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

定　价：¥59.00

作　者：	Thomas，Davenport 著
出版社：	机械工业出版社
丛编项：
标　签：	计算机?网络数据库

购买这本书可以去

ISBN：	9787111491842	出版时间：	2015-04-01	包装：	平装
开本：	16开	页数：	174	字数：

内容简介

　　书中我们阐述了整个数据分析生命周期、解决技术、用途、运营、治理、战略以及更多其它内容。他们为了利用专有数据、获取一个全新的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”、在产品规模应用数据分析、使用云计算资源和将数据分析直接和业务绩效相联系提供了各种可行的解决方案。之后，在整整一章有关数据分析中重要的“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。

作者简介

　　About the Author？作者简介 Thomas H. Davenport是IIA的创始人之一，现任研究总监，也是哈佛商学院客座教授、巴布森学院特聘教授和德勤会计事务所高级顾问；被《Optimize》杂志评为业内第三领先的商务策略分析师（仅次于Peter Drucker 和 Tom Friedman）。Davenport也是一位世界著名的思想领袖，他帮助成百上千家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。相关的文章也被评为《HBR》（Harvard Business Review，哈佛商业评论）75年历史中十大必读文献之一。Davenport在2010年2月出版了相关书籍《Analytics at Work： Smarter Decisions， Better Results》，这也被《CIO Insight》杂志评为15本必读书籍之一。 Elizabeth Craig 是埃森哲卓越绩效研究院波士顿分院的研究人员。她和Peter Cheese以及 Robert J. Thomas合著了《Talent-Powered Organization》（Kogan Page ，2007） Jeanne G. Harris是埃森哲卓越绩效研究院芝加哥分院的高级主管研究人员。她和 Thomas H. Davenport 以及 Robert Morison合著了《 Analytics at Work： Smarter Decisions，Better Results 》（哈佛商业出版社，2010）。她还与人合著了 2007年出版的书籍《 Competing on Analytics： The New Science of Winning 》，也由哈佛商业出版社出版。 Robert Morison 是IIA企业研究成果订阅的教学带头人。他是一位成就非凡的商业研究者、作者、决策领导者和管理咨询顾问。他也是《 Analytics at Work： Smarter Decisions，Better Results 》（哈佛商业出版社，2010）、《Workforce Crisis： How to Beat the Coming Shortage of Skills and Talent》（哈佛商业出版社，2006）和《哈佛商业评论》杂志上的3篇文章的合著者，其中一篇还获得了2004年McKinsey最佳文献奖。他还为大量企业、行业和政府组织做过演讲，并在美国PBS电视台的《晚间商业新闻报告》节目中担任过劳动力问题评论员。他最近成为nGenera 公司的执行副总监和研究主管，之前他在Concours 集团公司、CSC Index公司和美国通用电气资讯服务公司担任过管理职位。 Keri E. Pearlson 博士是信息管理和使用领域的专家。她曾经在一些世界最大型的公司里和CIO以及执行主管一起工作过。她善于帮助执行主管们起草企业战略，使其成为具有Web 2.0能力的企业，也善于设计和传授高级领导力课程，并精于管理一些有关信息系统高级主管感兴趣的问题的多客户端程序，使其能满足高级主管对信息系统的要求。她还特别专长于帮助IT主管们和他们的主管同事一起参与企业战略制定。她也是IIA的一位教员，是CIO咨询服务公司KP Partners的创业合伙人和总裁。 Bill Franks 是IIA的一位教员，也是Teradata公司全球联盟计划的首席分析总监。他还负责过商业数据分析创新中心（由Teradata和 SAS公司联合赞助），该中心专注于帮助客户追求创新性的数据分析成果。除此之外，Bill还在Teradata公司的高级数据分析领域部门工作过，帮助公司确定企业战略和定位。他也是书籍《Taming the Big Data Tidal Wave》（John Wiley& Sons出版社，2012年4月）的作者。 Eric T. Peterson是IIA的一位教员。他也是Web Analytics Demystified公司的创始人。他以从业人员、咨询顾问和分析师的身份在Web数据分析领域工作了10多年。他还是3本畅销的Web数据分析书籍的作者：《Web Analytics Demystified》、《Web Site Measurement Hacks》和《The Big Book of Key Performance Indicators》。他是读者最多的Web数据分析作家之一。 John Lucker 是德勤咨询公司主要领导人，在那里他负责德勤的高级数据分析和建模实践，这在专业性的服务行业中是处于领先地位的一个数据分析组织。他在高级数据分析、预测建模、数据挖掘、计分和规则引擎以及大量其他的高级数据分析业务解决方案领域里具有极其丰富的工作经验。 James Taylor 是IIA的一位教员以及Decision Management Solutions公司的CEO。决策管理系统运用了业务规则、预测分析和优化技术来解决企业今日所面对的最棘手问题，并改变企业开展业务的方式。他在为客户开发软件和解决方案方面具有20多年的工作经验。他已带领Decision Management Solutions公司帮助在保险、银行、医疗管理和电信行业中具有领先地位的公司取得了成功。 Stacy Blanchard 是埃森哲公司中组织效能服务和人力资本分析部门的领导者，在为企业调整战略、文化和领导力方面具有超过15年的工作经验，曾在全球许多客户所处的情景和行业中工作过。她把现实世界中的经验和公认的用来指导与调整最高管理层（C-suite）管理思路的方案结合在一起来驱动企业转型过程。在就职于埃森哲之前，她是Hagberg咨询集团公司的CEO，这是一家专门针对企业战略、文化和领导力进行评估、调整与转型的咨询企业。 Carl Schleyer 是Sears Holdings公司（一家IIA赞助商）运营和数据分析主管，负责通过海量数据的收集和分析工作来支持人才与人力资本方面的企业战略及战术。作为这个岗位的一部分工作内容，Carl创建了Sears Holdings公司的第一支数据分析团队，致力于追求纯粹的人力资本。他的工作激情在于通过有影响力的企业决策来揭示数据的价值。Carl在零售行业具有20多年的丰富经验，并在人力资源领域中各种各样的岗位工作过。 Leandro DalleMule 是花旗银行集团公司全球数据分析高级主管。在此之前，他是德勤公司数据分析咨询实践部门的高级经理、通用电气公司的风险管理经理和美孚公司巴西分公司的品牌推广经理。 Callie Youssi 是IIA负责研究业务的副总裁。在IIA遍布世界各地的分支机构中的教员发现数据分析中那些最引人注目的实际应用时，她能对它们进行构建、管理和支持。她负责汇总和分析IIA客户最感兴趣的领域并确保有一支雄厚的师资后备力量来解决这些领域中的问题。 Katherine Busey 是IIA负责业务开发的副总裁，负责为IIA拓展全球性的商务发展机遇。她和IIA的供应商、商业伙伴和研究客户一起工作，发现数据分析领域中那些新的发展趋势并将这些内容汇总起来告诉供应商和从业人员。

图书目录

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