統計學，最強的商業武器（商務篇）：把數據資料轉換成獲利能力的智慧

西內啟　Nishiuchi Hiromu

1981年生。東京大學大學院醫學系畢業（主修生物統計學）。曾任東京大學大學院醫學系研究科醫療傳播學領域的助理講師、大學醫院醫療資訊網路工程研究中心副主任、達納-法伯（Dana-Farber）／哈佛癌症研究中心客座研究員等職務，目前則在各種活用資料的專案中擔任調查、分析、系統開發，以及人才培育等工作。著作包括同系列書籍累計銷量超過48萬冊的《統計學，最強的商業武器》，以及《統計學，最強的商業武器〔實踐篇〕》（悅知出版）等。

譯者簡介
陳亦苓

政治大學廣播電視系畢，輔修日文，曾留學並於日本工作近四年。目前為自由譯者，擅長資訊類英翻中、日翻中。

【專文推薦】

林啟峰 | 富邦媒體科技總經理
大約20年多前，在我擔任行銷長一職時，便與大數據結緣，當時稱之為CRM技術。透過CRM所能匯集到的數據，大多是交易性資料及個人基本資料。除了當時的系統處理能力不夠完善之外，對於數據收集的運用也沒有很創新的概念，更不確定是要用祼數據，還是使用經過處理後的數據，也因此不知如何就現有的數據來分析市場及客群，甚至不確定所收集到的數據是不是必要的。因而，只好用非常大的暫存空間，將所有看似能用的數據全都備存起來。但其實，無法分析數據背後的含意，就算存放再多的數據都是沒有用的。
大數據演變到現在技術愈來愈進步，數據的運用也更是廣泛。尤其在網路時代，透過數據來分析了解市場趨勢，是企業經營很重要的方針。例如：在行銷方面，透過數據的分析，可針對不同性別、年齡，甚至職業別等，採取不同的宣傳方式，以及產品規劃，更能針對目標族群拓展銷售及發開商品。
這本書最棒的地方在於，一開始就先將一些企業策略做了很簡單的分析，包含總體策略、競爭策略等，這對於許多經營者及決策型主管是十分受用的。此外，作者在書中也十分強調「人力」的重要性，而這個部分身為主管的我也是感同深受。書中不但很詳細的介紹了人才評選的方法，甚至還幫忙企業詳細規劃「人才」的適性。作者將「人事統計學」分析的十分完整，這對商管書來說十分罕見。
此外，本書在「行銷」的部分，也有很棒的論點，尤其是從「瓶頸開始著手」的分析，這在經營管理上是經常會碰到的問題。當企業的成長開始下降時，往往都需要回頭重新評估是什麼讓公司的成長變慢了，這時過往的數據就是最好的分析依據。
這是一本不管是在做行銷、競爭策略，營運管理的人，都十分受用的一本書。能在這市場找到藍海，以及發現最大的市場占有率，這絕對是各大企業一直在努力的目標。

鄭惟厚 | 《統計第一門課-觀念與應用》作者、美國愛荷華大學統計博士、淡江大學數學系教授
統計，是從數據當中找出有用資訊的科學，可應用在各式各樣的領域。商業領域無處不是數字，業界當然更可以利用合適的統計方法，幫助公司獲取更大的利益。然而，商業界對統計的功能是否有充分認知、並且普遍執行呢？很遺憾，答案應是否定的。
有很強的工具卻把它放著不用，豈不奇怪？這和我們長久以來的統計教學方式以及教科書有絕對的關係。商務人士若想了解統計的功能，隨便打開一本統計教科書的話，立刻會被一堆恐怖的數學符號和公式打敗了。因為統計教科書的內容多半是在教統計方法、甚至理論，想要從這些書裡了解如何實際應用，門都沒有。
統計系畢業的專業人才，理論上應該會用統計方法解決問題了吧？然而學校多半只注重考試，學生只要會用公式計算出答案，要畢業不難。但若丟給他一個實際問題，要求他用統計方法找答案，恐怕只會得到瞠目結舌的反應。因為統計教科書教的東西、和如何解決實際問題之間，有著太大的鴻溝。
終於有學者出書來填補上述鴻溝了，那就是西內啟先生所寫的《統計學，最強的商業武器［商務篇］》。正常利用統計工具的場景應是這樣的：先有問題，然後把它具體表達成合適的研究課題，再考慮針對該課題，應怎樣蒐集數據以及運用哪種統計方法來進行分析。大部分教科書討論的只是上述過程最後一步的分析，而《統計學，最強的商業武器［商務篇］》這本書給了我們全套：從問題開始，到做出結論！
西內先生文字淺白易懂，譯者譯筆極佳，整本書讀起來非常流暢，連我這不懂商業的人都學了許多，商務人士肯定應該要拜讀。這本《統計學，最強的商業武器［商務篇］》是西內先生系列書的第三本，若讀完有興趣，前兩本也肯定值得一讀。
學統計而想進入商界的人，更是一定要讀這本書，除了能夠迅速了解統計可如何應用在商界問題之外，當主管給你問題、要你分析時，才能夠跟主管有效溝通，而不至於雞同鴨講。

【誠摯推薦】

内田和成 |《假設思考》作者、前BCG日本代表、早稲田大學商校教授
藝術與科學是經營上不可或缺的要素，坊間有不少分別論述其一領域的書籍，本書作者則獨樹一格，提倡在傳統上被歸類為「藝術」的領域當中，也帶入了統計學這項科學知識，兼具獨特性與實用性。

入山章栄 |《全球經營學學者的當前想法》作者、早稲田大學商校副教授
商校的課程上，我一再傳授「如何在實際商場活用經營學分析手法」的方法給學生，但是沒想到西內先生已經搶先我一步，將這些方法有趣地呈現在書本上了，真是被擺了一道啦！

序章 別用「感覺」和「案例」來分析

01商務人士所不知道的「研究設計」技術
常見的數據運用失敗案例／不靠個人感覺的研究設計／改善「主幹」而非「枝葉」
02本書的內容架構
本書所涵蓋的四大主題／本書中的說明步驟與一些關鍵詞

第１章 用於經營策略的統計學

03以數據引導策略
顧問們就愛矩陣圖／矩陣分析的兩個限制
04經營策略的理論背景① 波特的ＳＣＰ理論
經營策略的代表性理論／簡單漂亮的五力分析／日本企業的發展反駁了波特的理論
05經營策略的理論背景② 經營策略理論的合適性問題
著眼於企業內部優勢的傑伊・巴尼／波特與巴尼，誰才是對的？／經營策略的統計分析史
06針對經營策略的分析步驟① 設定分析的目標對象
統計學式的策略制定方法／橫向的市場分析／縱向的市場分析／非連續型的市場分析
07針對經營策略的分析步驟② 思考應分析哪些變數
針對商業人士的系統性回顧入門
08針對經營策略的分析步驟③ 收集必要的數據資料
首先從公開的客觀資料著手／為何要以資產報酬率來代表「有多賺錢」？／當分析的目標對象包括未上市公司時／針對調查研究公司的聰明下單法／收集具主觀元素之資料時的注意事項／資料的統整方法
09針對經營策略的分析步驟④ 分析與結果的判讀解析
簡單的加總統計的兩個限制／運用逐步排除法和人眼來做變數選擇／分析結果的解析實例與基礎知識／更仔細的分析方法，以及不建議過度仔細分析的原因／與其嚴謹驗證，不如採取快速的小規模行動
10本章總結
統計學補充專欄Ⅰ：關於變異量成分分析或是混合效果模型

第2章 用於人事的統計學

11有雇到優秀的人才嗎？
所謂「人才甚於策略」之事實／基於科學證據的Google聘僱流程／一般的「面試」其實沒什麼用
12一般智力與權變理論
「會唸書的人工作也做得好」具有三成的正確性／經由領導力研究所發現的權變理論／從整合分析看見的「工作取決於合適性」／只看重「俐落爽朗高學歷」是非常可惜的
13針對人事的分析步驟① 設定分析的目標對象
只要有幾十個人就可進行分析／分析單位的擴展及分割方式
14針對人事的分析步驟② 思考應分析哪些變數
人事的成果設定是相當困難的／所謂「納入隨機性」的技巧／
廣泛收集各種可能的解釋變數
15針對人事的分析步驟③ 收集必要的數據資料
挖掘出埋藏在公司裡的數據／成果設定的注意事項：妥善補足缺乏的數據／解釋變數相關資料的擴充：人格特性的測量方式
16針對人事的分析步驟④ 分析所取得之資料
高度相關的解釋變數要做「變數縮減」／兩個相關項目的得分可合併計算／有數個項目彼此相關時，就採取「因素分析」／接著就決定要用多元回歸分析還是邏輯回歸
17針對人事的分析步驟⑤ 對分析結果做出解釋
邏輯回歸的解讀方法複習／有無「違反經驗或直覺的結果」呢？／應採取的行動：「改變」／應採取的行動：「替換」／人力資源管理措施的可能選擇―「ＨＰＷＰ」
18本章總結
統計學補充專欄Ⅱ：「設限」與「截斷」

第３章 用於行銷的統計學

19行銷策略與顧客中心主義
iPhone的需求真的是無法以研究得知的嗎？／仿效藍海策略的做法／統計學能夠戰勝天才的原因
20現代行銷的基礎知識
科特勒的行銷定義與常見的誤解／以誰為對象做生意？／要賣什麼，又要如何賣？
21針對行銷的分析步驟① 準備相關資料以釐清「要賣給誰？」
行銷的數據分析最少要做三輪／除了「極不可能的對象」外，全都是分析目標／首先分析單一來源的數據資料
22針對行銷的分析步驟② 進行分析以釐清「要賣給誰？」
不使用多元回歸分析和邏輯回歸的理由／建議採用「聚類分析」／找出良好的市場區隔正是聚類分析之目的
23針對行銷的分析步驟③ 準備相關資料以釐清「要賣什麼？」
定位＝要賣什麼？／好的定位要靠質化調查與量化調查的搭配組合／證實了行銷的力量的「真相運動」
24針對行銷的分析步驟④ 運用整合行為理論的質化調查
涵蓋了許多學術成果的整合行為理論／問題與調查問卷的具體製作方法
25針對行銷的分析步驟⑤ 分析數據並做解釋以釐清「要賣什麼？」
你可從分析知道些什麼？／這次要用多元回歸分析或邏輯回歸／思考定位的兩個方法
26針對行銷的分析步驟⑥ 進行分析以釐清「４Ｐ」
了解市場區隔中的目標對象／以試作樣品或傳單進行行銷測試
27本章總結
統計學補充專欄Ⅲ：決策樹分析與隨機森林

第４章 用於營運管理的統計學

28戴明所帶來的全新「管理」方式
造就了西南航空的成功的營運改善／創造出kaizen並支援了比爾・柯林頓的統計學家／該對付的是「在變動性背後造成影響的原因」
29從部分最佳到整體最佳
沈睡在公司內的廣大改善新領域／從「瓶頸」開始著手
30價值鏈與各部門的一般準則
價值鏈的概念／具體的成果與分析單位
31從業務用資料到分析用數據
首先從既有的資料開始分析／將資料轉化為可分析的形式／連結數據資料
32數據資料的品質提升與處理要點
所謂「完美資料」的陷阱／感覺到「侷促」就對了／不必勉強思考「假設」
33「為了洞察而分析」和「為了預測而分析」
何謂「為了預測而分析」／「為了洞察而分析」時，你的內隱知識便會成為武器／「為了預測而分析」之所以困難的兩個理由／失敗的Google流感病患預測
34自回歸模型與交叉驗證
自回歸模型概述／要小心過度學習／採取交叉驗證
35本章總結
統計學補充專欄Ⅳ：運用了集體智慧的預測手法

謝辭
參考文獻