数据变现

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。

安德鲁·罗曼·韦尔斯（ Andrew Roman Wells）是 Aspirent公司的首席执行官， Aspirent是一家专注于分析的管理咨询公司。他有为许多公司建立分析解决方案的丰富经验，从财富 500强到小型非营利组织。安德鲁重点帮助组织利用他们的数据做出重要决策，通过变现策略带动收入。他已经构建分析解决方案超过 25年，并很乐意与更多的读者分享这些实用的方法、工具和技巧。

除了担任高管之外，安德鲁还是一位亲力亲为的顾问，从他在安永会计师事务所担任咨询顾问、建立报告解决方案之初起就一直是。他在硅谷完善了自己的技能，为两家成功的初创公司工作，专注于客户分析和使用预测方法来推动绩效。安德鲁在企业界也担任过管理角色，在资本金融公司担任商业智能总监期间，帮助推动了多项专利分析创新。从咨询到创业公司，再到企业界，安德鲁在通过分析推动增长方面拥有广泛的经验。他为许多行业和公司建立了解决方案，包括可口可乐公司、洲际酒店集团、家得宝公司、资本公司、富国银行、惠普公司、时代华纳公司、美林公司、应用材料公司等。

安德鲁和妻子苏珊娜住在亚特兰大，他喜欢摄影、跑步和国际旅行。他是迈克尔·安德鲁斯定制服装公司（ Michael Andrews Bespoke）的合伙人。他还获得了美国佐治亚大学工商管理学士学位，专注于金融和管理信息系统。

凯茜·威廉斯·江（Kathy Williams Chiang）是一位成熟的商业分析从业者，擅长引导分析、分析数据集市开发和商业规划。目前任伟门数据管理（Wunderman Data Management）公司商业洞察部副总裁。

江女士与 Aspirent一起完成了多个跨国客户的众多分析咨询项目，其中包括洲际酒店集团和可口可乐公司等。她还曾在多个国家的公司工作，包括特立尼达和多巴哥电信服务公司、视力品牌照明公司、贝尔南方国际和波特曼海外公司。

江女士在设计和开发分析工具及能够开启并推动行动的管理仪表板方面经验丰富，她在数据探索、分析、可视化和展示方面的技能非常娴熟，并在电信、酒店和消费品行业开发了涵盖客户体验、营销活动、收入管理和网站分析的解决方案。

江女士是新奥尔良人，她以优异的成绩获得了路易斯安那州立大学的化学学士学位（绩点 4.0），以及杜兰大学的 MBA学位，同时也是 Phi Beta Kappa和门萨的成员。作为中美关系正常化后批进入中国的美国人之一，江女士在具有挑战性的条件下在中国东北生活了两年，在那里教英语、学普通话，并且游览了中国多个地方。在她的职业生涯中，她曾在美国、加勒比地区、英国、拉丁美洲国家 /地区和中国工作。

译者介绍

高敬文，就职于暨南大学，担任广东省舆情大数据工程技术研究中心技术负责人、兼任复旦大学网络空间治理研究中心特约研究员。

专注于大数据技术在传播及智慧城市领域的应用研究工作，参与多项广东省科技厅重点国别双边联合资助项目、教育部人文社会科学研究规划项目、国家社科基金重大项目。

新的红利是数据和方法论的红利！
如何真正从数据资产中盈利？
如何将数据驱动增长落地？
企业如何数字化转型升级？


数据是公司至关重要的资产，数据变现应该是每个公司未来战略的核心，有效使用数据并将之变现是当今企业和机构面临的关键挑战之一，本书提供了一幅实用的蓝图，以构建执行数据变现所需的关键能力。

本书不是罗列信息，而是助企业打造智能决策系统，还介绍了转型为分析型组织的措施与心态。

巴布森学院 托马斯?H.达文波特、
Teradata 比尔?弗兰克斯、
洲际酒店集团 迪夫?库希克
霍尼韦尔国际公司比尔?格罗夫斯
联袂推荐

金砖国家信息共享与交流平台技术负责人 精心翻译

本书的目的是使您能够通过分析解决方案（ analytical solutions）来建立变现策略，帮助管理人员和高管在数据海洋中找到可以提高收入的优质决策。但是，这个过程充满了挑战。第一个挑战是对信息洪流加以提炼。我们有一个循序渐进的过程 —决策架构方法论，从假设直到建立分析解决方案。这个过程以变现策略为指导，您可以通过这个策略构建决策矩阵，对各种行动进行经济上的权衡。通过引导分析，我们将向读者展示如何构建分析解决方案，并利用 UI/UX的规范来呈现能给人留下深刻印象的故事，以及开发令分析解决方案自动化的仪表板。

我们的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、决策理论、行为经济学、决策架构、数据开发与架构、UI/UX开发和仪表板开发。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。

以下是您将从本书中得到的收获：
将信息资产转变为创收策略；
为管理者提供引导性的体验，帮助减少噪声和认知偏误；
通过制定聚焦于变现策略的分析解决方案来使您的组织更具竞争力，而这些变现策略服务于您的组织目标；
将您的分析转化为可行的手段，而不再是简单地“阅读新闻”；
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，也不会深入探讨学科的内容。相反，我们将为您提供各个相关学科和我们最常用来构建这些解决方案的技术的概述。

对其中一位作者安德鲁（ Andrew）来说，建立变现解决方案的过程始于 2003年，当时他是第一资本（Capital One）公司的商业智能（BI）总监。那个时代的标准是提供本质上只是信息的分析。无论报告是用于营销还是运营，信息都是自动生成的，将数据收集、分组并聚合到少数几个关键指标里，然后再显示在报告中。安德鲁当时不知道的是，这些报告缺乏产生行动的智慧和诊断框架。在那个时代，他所开发的解决方案为分析在总体上赋予了一定的经济价值，但缺乏可以驱动高质量决策的独立行动。在过去的十年里，他一直致力于完善为客户提供分析解决方案，并最终产生了本书所描述的许多方法和技巧。

另一位作者凯茜（ Kathy），在她多年的商业规划和预测工作中，一直因为无法探查到商业问题发生的根本原因而感到沮丧。当时， IT基础设施的高成本限制了分析信息的传递，因为报告系统中只保留了聚合后的数据，失去了探索底层交易数据特性和关系的能力。她于 2009年开始了在大数据世界的非凡旅程，当时她帮助特立尼达和多巴哥电信服务公司（ TSTT）开发了一个策略分析系统，目标是将交易数据整合到业务规划流程中。通过这项任务，凯茜学习了诸如 Tableau等数据可视化工具的强大功能，它们可以将管理者和分析人员直接连接到数据，并帮其认识到开发分析数据集市
的重要性，这可以防止人们陷入沮丧的困境。

在过去的几年里，凯茜和安德鲁共同合作，构建了各种解决方案，帮助企业实现了数据变现，这些企业包括从财富 500强企业到收入不到 1亿美元的企业。当我们刚开始着手解决这个问题时，关键挑战之一就是开发方法的彼此孤立和分析信息的广泛分散。分析师使用电子表格来完成他们大部分的分析工作；而数据科学家使用先进的统计学方法研究更复杂的分析问题； IT团队担心企业报告被四处分发给成百上千名用户。那些往往能为组织带来最大回报的小型分析项目，深陷孤岛之间的鸿沟中，无法得到组织的关注。

在我们构建解决方案的过程中，我们注意到了当前方法和工具中的一些缺陷，促使我们从不同学科的最佳实践中开发出我们自己的方法。新工具正在弥补的一个缺陷，就是让管理者不再难于接触数据本身。在过去，如果一个管理者想要建立一个分析解决方案，他们往往只能用微软的 Excel进行分析，或者使用某个专用的 IT项目，而这个项目可能很耗费时间。今天，数据可视化和分析工具，如 Tableau、QlikView和 Power BI使普通企业用户能够直接访问更大的数据量和范围，同时无须消耗过多的 IT资源。向自助式分析的转变将是未来几年的一大趋势。大部分 IT角色将转变为企业级分析和为分析构建数据环境。这种新的范式将加快创新速度，因为新技术和更方便的数据访问将为分析师赋能。

随着工具变得越来越好，企业用户可以直接访问比以往更多的信息，但他们也正面临新的问题：数据质量没那么完美，该如何处理？从前这一点被掩盖在净化过的报告解决方案下面。用户现在必须学习数据清理技术以及认识到维护数据标准和数据质量的重要性。

随着这些工具功能的增强，有一个好处是用户界面（ UI）和用户体验设计（ UX）一功能得到了改善。分析解决方案的可用性往往取决于理解数据的能力，以及呈现数据的界面。我们现在看到了更漂亮的仪表板，但并未为具备可用性或是引导用户理解故事进行必要的准备。随着越来越多的分析师和管理人员开始创建自己的报告解决方案，他们往往会构建一个只是帮助他们“阅读新闻”的信息解决方案，而非建立一个能够帮助他们做出决策、推进行动的诊断。
而我们会发现，有一个缺陷是与数据科学和决策理论有关的，它们尚未在分析解决方案中得到很好的部署。我们从几年前开始将这些学科知识融入实践中，现在这些学科知识已经成为不可或缺的组成部分。这些技术包括：选择架构、理解认知偏误、决策树、聚类分析、细分、阈值和相关性。

很少有解决方案提供变现策略，允许管理者权衡各种行为的经济价值。通过将这种方法添加到解决方案中，我们注意到，提供给客户的可量化价值有了相当大的提高，并且这些分析解决方案也在被更多地使用。
弥补这些缺陷，并把它们整合起来是一个反复试验的过程。有些工具在某些情况下会起作用，而在其他情况下不行；有的工具则完全不工作。经过几次迭代，我相信我们的方法论已经做好了被更广泛地接受的准备，这个方法论真正的独特之处在于，汇集了多种学科知识和最佳实践，帮助组织建立分析解决方案来实现数据变现。在此，我们谦逊地与您分享我们的经验、工具、方法和技巧。

译　者　序

“数据驱动”在大数据时代是一个耳熟能详的词，坊间关于如何利用数据挖掘与分析来推动业务的书也可谓浩如烟海。这些著作或高谈理念舌灿莲花，或深究细节剥丝抽茧，而本书则是其中的另类。作者以经过多年实际商业项目考验的方法论贯穿始终，将企业如何通过数据驱动决策以实现商业变现的整个流程清晰地展现出来，从为什么需要数据驱动决策开始，到如何通过设计、构建和实施推广解决方案从而真正实现，条分缕析，层层深入，带领读者在数据之旅中度过引人入胜的愉快时光，掩卷之余，不由感叹作者能够用不长的篇幅实现这个看似不可能的任务：完整而精细地描绘出数据驱动变现的蓝图，并使得读者有坚实的信心去实现它。

我所在的学术机构原本就致力于数据挖掘分析和大数据处理在本学科的应用，然而在科研教学中往往有种无力感：尽管自觉对数据处理相关的知识和技能都很熟悉了，却依然很难为对这个领域不大熟悉的师友或学生讲清楚这些工作的价值和难度，以及他们如果有兴趣涉猎，究竟该如何入手。直到开始着手翻译本书，我才终于有种醍醐灌顶之感。就如罗素在《西方哲学史》提及“洞见”时所言，“先在雾里走遍了一座山，直到每一条道路、山岭和山谷一一地都已经非常熟悉了，然后再在光天化日之下，从远处来清晰地整个地观看这座山。 ”“经过了长期的劳动之后，真理或者美就显现在，或者仿佛是显现在一阵突如其来的光荣里。”用来形容对于本书这种相见恨晚的感受真是再贴切不过。在翻译过程中，本书所提供的方法论、技巧和知识不仅帮助我开拓了眼界，提升了教学质量，也同样推进了我的科研工作，帮助我所在的机构成功申报省级工程技术研究中心，并成功申请一项跨国合作科研项目。相信本书能帮助不仅是师生而是更多读者理解数据分析的思想和具体实现路径。

本书针对的是比学术界更为复杂、变化更为快速的商业界。书中通过不同行业的多个实际案例，由浅入深地带领读者逐渐熟悉整个方法论，掌握构建解决方案所需的诸多学科知识，以及了解如何克服部署实施时可能遇到的现实困难。读者不但可以学到决策科学、认知心理学的前沿发现、设计原则、数据库技术和统计学公式……还会被告知，要么你自己就是一位有耐心的老板，要么你就得确保能够得到至少一位高管的力挺，否则再好的方案也可能没有机会在公司中推行实施；为变革所涉及的其他部门带来切实便利，与为解决方案找到热心的优质用户帮你做推广，这二者缺一不可。在我看来，最为难能可贵之处是，作者没有满足于在长期从事的咨询工作中游刃有余，而是将真实的体验和成熟的经验加以总结梳理，通过本书分享出来。

那么对于原本的目标读者—企业的高管或经理，本书的定位究竟如何呢？它不单纯带来新知，也不拘泥于具体的技术细节，而是帮助你测量和评估自身和所在企业当前与理想状态—数据驱动决策并进而实现商业变现 —的距离，明确如何才能构建一支足堪大任的团队，并带领或者指挥他们去实现这一目标，以及在这个过程中需要注意什么；或者如果现在还做不到，那么问题出在哪里，该如何弥补短板。

我认为另一个可能从中受益的读者群体，是企业中的数据业务领导者或推动者。本书并未过多涉及具体的技术实现，倒是对于数据可视化分析解决方案的开发者该怎样与其他部门交流以及引导广义上的用户着墨不少，争取高层支持和基层接受的秘密就在书中。

希望每一位中国读者都能够和我一样，读好、用好本书，切实从中受益。

高敬文

于暨南大学 2019年 11月 15日

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　变现策略第一部分 // 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