管理人员在数据海洋中做出优质决策保驾护航。然而，这个过程充满挑战。**个挑战是精炼大量的信息。我们有一个循序渐进的过程来帮助您从假设到数据再到指标，以构建分析解决方案。我们提供技术来指导决策者战胜困难免受偏误或噪声的影响。 此过程由您的变现策略引导，您可以在其中制定决策矩阵（decision matrixes）， 从而权衡各种行动的利弊。通过引导分析（guided analytics），我们向您展示如何构建分析解决方案，利用UI /UX 的专业知识讲述令人印象深刻的故事，并进行仪表板开发来实现自动化分析解决方案。 *后，我们将从内部能力、组织结构和采用技巧等方面，为您的机构制定解决方案提供建议。我们的方法论—决策架构（Decision Architecture），提供了一种解决这些挑战的方法，并构建了一套分析解决方案来帮
助您的机构实现数据变现。这个方法的真正威力来自于将一系列学科知识、方法、工具和技能整合到一个结构化的过程中，包括数据科学（Data Science）、决策理论（Decision Theory）、行为经济学（Behavioral Economics）、决策架构、数据开发与架构（Data Development and Architecture）、UI/UX 开发（UI/UX Development）和仪表板开发（Dashboard Development）。将这些学科知识集成到一个无缝的过程中是难能可贵的。我们的方法论将它们整合起来，以一种易于理解的、循序渐进的方式来帮助组织构建解决方案，从而实现数据资产的变现。 以下是您将从本书获得的收益：
（1）将信息资产转变为创收策略；
（2）明确您的机构的目标，以与之相关的变现策略为**，构建分析解决方案，使您的组织更具竞争力；
（3）为管理人员提供自主分析解决方案，以得到更高质量的决策；
（4）为管理者提供引导性的体验，帮助减少噪声和认知偏误；
（5）提升机构的分析成熟度；
（6）利用嵌入式分析技术，将机构中的集体智慧汇入可重复使用的分析解决方案之中；
（7）将您的分析转化为可行的手段，而不再是简单地“阅读新闻”；
（8）通过数据变现来提高收入并降低成本。 本书不是教您将内部数据出售给其他公司或消费者，也不会深入涉及各个学科的内容。相反，我们为您提供的是一个整体图景——关于各个相关学科和我们*常用来构建这些解决方案的技术。 1.4 调研显示……
为了开创我们的道路，我们对各个学科进行了广泛的研究。此外，我们还采访并调研了分析社区的75 余名专业人士，他们就职于40 多家范围涵盖从财富500 强到收入不足1 亿美元的公司。*终我们得到了一些有趣
的深度结论。 我们获得的**个结论是，我们所调研的组织的成熟度水平正在逼近良好的分析成熟度曲线（analytical maturity curve）。大多数组织进入了统计建模（Statistical Modeling）层面，一些企业开始涉及更深入的领域。图1.1 显示了受访组织的成熟度级别。 （更多精彩内容请翻阅图书）

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**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