數據變現：構建用數據驅動增長的策略和解決方案（簡體書）

現在，各類組織都積累了大量的信息，既有結構化數據信息也有非結構化數據信息，它們對來自網絡流量、銷售流程、內部分析和各種其他來源的數據進行了收集和存儲，但目前大多數組織都不具備能夠讓這些數據驅動財務業績增長的方法、工具和技術。本書講解的是通過利用決策架構、數據科學和引導分析的成熟技術，幫助各類組織提高收入或降低成本的方法。
本書提供了一個決策架構的方法論，幫助分析師和組織通過重複的流程、數據分析和數據變現的策略，增加收入或節省成本。此外，本書還提供為商業分析構建數據的技巧，以及一個便於理解聚合策略、數據質量和數據轉換的自動化操作，這一操作可將組織的非結構化信息轉化為可用的商業數據。

新的紅利是數據和方法論的紅利，真正從數據資產中盈利，將數據驅動增長落地

目 錄
中文版序言
譯者序
序言
致謝
關於作者

第 1篇　簡介
第 1章　簡介 // 2
1.1　決策 // 3
1.2　分析之旅 // 6
1.3　解決問題 // 7
1.4　調研顯示…… // 9
1.5　如何使用這本書 // 12
1.5.1　第 1篇：簡介 // 12
1.5.2　第 2篇：決策分析 // 13
1.5.3　第 3篇：變現策略 // 13
1.5.4　第 4篇：敏捷分析 // 14
1.5.5　第 5篇：實施啟用 // 14
1.5.6　第 6篇：案例研究 // 15
1.6　開始吧 // 15

第 2章　分析循環：推動優質決策 // 16
2.1　分析循環概述 // 17
2.1.1　開啟 // 20
2.1.2　診斷 // 23
2.1.3　行動 // 26
2.1.4　測量 // 26
2.1.5　數據 // 28
2.2　信息用戶層級 // 29
2.3　下一步 // 31

第 3章　決策架構方法論：彌補缺陷 // 32
3.1　方法論概述 // 33
3.2　探索發現 // 37
3.3　決策分析 // 39
3.4　變現策略 // 41
3.5　敏捷分析 // 41
3.5.1　數據開發 /分析結構 // 42
3.5.2　數據科學 /決策理論 // 43
3.5.3　引導分析 // 44
3.6　實施啟用 // 47
3.7　總結 // 50

第 2篇　決策分析
第 4章　決策分析：構建決策 // 52
4.1　分類樹 // 53
4.2　提問分析 // 57
4.3　關鍵決策 // 60
4.4　數據需求 // 64
4.5　行動杠杆 // 66
4.6　成功指標 // 68
4.7　再訪分類樹 // 71
4.8　總結 // 74

第 3篇　變現策略
第 5章　變現策略：讓數據產生收益 // 76
5.1　業務杠杆 // 78
5.2　變現策略框架 // 81
5.3　決策分析和敏捷分析 // 84
5.3.1　確定假設和確立選項 // 84
5.3.2　提問分析 // 85
5.3.3　關鍵決策 // 86
5.3.4　行動杠杆 // 87
5.3.5　成功指標 // 88
5.3.6　數據開發 // 89
5.3.7　數據科學 /決策理論 // 90
5.4　競爭和市場信息 // 94
5.5　總結 // 96

第 6章　變現指導原則：做實 // 97
6.1　優質數據 // 99
6.2　針對性 // 101
6.3　整體性 // 102
6.4　可行性 // 104
6.5　決策矩陣 // 105
6.6　以數據科學為基礎 // 106
6.7　變現價值 // 107
6.8　信心因素 // 109
6.9　可測量 // 111
6.10　動機 // 111
6.11　組織文化 // 112
6.12　推動創新 // 114

第 7章　產品盈利能力變現策略：個案研究 // 116
7.1　背景 // 116
7.2　業務杠杆 // 118
7.3　探索發現 // 120
7.4　決策 // 120
7.4.1　分類樹 // 120
7.4.2　提問分析 // 121
7.4.3　關鍵決策 // 122
7.4.4　成功指標 // 123
7.4.5　行動杠杆 // 125
7.5　數據科學 // 126
7.6　變現框架需求 // 126
7.7　決策矩陣 // 128

第 4篇　敏捷分析
第 8章　決策理論：理性 // 131
8.1　決策矩陣 // 132
8.2　概率 // 134
8.3　前景理論 // 137
8.4　選擇架構 // 138
8.5　認知偏誤 // 140

第 9章　數據科學：智能化 // 143
9.1　指標 // 144
9.2　閾值 // 147
9.3　趨勢和預測 // 149
9.4　相關分析 // 150
9.5　細分 // 153
9.6　聚類分析 // 155
9.7　速度 // 159
9.8　預測和解釋模型 // 161
9.9　機器學習 //162

第 10章　數據開發：有條不紊 // 164
10.1　數據質量 // 164
10.1.1　完備性 // 166
10.1.2　一致性 // 167
10.1.3　重複 // 167
10.1.4　符合性 // 168
10.1.5　準確性 // 168
10.1.6　完整性 // 168
10.1.7　及時性、可用性和歷史 // 169
10.2　髒數據，怎麼辦？ // 170
10.3　數據類型 // 170
10.3.1　元數據 // 170
10.3.2　數據世界 // 171
10.4　數據組織 // 173
10.4.1　數據移動 // 173
10.4.2　粒度 // 174
10.4.3　為分析構建 // 175
10.5　數據轉換 // 177
10.5.1　ETL業務規則轉換 // 178
10.5.2　分析和報告業務規則轉換 // 178
10.5.3　指標轉換 // 178
10.6　總結 // 181

第 11章　引導分析：使其相關 // 182
11.1　然後呢 // 182
11.2　引導分析 // 185
11.2.1　數據之聲 // 185
11.2.2　客戶之聲 // 187
11.2.3　客戶簽名 // 193
11.2.4　業務之聲 // 194
11.3　總結 // 198

第 12章　用戶界面（UI）：清晰 // 199
12.1　UI簡介 // 199
12.2　視覺調色板 // 200
12.3　少即是多 // 201
12.3.1　數據墨水比例 // 204
12.3.2　少即是多―但別過頭 // 208
12.4　只看一眼 // 210
12.5　模式感知的格式塔原則 // 213
12.6　融會貫通 // 214
12.6.1　色彩 // 214
12.6.2　視覺調色板的元素 // 218
12.6.3　優良格式塔―少即是多 // 220
12.7　總結 // 222

第 13章　用戶體驗（UX）：使其可用 // 223
13.1　效能負荷 // 223
13.1.1　認知負荷 // 224
13.1.2　工作記憶 // 224
13.1.3　注意力 // 225
13.1.4　運動負荷 // 226
13.1.5　選擇過載 // 227
13.2　順流而下 // 228
13.2.1　漸進呈現和決策架構 // 229
13.2.2　按需提供數據―將數據連接到決策 // 230
13.2.3　模塊化 // 231 13.3　命題密度 // 232
13.4　簡單性：複雜性的另一面 //