大數據分析：用互聯網思維創造驚人價值

《大數據分析：用互聯網思維創造驚人價值》聚焦於“大數據分析”這一炙手可熱的領域，既有目前最熱門的大數據分析和預測分析，還有移動互聯網分析、非結構化數據分析等非常具有實用價值和前瞻性的內容，帶你一起客觀審慎地對待已有的大數據優勢，學會用數據説話，實現全企業層面的精確管理和精確營銷、銷售、服務。

《大數據分析：用互聯網思維創造驚人價值》二位作者都是世界頂級的分析大師，在全球範圍內享有盛譽，曾為多家著名大公司服務；譯者團隊為國內頂級專家，專業造詣深厚，文筆雋永，翻譯到位。

《大數據分析：用互聯網思維創造驚人價值》重點闡述如何通過大數據分析從企業數據資產中創造商業價值，也即起始於一個業務目標或問題的分析，將分散的不同數據源整合在一起，對未來做出預測，以可衡量的結果引導商業行動。全書內容豐富，共有19章，各章之間既相互承接亦單獨成文，總體內容如下：商業分析概述；基於數據管理基礎，如何開展商業分析的流程；各種分析技術和實踐；分析溝通、創新及分析未來展望。 《大數據分析：用互聯網思維創造驚人價值》兩位作者在超過50個國家有20年左右的分析實踐經驗，因此本書的實用性和可操作性很強。另外，《大數據分析：用互聯網思維創造驚人價值》並非專業性很強的技術書，而是一本企事業單位經營管理人員、市場營銷人員和其他對數據分析感興趣的人員都可以閲讀的通俗易懂的圖書。高等院校經濟管理、信息管理系統、市場營銷、計算機、數學和統計分析等相關專業的師生亦可將本書作為學習參考用書。

Jean Paul Isson是高級商業分析領域全球知名的專家和演講者，他是Monster WorldWide, Inc. BI和預測分析部門的全球副總裁，他由零開始建立團隊，策劃和實現了高級分析和網絡挖掘解決方案。加入Monster之前，Isson在Rogers Wireless公司帶領全球客户行為建模團隊，建立流失模型，並創新性將客户生命週期價值細分模型用於優化業務營銷和銷售活動。

Jesse S. Harriott是Constant Contact公司的首席分析官。之前，Jesse 是Monster WorldWide, Inc.的首席知識官，他助力企業，將年度營業收入從$3億提升到$13億。Harriott在Monster創建了國際分析部，並創建了Monster就業指數，指數目前為遍佈美國、歐洲和亞洲的幾百萬人所關注。他還帶領過Monster公司的網絡分析、商業智能、競爭情報、數據管控、營銷研究以及銷售分析等部門。Jesse在芝加哥大學授課，被冠以波士頓40歲以下排名前40人物之一。

“《高級商業分析取勝》對於幫助領導思考企業如何從數據資產中獲取價值一問題極具指導意義，推薦給希望通過分析實現企業轉型的任何企業總監閲讀。”

——Sal Lannuzzi，Monster Worldwide, Inc. 執行總裁

“分析革命改變了企業，顛覆了組織的各自為政，並支撐一線員工實現更高效率決策。如果你正在尋找一位夏爾巴人以指導你獲取分析的成功，《高級商業分析取勝》定能確保你的企業攀上你的最高峯。”

——Christoper Krohn，Restaurant.com總裁和首席營銷官

“大數據時代，企業要獲取競爭優勢需具備強大的分析基礎。《高級商業分析取勝》賦予企業領導者從數據資產獲取最大價值的所有必需方法理論。”

——Gail F Goodman，Constant Contact 執行總裁

“分析無用的時代已經結束…《高級商業分析取勝》通過嫺熟技藝闡述如何利用信息迅速獲取商業效果，同時你也就更深刻理解了如何才能讓數據為企業創造最大價值。”

——Steve Pemberton，Walgreens副總和首席多元官（CDO）

“Harriott博士和Isson先生揭示了利用數據賦予企業領導者決策從隨性而為向依據分析轉型的能力。企業家也能從依賴直覺向依賴分析、預測和效果等堅實基礎的轉型中而大有所獲。”

——Steve Pogorzelski，ClickFuel執行總裁

“全球所有在健康行業工作的人，跟我30年來所形成的認識一樣，對於基於實踐的循證醫藥學指導政策制定和建立防護標準的意義都感同身受。本書既嚴謹且深入淺出，易於理解，兩位作者所提供的應用框架，適用於不同領域，且大有裨益。本書於任何希望藉助分析力量解決我們時代大難題的領導者而言，都應為必讀之書。”

——Paul Farmer博士，哈佛大學Kolokotrones大學教授（哈佛最高榮譽教員），Partners In Health的合作創辦人

第1章商業分析的挑戰1

1.1外部挑戰

1.2內部挑戰

關鍵要點

註釋

第2章商業分析成功基石——BASP框架13

2.1商業挑戰基石

2.2數據基石

2.3分析實施基石

2.4洞察發現基石

2.5執行和測算基石

2.6知識共享基石

2.7創新基石

2.8總結

關鍵要點

註釋

第3章圍繞關鍵商業挑戰，組織企業資源31

3.1使命陳述

3.2商業挑戰

3.3確定商業挑戰諮詢流程

3.4界定和優化商業挑戰

3.5商業挑戰分析方案

關鍵要點

註釋

第4章大數據和小數據：不同類型的智能45

4.1大數據

4.2小數據

4.3奠定數據基礎：數據質量

4.4數據源和所處位置

4.5數據定義和管控

4.6數據字典和數據關鍵用户

4.7數據核查和數據可視化

4.8客户數據整合和數據管理

4.9數據保密

關鍵要點

註釋

第5章誰在乎數據？如何揭示洞察力69

5.1IMPACT閉環

5.2好奇害死貓

5.3掌控數據

5.4尋求意義

5.5行動較數據更有説服力

5.6“像小鳥一樣小口吃進，像大象一樣大量排出”

5.7結果跟蹤

5.8IMPACT閉環在行動：芒斯特就業指數（TheMonsterEmploymentIndex）

關鍵要點

註釋

第6章數據可視化：如何直觀展示息——CONVINCE框架85

6.1表達含義

6.2客觀性：忠實於數據

6.3必要性：切忌好大喜功

6.4誠信可視化：尺寸事關重大

6.5想受眾所想

6.6靈活性：不要被1000張圖累死

6.7關聯背景

6.8鼓勵互動

6.9總結

關鍵要點

進一步閲讀

註釋

第7章分析實施：什麼可行，什麼不可行101

7.1分析實施模型

7.2願景和使命

7.3戰略

7.4組織協同

7.5人力資本

7.6指標和測算

7.7流程整合

7.8客户體驗

7.9技術和工具

7.10變革管理

關鍵要點

註釋

第8章客户之聲的分析和洞察117

8.1客户反饋無價

8.2制定有效客户之聲計劃

8.3客户之聲戰略體系和關鍵要素

8.4VOC方案的常見缺陷

關鍵要點

進一步閲讀

註釋

第9章數字分析的有效運用147

9.1數字分析的戰略和戰術應用

9.2數字分析概念理解

9.3數字分析團隊：人員是分析成功的最重要條件

9.4數字分析工具

9.5高級數字分析

9.6數字分析和客户之聲

9.7網站分析和登錄頁面優化

9.8行動號召：統一傳統和數字分析

關鍵要點

進一步閲讀

註釋

第10章有效的預測分析——什麼有效，什麼無效177

10.1何謂預測分析？

10.2揭示階段

10.3預測階段

10.4優化階段

10.5不同商業問題的不同應用

10.6金融服務行業先鋒

關鍵要點

進一步閲讀

註釋

第11章應用於人力資源的預測分析197

11.1職能機構

11.2評估：超越人事

11.3規劃變動

11.4資格與能力

11.5生產

11.6HR過程管理

11.7人力分析和預測

11.8通過預測提升人力

11.9什麼更有用？

11.10價值層次

11.11HR報告

11.12通過分析，HR取勝

註釋

第12章社交媒體分析219

12.1多維的社交媒體

12.2理解社交媒體分析：有用的概念

12.3社交媒體是圍繞品牌還是直接回應

12.4社交媒體的“品牌”和“直接回應”分析

12.5社交媒體工具

12.6社交媒體分析技術

12.7社交媒體分析和隱私

關鍵要點

註釋

第13章競爭情報分析239

13.1競爭情報界定

13.2競爭情報分析成功的法則

關鍵要點

第14章移動互聯網分析251

14.1移動互聯網分析的概念

14.2移動互聯網分析與網站分析有什麼不同？

14.3測量移動互聯網分析的重要性

14.4移動互聯網分析工具

14.5移動互聯網分析助力業務優化

關鍵要點

註釋

第15章有效的分析溝通策略267

15.1溝通：分析人員與高管之間的鴻溝

15.2有效的分析溝通策略

15.3分析溝通提示

15.4利用移動商業智能進行溝通

關鍵要點

註釋

第16章商業績效跟蹤——執行和測算283

16.1分析的基本問題

16.2分析執行

16.3商業績效跟蹤

16.4分析和營銷

關鍵要點

註釋

第17章分析和創新301

17.1創新是什麼？

17.2對高級分析的要求

17.3分析創新的構成

17.4分析和創新結合

關鍵要點

註釋

第18章非結構化數據分析：下一個前沿315

18.1什麼是非結構化數據分析？

18.2非結構化數據分析產業

18.3非結構化數據分析的使用

18.4非結構化數據分析如何起作用

18.5為何非結構化數據分析是下一個分析前沿？

18.6非結構化數據分析的成功故事

關鍵要點

註釋

第19章分析的未來333

19.1數據價值不再

19.2預測成為新標

19.3社會信息處理和分佈計算

19.4機器學習獲得進步

19.5傳統數據模型演變

19.6分析能為非分析人員所用

19.7數據科學成為專門部門

19.8以人為中心的計算

19.9解決社會問題的分析

19.10基於位置的數據大爆炸

19.11數據隱私衝突

關鍵要點

註釋

譯者後記345 ^[1]