《数据分析即未来：企业全生命周期数据分析应用之道》（融合了数据科学、设计思维和组织理论，全方位阐释如何高效达成高水平企业级数据分析能力）格雷戈里·S.纳尔逊(Gregory S. Nelson)【文字版_PDF电子书_推荐】_计算机类
《数据分析即未来：企业全生命周期数据分析应用之道》（融合了数据科学、设计思维和组织理论，全方位阐释如何高效达成高水平企业级数据分析能力）格雷戈里·S.纳尔逊(Gregory S. Nelson)【文字版_PDF电子书_推荐】
| 书名：数据分析即未来：企业全生命周期数据分析应用之道 作者：[美] 格雷戈里·S.，纳尔逊，[Gregory，S.，Ne 出版社：机械工业出版社 译者：陈道斌 万芊等译 出版日期：2020 页数：/ ISBN：9787111656999 |
0.0 豆瓣评分 |
孔网购买 | 点击喜欢 | 全网资源sm.nayona.cn |
内容简介：
本书旨在为数据分析生命周期提供一个全面和实用的指南，并着重于为组织打造行之有效的数据分析能力。全书分为三部分，第壹部分分析基础篇，讨论了如何通过整合组织的人员、流程、技术和数据等资源来实现这样的分析能力;第二部分分析生命周期*佳实践篇，介绍了不同种类的分析产品和服务，以及如何支持分析产品或服务的设计、开发和交付;第三部分分析能力卓越常青之道，围绕如何让分析产品对组织的完善和持续改进产生*大作用展开讨论，内容包括如何衡量分析项目的效率和效果两个方面，以及如何应用行为经济学、社会心理学和变革管理等其他学科的经验和知识改进和完善分析过程。
作者简介：
格雷戈里·S. 纳尔逊(Gregory S. Nelson) 是ThotWave的创始人和CEO，是国际分析研究所(International Institute for Analytics)的专家，也是杜克大学福卡商学院(Fuqua School of Business)的特约教授。他发表了200多篇论文，并经常在技术领域以及私营公司的国内外活动中担任演讲嘉宾和主旨发言人。
译者简介
陈道斌 管理学博士，博士后，先后任中国工商银行总行管理信息部副总经理、总行电子银行部副总经理兼融e联中心总经理、总行资深信息管理专家等职务，工商银行博士后流动站指导专家，中央财经大学客座教授。陈道斌博士长期从事工商银行管理信息理论研究和实践探索，在大型商业银行数据管理、数据分析领域有精深造诣，多次获得人民银行金融科技进步一、二、三等奖。
万芊 北京大学光华管理学院经济学博士，中国工商银行博士后，先后就职于工商银行总行管理信息部、网络金融部，长期从事工商银行数据仓库建设与应用、数据分析师队伍建设以及大数据分析挖掘工作，对商业银行数据管理与分析应用有深入的研究和理解。
目 录：
第一部分 分析基础
第1章 分析概览 2
1.1 基本概念 2
1.1.1 数据 3
1.1.2 分析 4
1.1.3 什么是分析 5
1.1.4 分析与其他概念的区别 7
1.2 分析概念 9
1.2.1 商业智能和报表 9
1.2.2 大数据 12
1.2.3 数据科学 13
1.2.4 边缘(和环境)分析 14
1.2.5 信息学 16
1.2.6 人工智能与认知计算 16
1.3 分析方法论 18
1.3.1 应用统计与数学 19
1.3.2 预测和时间序列 22
1.3.3 自然语言处理 22
1.3.4 文本挖掘与文本分析 26
1.3.5 机器学习 27
1.3.6 数据挖掘 30
1.4 分析的目的 31
1.4.1 分析是关于改善结果的活动 32
1.4.2 分析是关于创造价值的活动 33
1.4.3 分析是关于发现的活动 34
1.4.4 分析是关于促成变革的活动 35
1.5 本章小结 36
1.6 参考文献 38
第2章 分析人才 41
2.1 谁来做分析工作 41
2.2 分析师的职责 44
2.3 分析工作的岗位序列 46
2.3.1 业务分析 47
2.3.2 统计分析 48
2.3.3 技术分析 49
2.3.4 领导力分析 50
2.3.5 产品分析管理 51
2.4 分析的关键能力 52
2.5 分析思维 56
2.5.1 问题求解 58
2.5.2 分解方法 61
2.5.3 综合方法 62
2.6 批判性思维方法 63
2.7 分析中应用批判性思维的例子 65
2.8 如何提高批判性思维能力 66
2.9 系统性思维 68
2.10 本章小结 71
2.11 参考文献 72
第3章 分析的组织背景 74
3.1 组织的战略与分析活动的协同 74
3.1.1 目标 76
3.1.2 战略 76
3.1.3 组织的能力 78
3.1.4 资源 80
3.1.5 评估和管理系统 80
3.2 组织的文化 83
3.3 分析团队的组织架构设计 87
3.4 什么样的分析团队组织架构设计最好 90
3.4.1 集中式架构 91
3.4.2 分散式架构 94
3.4.3 卓越中心式架构 97
3.4.4 分析的组织方式 100
3.5 本章小结 102
3.6 参考文献 103
第4章 数据战略、平台与架构 105
4.1 数据战略 106
4.1.1 数据战略声明 107
4.1.2 战略与实施 109
4.2 战略规划流程 109
4.3 规划一个数据战略路线图 113
4.3.1 范围和目的 114
4.3.2 数据收集、标准化和清洗 115
4.3.3 数据架构、虚拟化和整合 116
4.3.4 数据洞察和分析 117
4.3.5 数据治理和数据质量 118
4.3.6 元数据管理 120
4.3.7 数据访问、发布、隐私和安全 121
4.3.8 数据保存 122
4.3.9 性能与服务水平协议 123
4.4 制定数据战略的敏捷方法 124
4.5 数据战略小结 125
4.6 平台和架构分析 126
4.7 分析架构 127
4.7.1 范围：业务规模和生命周期支持 130
4.7.2 决策的复杂度 130
4.7.3 理解复杂度 132
4.7.4 紧迫性和影响 132
4.8 特定目的数据或潜在价值数据 134
4.9 本章小结 136
4.10 参考文献 137
第二部分 分析生命周期最佳实践
第5章 分析生命周期工具包 140
5.1 分析生命周期最佳实践领域 140
5.2 数据分析是数据科学的产物 143
5.3 数据分析的目标 143
5.4 分析产品的规模和范围 144
5.5 分析生命周期工具包的组织方式 146
5.5.1 关于分析流程 147
5.5.2 分析生命周期最佳实践领域、流程和工具 148
5.6 分析的设计思维 154
5.6.1 什么是设计思维 154
5.6.2 设计思维应考虑用户旅程 155
5.6.3 设计思维的五个步骤 156
5.7 本章小结 159
5.8 参考文献 159
第6章 问题理解 160
6.1 流程概述 160
6.2 为什么要理解问题 161
6.3 流程领域 161
6.3.1 问题定义 163
6.3.2 根本原因调查 167
6.3.3 提出假设 175
6.3.4 问题设计 182
6.3.5 业务方案优先级设置 190
6.4 本章小结 195
6.5 工具包总结 197
6.6 参考文献 198
第7章 数据探查 200
7.1 流程概述 200
7.1.1 数据探索 200
7.1.2 为什么要做数据探查 203
7.2 数据探查过程 203
7.2.1 数据识别和优先级排序 204
7.2.2 数据收集和准备 209
7.2.3 数据剖析和特征描述 213
7.2.4 可视化探索 227
7.3 记录分析日志 228
7.4 本章小结 230
7.5 工具包总结 231
7.6 参考文献 232
第8章 分析模型开发 234
8.1 流程概述 234
8.1.1 分析模型定义 239
8.1.2 模型开发 240
8.1.3 利用多种方法进行检验 245
8.1.4 为什么要这样做 248
8.2 建模过程 249
8.3 进行比较 250
8.4 度量关联 260
8.4.1 相关性统计检验 264
8.4.2 其他相关性检验 266
8.5 进行预测 267
8.5.1 检测模式 270
8.5.2 模式检测过程 275
8.6 本章小结 277
8.7 问题总结和练习 278
8.8 工具包总结 280
8.9 参考文献 281
第9章 成果应用 285
9.1 流程概述 285
9.1.1 为什么要研究成果应用环节 286
9.1.2 成果应用过程涉及的领域 288
9.2 解决方案评估 289
9.2.1 步骤1：模型回顾和验证 290
9.2.2 步骤2：对结果的评价 291
9.2.3 步骤3：影响评估 292
9.3 分析成果应用的实施 293
9.3.1 步骤1：制定部署计划 294
9.3.2 步骤2：关键指标的定义 296
9.3.3 步骤3：项目评估 297
9.4 演示和讲故事 298
9.4.1 通过数据讲故事的资源 299
9.4.2 用数据讲故事的最佳实践 303
9.5 本章小结 316
9.6 练习 318
9.7 工具箱总结 320
9.8 参考文献 321
第10章 分析产品管理 326
10.1 流程概述 326
10.2 分析产品管理过程涉及的领域 329
10.2.1 分析产品经理 330
10.2.2 价值管理 334
10.2.3 分析生命周期的执行 348
10.2.4 质量流程 362
10.2.5 利益相关方的参与和反馈 368
10.2.6 能力和人才发展 371
10.3 本章小结 373
10.4 工具包总结 374
10.5 参考文献 375
第三部分 分析能力卓越常青之道
第11章 把分析付诸行动 380
11.1 分析的力量 380
11.2 高效和有效的分析计划 384
11.2.1 了解分析生命周期 387
11.2.2 关于有效分析的一些观点 390
11.2.3 对分析效果和效率的挑战 391
11.3 为什么分析的上线运营会失败 392
11.4 变革管理 396
11.4.1 选择正确的变革方法 398
11.4.2 为什么要开展变革管理 400
11.4.3 对变革的情感反应 401
11.4.4 分析变革管理的例子 404
11.5 引领变革的最佳实践 405
11.5.1 创建共同的变革目标 406
11.5.2 建立可见的、参与型的领导联盟 407
11.5.3 赋能参与和沟通 409
11.5.4 支持强化个人绩效 413
11.6 变革中的问题处理 414
11.7 本章小结 416
11.8 参考文献 417
第12章 分析团队的核心胜任力 418
12.1 核心胜任力概述 418
12.1.1 分析胜任力定义 418
12.1.2 培养分析胜任力 420
12.1.3 过去和未来所需要的职场胜任力 421
12.1.4 分析职业框架 422
12.2 核心胜任力详述 422
12.2.1 胜任力领域：业务知识 424
12.2.2 胜任力领域：分析思维 427
12.2.3 胜任力领域：数据管理 430
12.2.4 胜任力领域：数据探索 432
12.2.5 胜任力领域：数据可视化 433
12.2.6 胜任力领域：技术素养 435
12.2.7 胜任力领域：战略思维 438
12.2.8 胜任力领域：领导力 440
12.2.9 胜任力领域：分析产品管理 443
12.3 基于知识领域的分析工作岗位序列的理想胜任力 446
12.3.1 胜任力领域：业务知识 446
12.3.2 胜任力领域：分析思维 448
12.3.3 胜任力领域：数据管理 448
12.3.4 胜任力领域：数据探索 448
12.3.5 胜任力领域：数据可视化 452
12.3.6 胜任力领域：技术素养 452
12.3.7 胜任力领域：战略思维 452
12.3.8 胜任力领域：领导力 456
12.3.9 胜任力领域：分析产品管理 456
12.4 本章小结 459
12.5 参考文献 459
第13章 数据分析未来趋势 460
13.1 数据分析的生命周期框架 460
13.2 分析在未来世界的作用 462
13.3 未来主义者的视角 463
13.3.1 普适计算和分析 464
13.3.2 大数据将驱动创新 465
13.3.3 分隔的行业与视角将消失 466
13.3.4 目标造就差异化 466
13.3.5 胜任力胜过特定技能 467
13.4 最后的一点思考 468
13.5 参考文献 469
译后记 470
浏览器不支持脚本！
摘要：《数据分析即未来：企业全生命周期数据分析应用之道》系统探讨了企业在数字化时代如何通过数据分析实现全面的战略优化与运营升级。书中融合数据科学、设计思维与组织理论，强调数据不仅是技术工具，更是推动企业创新、提升决策质量和优化流程的核心资源。作者格雷戈里·S.纳尔逊通过案例分析与理论指导，展示了企业从数据采集、数据治理、分析模型构建到结果落地的全生命周期方法论。整书逻辑清晰，既关注数据技术的前沿应用，又注重组织管理与文化建设，使读者能够理解如何在企业不同阶段高效整合数据分析能力，实现商业价值最大化和持续创新。
1、数据科学的战略价值
企业数据科学的战略价值在于将分散的数据资源转化为可操作的洞察，为企业决策提供科学依据。纳尔逊指出，数据不仅能反映历史业务表现，更能通过预测分析指导未来战略规划。通过建立完整的数据生态系统，企业能够实现信息流通的高效化，使每一层级的管理者都能基于可靠的数据做出判断。
数据科学方法在企业应用中强调模型与业务场景的紧密结合。书中通过大量案例展示了如何将机器学习、统计分析与实时数据处理融入销售预测、库存优化、客户行为分析等核心业务流程，从而提高效率并降低风险。通过数据驱动的决策，企业能够更敏捷地应对市场变化。
此外，数据科学的战略价值还体现在推动组织文化的转型。纳尔逊提出，企业需要培养数据思维的组织文化，使员工在日常决策中主动利用数据分析工具。这不仅提升了企业整体的数据素养，也增强了创新能力和跨部门协作水平。
2、设计思维与数据融合
设计思维在数据分析中的应用，核心在于以用户需求为中心，优化数据驱动的解决方案。纳尔逊强调，通过理解业务痛点和用户体验，数据团队能够提出更具实际价值的分析模型，从而提升数据分析结果的可落地性和实际影响力。
书中详细阐述了设计思维在数据产品开发中的三个关键阶段：发现问题、创意构思和验证优化。在发现问题阶段，企业通过数据挖掘和可视化手段识别潜在问题和机会。在创意构思阶段，结合用户需求提出多种解决方案，并利用实验设计进行初步验证。最后，数据结果不断反馈优化，形成循环改进。
设计思维的引入还强化了跨部门协作。数据分析不再局限于技术团队，而是与产品、市场、运营等部门紧密结合。纳尔逊指出，这种多视角协作不仅提升了分析结果的准确性，也增强了企业整体创新能力，实现技术与业务的深度融合。
3、组织理论的支撑作用
组织理论在企业数据分析中的作用主要体现在结构优化与流程管理。纳尔逊认为，企业若要高效利用数据，必须构建清晰的数据治理体系和职责分工，实现信息的标准化和可追溯性。通过合理的组织结构设计，数据团队能够高效协作，并在业务部门中发挥桥梁作用。
企业文化的塑造同样关键。书中提到，鼓励开放性沟通和跨部门数据共享，可以显著提升数据利用效率。通过定期培训和知识分享，员工的数据意识和分析能力得以持续提升，使企业在长期运营中形成数据驱动决策的核心竞争力。
组织理论还指导企业在数据项目落地中避免常见阻力。纳尔逊指出，许多数据分析失败并非技术问题，而是组织协作与流程不畅导致。通过明确权限、优化流程和建立激励机制，企业能够确保数据分析成果顺利应用于战略和运营决策。
4、全生命周期应用方法
全生命周期数据分析强调从数据采集到价值实现的闭环管理。纳尔逊将其划分为数据收集、数据清洗、建模分析、决策支持和持续优化五个阶段。每个阶段都有明确的目标和操作指南，以确保数据分析能够在企业各环节产生最大价值。
在数据收集与清洗阶段，强调数据质量管理与多来源整合，避免因数据不完整或错误导致决策偏差。建模分析阶段注重模型选择、算法优化和结果解释，使分析成果可直接指导业务决策。在决策支持阶段，数据可视化和报告工具帮助管理层快速理解分析结果并采取行动。
持续优化阶段体现全生命周期的闭环特征。纳尔逊强调，通过监测分析效果、调整模型参数和更新业务规则，企业能够实现动态优化。全生命周期方法不仅提升了数据分析的准确性，也确保企业能够在快速变化的市场环境中持续保持竞争优势。
总结：
《数据分析即未来：企业全生命周期数据分析应用之道》通过整合数据科学、设计思维和组织理论，为企业提供了一套系统化的数据分析方法论。书中强调数据不仅是技术工具，更是战略资源，能够驱动企业从决策优化到创新发展，实现全方位价值提升。
全书通过理论解析与案例实践相结合，展示了企业如何在不同阶段高效运用数据分析能力，包括战略规划、产品设计、组织协作和运营优化。读者可以通过系统掌握这些方法，在企业全生命周期中实现数据驱动的持续增长与竞争优势。
本文由nayona.cn整理
该网站所有的联系方式，都是工作人员微信，加不上就联系其他号， 联系我们v；shuij56
