安德魯·羅曼·韋爾斯（ Andrew Roman Wells）是 Aspirent公司的首席執行官， Aspirent是一家專注於分析的管理咨詢公司。他有為許多公司建立分析解決方案的豐富經驗，從財富 500強到小型非營利組織。安德魯重點幫助組織利用他們的數據做出重要決策，通過變現策略帶動收入。他已經構建分析解決方案超過 25年，並很樂意與更多的讀者分享這些實用的方法、工具和技巧。

除了擔任高管之外，安德魯還是一位親力親為的顧問，從他在安永會計師事務所擔任咨詢顧問、建立報告解決方案之初起就一直是。他在硅谷完善了自己的技能，為兩家成功的初創公司工作，專注於客戶分析和使用預測方法來推動績效。安德魯在企業界也擔任過管理角色，在資本金融公司擔任商業智能總監期間，幫助推動了多項專利分析創新。從咨詢到創業公司，再到企業界，安德魯在通過分析推動增長方面擁有廣泛的經驗。他為許多行業和公司建立了解決方案，包括可口可樂公司、洲際酒店集團、家得寶公司、資本公司、富國銀行、惠普公司、時代華納公司、美林公司、應用材料公司等。

安德魯和妻子蘇珊娜住在亞特蘭大，他喜歡攝影、跑步和國際旅行。他是邁克爾·安德魯斯定制服裝公司（ Michael Andrews Bespoke）的合伙人。他還獲得了美國佐治亞大學工商管理學士學位，專注於金融和管理信息繫統。

凱茜·威廉斯·江（Kathy Williams Chiang）是一位成熟的商業分析從業者，擅長引導分析、分析數據集市開發和商業規劃。目前任偉門數據管理（Wunderman Data Management）公司商業洞察部副總裁。

江女士與 Aspirent一起完成了多個跨國客戶的眾多分析咨詢項目，其中包括洲際酒店集團和可口可樂公司等。她還曾在多個國家的公司工作，包括特立尼達和多巴哥電信服務公司、視力品牌照明公司、貝爾南方國際和波特曼海外公司。

江女士在設計和開發分析工具及能夠開啟並推動行動的管理儀表板方面經驗豐富，她在數據探索、分析、可視化和展示方面的技能非常嫻熟，並在電信、酒店和消費品行業開發了涵蓋客戶體驗、營銷活動、收入管理和網站分析的解決方案。

江女士是新奧爾良人，她以優異的成績獲得了路易斯安那州立大學的化學學士學位（績點 4.0），以及杜蘭大學的 MBA學位，同時也是 Phi Beta Kappa和門薩的成員。作為中美關繫正常化後批進入中國的美國人之一，江女士在具有挑戰性的條件下在中國東北生活了兩年，在那裡教英語、學普通話，並且遊覽了中國多個地方。在她的職業生涯中，她曾在美國、加勒比地區、英國、拉丁美洲國家 /地區和中國工作。

譯者介紹

高敬文，就職於暨南大學，擔任廣東省輿情大數據工程技術研究中心技術負責人、兼任復旦大學網絡空間治理研究中心特約研究員。專注於大數據技術在傳播及智慧城市領域的應用研究工作，參與多項廣東省科技廳重點國別雙邊聯合資助項目、*人文社會科學研究規劃項目、國家社科基金重大項目。

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重復 // 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
10.5.1ETL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
12.1UI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隻看一眼 // 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：復雜性的另一面 //234

13.5總結 // 235 

第 5篇實施啟用
第 14章敏捷方法：變得敏捷 // 237 
14.1敏捷開發 // 237 
14.2商海弄潮 // 238 
14.3敏捷分析 // 239 
14.3.1團隊運動 // 239 
14.3.2卡桑德拉效應 // 240 
14.3.3分析癱瘓 // 240 
14.3.4你想要什麼？你有什麼 // 241 
14.3.5一圖訴千言 // 242 
14.3.6不是每個孩子都美麗 // 242 
14.3.7早日見面，經常見面 // 243 
14.4總結 // 243

第 15章實施啟用：獲得采用 // 244 
15.1測試 // 244 
15.1.1企業項目 // 244 
15.1.2小型項目 // 247 
15.1.3版本控制 // 247 
15.2采用 // 248 
15.2.1訓練 // 248 
15.2.2推出 // 249 
15.3總結 // 252

第 16章分析型組織：組織起來 // 254 
16.1決策架構團隊 // 254 
16.1.1基於項目還是業務功能型 // 255 
16.1.2團隊能力 // 256 
16.1.3治理 // 259 
16.1.4合作 // 260 
16.1.5訓練 // 261 
16.2決策架構角色 // 261 
16.3行業專家 // 264 
16.4分析型組織的心態 // 265

第 6篇案例研究
第 17章案例研究：邁克爾 ·安德魯斯定制 // 268 
17.1探索發現 // 268 
17.1.1收入增長 // 268 
17.1.2客戶獲取 // 269
17.1.3客戶吸引 // 269 
17.1.4客戶留存 // 269 
17.1.5客戶類型 // 270 
17.1.6客戶生命周期 // 271 
17.1.7業務分析 // 272 
17.1.8經營績效 // 273 
17.1.9客戶表現 // 274 
17.1.10獲取 // 275 
17.1.11留存 // 276 
17.1.12變現業務杠杆 // 278 
17.1.13假設 // 278 
17.1.14下一步 // 280 
17.2決策分析 // 280 
17.2.1提問分析 // 280 
17.2.2分類樹 // 281 
17.2.3關鍵決策 // 283 
17.2.4行動杠杆 // 285 
17.2.5成功指標 // 285 
17.2.6決策架構 // 287 
17.3變現策略部分 // 288 
17.4敏捷分析 // 289 
17.4.1數據分析 // 289 
17.4.2數據開發 // 292 
17.4.3分析結構 // 295 
17.4.4轉換 // 296 
17.4.5數據科學 // 298 
17.4.6MAB客戶細分 // 303 
17.5變現策略第二部分 // 307 
17.5.1單次客戶 // 307 
17.5.2首年客戶 // 309 
17.5.3多年客戶 // 310 
17.5.4變現策略需求 // 310 
17.5.5決策矩陣 // 312 
17.6引導分析 // 317 
17.6.1績效儀表板 // 318 
17.6.2客戶屬性儀表板 // 319
17.6.3客戶細分儀表板 // 322 
17.6.4客戶吸引儀表板 // 322 
17.6.5客戶留存儀表板 // 325 
17.7閉幕 // 328
參考文獻 // 329

本書的目的是使您能夠通過分析解決方案（ analytical solutions）來建立變現策略，幫助管理人員和高管在數據海洋中找到可以提高收入的優質決策。但是，這個過程充滿了挑戰。個挑戰是對信息洪流加以提煉。我們有一個循序漸進的過程 —決策架構方法論，從假設直到建立分析解決方案。這個過程以變現策略為指導，您可以通過這個策略構建決策矩陣，對各種行動進行經濟上的權衡。通過引導分析，我們將向讀者展示如何構建分析解決方案，並利用 UI/UX的規範來呈現能給人留下深刻印像的故事，以及開發令分析解決方案自動化的儀表板。

我們的方法的真正威力來自於將一繫列學科知識、方法、工具和技能整合到一個結構化的過程中，包括數據科學、決策理論、行為經濟學、決策架構、數據開發與架構、UI/UX開發和儀表板開發。將這些學科知識集成到一個無縫的過程中是難能可貴的。我們的方法論將它們整合起來，以一種易於理解的、循序漸進的方式來幫助組織構建解決方案，從而實現數據資產的變現。

以下是您將從本書中得到的收獲：
   將信息資產轉變為創收策略；
   為管理者提供引導性的體驗，幫助減少噪聲和認知偏誤；
   通過制定聚焦於變現策略的分析解決方案來使您的組織更具競爭力，而這些變現策略服務於您的組織目標；
   將您的分析轉化為可行的手段，而不再是簡單地“閱讀新聞”；
   通過數據變現來提高收入並降低成本。

本書不是教您將內部數據出售給其他公司或消費者，也不會深入探討學科的內容。相反，我們將為您提供各個相關學科和我們常用來構建這些解決方案的技術的概述。

對其中一位作者安德魯（ Andrew）來說，建立變現解決方案的過程始於 2003年，當時他是資本（Capital One）公司的商業智能（BI）總監。那個時代的標準是提供本質上隻是信息的分析。無論報告是用於營銷還是運營，信息都是自動生成的，將數據收集、分組並聚合到少數幾個關鍵指標裡，然後再顯示在報告中。安德魯當時不知道的是，這些報告缺乏產生行動的智慧和診斷框架。在那個時代，他所開發的解決方案為分析在總體上賦予了一定的經濟價值，但缺乏可以驅動高質量決策的獨立行動。在過去的十年裡，他一直致力於完善為客戶提供分析解決方案，並終產生了本書所描述的許多方法和技巧。

另一位作者凱茜（ Kathy），在她多年的商業規劃和預測工作中，一直因為無法探查到商業問題發生的根本原因而感到沮喪。當時， IT基礎設施的高成本限制了分析信息的傳遞，因為報告繫統中隻保留了聚合後的數據，失去了探索底層交易數據特性和關繫的能力。她於 2009年開始了在大數據世界的非凡旅程，當時她幫助特立尼達和多巴哥電信服務公司（ TSTT）開發了一個策略分析繫統，目標是將交易數據整合到業務規劃流程中。通過這項任務，凱茜學習了諸如 Tableau等數據可視化工具的強大功能，它們可以將管理者和分析人員直接連接到數據，並幫其認識到開發分析數據集市
的重要性，這可以防止人們陷入沮喪的困境。

在過去的幾年裡，凱茜和安德魯共同合作，構建了各種解決方案，幫助企業實現了數據變現，這些企業包括從財富 500強企業到收入不到 的企業。當我們剛開始著手解決這個問題時，關鍵挑戰之一就是開發方法的彼此孤立和分析信息的廣泛分散。分析師使用電子表格來完成他們大部分的分析工作；而數據科學家使用先進的統計學方法研究更復雜的分析問題； IT團隊擔心企業報告被四處分發給成百上千名用戶。那些往往能為組織帶來回報的小型分析項目，深陷孤島之間的鴻溝中，無法得到組織的關注。

在我們構建解決方案的過程中，我們注意到了當前方法和工具中的一些缺陷，促使我們從不同學科的實踐中開發出我們自己的方法。新工具正在彌補的一個缺陷，就是讓管理者不再難於接觸數據本身。在過去，如果一個管理者想要建立一個分析解決方案，他們往往隻能用微軟的 Excel進行分析，或者使用某個專用的 IT項目，而這個項目可能很耗費時間。今天，數據可視化和分析工具，如 Tableau、QlikView和 Power BI使普通企業用戶能夠直接訪問更大的數據量和範圍，同時無須消耗過多的 IT資源。向自助式分析的轉變將是未來幾年的一大趨勢。大部分 IT角色將轉變為企業級分析和為分析構建數據環境。這種新的範式將加快創新速度，因為新技術和更方便的數據訪問將為分析師賦能。

隨著工具變得越來越好，企業用戶可以直接訪問比以往更多的信息，但他們也正面臨新的問題：數據質量沒那麼完美，該如何處理？從前這一點被掩蓋在淨化過的報告解決方案下面。用戶現在必須學習數據清理技術以及認識到維護數據標準和數據質量的重要性。

隨著這些工具功能的增強，有一個好處是用戶界面（ UI）和用戶體驗設計（ UX）一功能得到了改善。分析解決方案的可用性往往取決於理解數據的能力，以及呈現數據的界面。我們現在看到了更漂亮的儀表板，但並未為具備可用性或是引導用戶理解故事進行必要的準備。隨著越來越多的分析師和管理人員開始創建自己的報告解決方案，他們往往會構建一個隻是幫助他們“閱讀新聞”的信息解決方案，而非建立一個能夠幫助他們做出決策、推進行動的診斷。
而我們會發現，有一個缺陷是與數據科學和決策理論有關的，它們尚未在分析解決方案中得到很好的部署。我們從幾年前開始將這些學科知識融入實踐中，現在這些學科知識已經成為不可或缺的組成部分。這些技術包括：選擇架構、理解認知偏誤、決策樹、聚類分析、細分、閾值和相關性。

很少有解決方案提供變現策略，允許管理者權衡各種行為的經濟價值。通過將這種方法添加到解決方案中，我們注意到，提供給客戶的可量化價值有了相當大的提高，並且這些分析解決方案也在被更多地使用。
彌補這些缺陷，並把它們整合起來是一個反復試驗的過程。有些工具在某些情況下會起作用，而在其他情況下不行；有的工具則完全不工作。經過幾次迭代，我相信我們的方法論已經做好了被更廣泛地接受的準備，這個方法論真正的獨特之處在於，彙集了多種學科知識和實踐，幫助組織建立分析解決方案來實現數據變現。在此，我們謙遜地與您分享我們的經驗、工具、方法和技巧。

第1 章簡介
信息大爆炸正在加速。通過我們日常使用的電子郵件、在線搜索、短信、博客，以及在臉書（Facebook）和優兔（YouTube）上發布的內容，就可以看出這一點。正在被創造出來和被抓取到的數據量是驚人的，它正衝擊淹沒著企業的圍牆。而新一波的大爆炸—機器之間彼此交談的物聯網時代的降臨，則讓我們的處境雪上加霜。此時此刻，信息的增長率可能會呈指數級增長。大衛·拉塞爾·席林（David Russell Schilling）在為新聞網站Industry Tap 撰寫的文章中，闡述了未來學家巴克敏斯特·富勒（Buckminster Fuller）的“知識倍增曲線”（Knowledge Doubling Curve）理論：

……截至1900 年，人類的知識每次翻倍大約需要一個世紀。到二戰結束時，知識每25 年翻一番。而今……人類的知識每13 個月翻一番。據IBM 稱，“物聯網”的建設將導致知識的翻倍周期變為12 個小時。

據高德納咨詢公司（Gartner）稱，到2020 年將會有多達250 億件物體被連接起來。當我們嘗試理解這個被湯姆 ·達文波特（Tom Davenport）稱為“事物的分析”的信息時，我們需要有效的方法和工具，用於將信息吸收提煉，轉化為具有可行性的、能帶來收入的洞見。如果沒有利用這些信息給公司帶來競爭優勢，那麼它們就沒有什麼價值。當今時代，公司如何解決信息變現這一難題呢？

僅僅使用數據挖掘這一種方法會導致不一致的結果。吸收海量數據集能讓企業進行多次數據測試，發現潛在模型，但是如果經理人不能有效地利用其中的關聯性來提高業務表現的話，是不會有所收益的。純粹的數據挖掘通常隻是在無窮盡地搜索數據的真正含義。

上 文 引 自 鮑 達 民（Dominic Barton） 和 大 衛· 考 特（David Court）發表於《哈佛商業評論》的文章《大數據實用指南——讓高級分析工具 為 你 服 務 》（Making Advanced Analytics Work for You），可口可樂公司的商務部門主任（Director of Trade Capability） 詹森· 賴林（Jason Reiling）進一步強調了這個想法，他評論說：“如果我們不將數據的業務用途與待驗證的假設和總體目標聯繫起來，就會出現數據本身主導分析的情況，而非由業務來主導數據。”這總結了目前數據分析中存在的挑戰之一：各類機構期望通過對問題“砸”數據的方式來找到問題的解決之道，而非理解業務問題，並針對它使用正確的數據和方法。

從現在開始愈發重要的是將信息編碼提煉為有意義的洞見的能力，而不一定是數據量的多寡。由於缺乏繫統完善的方法、工具、技巧和資源公司正陷入對這一問題的苦戰中。如果它們能夠解決這個挑戰，就將具有明顯的競爭優勢。然而，這隻解決了部分問題；即便掌握了相關的信息，公司仍無法避免陷於不良決策之中。

1.1決策
收集和綜合這些信息的終目標是為高管和經理提供洞見，從而做出更好的決策。決策是業務的核心，也是大多數管理人員實現成果有力的工具。決策的質量將直接影響到組織的成功。為組織領導、管理人員和分
析師提供一次性的培訓課程和會議，期望他們根據有限的知識和直覺來做出高質量的決策，已經不再是可行的做法了，因為比以往任何時候都多的信息在等待他們處理。新的挑戰是從海量信息中提煉出可行的、使組織從
中獲益的決策。

不幸的是，僅僅提煉信息是不夠的。從決策疲勞（decision fatigue）到認知偏誤（cognitive bias），有許多因素會破壞我們做出優質決策的能力。一種改善決策的途徑是參考實踐和組織的集體智慧，但是這種實踐並
未被廣泛執行。埃裡克·拉森（Erik Larson）針對500 多名經理和管理人員的研究表明，隻有2% 的人在做出決定時應用了這些實踐，而擁有改善決策的方案的公司甚至更少。

當高管沒有依據實踐或數據進行決策時，往往會依賴於自己的直覺或“本能”。這種類型的決策充滿缺陷，並經常伴隨著影響選擇的認知偏誤。認知偏誤是指由於個人偏好和信仰導致的判斷上的偏差。例如，確認偏誤（confirmation bias）是刻意尋找特定信息以證實我們既有觀點和想法的傾向。這些偏
誤會扭曲我們的判斷，導致出現選擇上的錯誤。

另一個不良決策的罪魁禍首是諸如情緒等影響我們決策的隱性因素。例如，讓我們觀察兩位身處不同地區的現場經理的用人決策。雇用誰、何時雇用或解雇某人，這些決策都基於很少的數據而非大量的訓練。兩位經理的決策可能會大相徑庭，因為他們的諸多差異：從業時間、不同類型的從業經歷、特定日子的情緒以及當時生活中可能發生的其他因素。即使面臨相同的情況，這兩個人也可能對員工的配置做出不同的決定。這種類型的決策差異就是《決策的隱形賦稅：噪聲》（Noise: How to Overcome the High, Hidden Cost of Inconsistent
Decision Making）一文中作者所說的“噪聲”。

問題是，人類並非可靠的決策者；他們的判斷受到不相關因素嚴重影響，比如當時的情緒，距離上一次就餐的時間以及天氣。我們將這種隨機變量稱為“判斷噪聲”。對很多公司的利潤而言，噪聲都是一筆隱形成本。
若干研究已經證明，噪聲無處不在。學術研究者已反復證實，專業人士在不同情景下處理同樣的數據，往往給出互相矛盾的判斷。例如，當軟件開發者在不同的兩個工作日中被問及完成某任務的時間，他們預估的時
間平均相差71%。當病理學者對活組織檢查結果的嚴重性進行兩次評估時，他們評分之間的關聯性隻有0.61（理想情況是1.0）。這意味著他們做出不一致的診斷很常見。

除了噪聲外，決策的另一個障礙是“決策疲勞”。決策疲勞是指您在不斷做出決策的一天中，將越來越難做出好的決策。例如，科學家史艾·丹齊格（Shai Danziger）、喬納森·拉維夫（Jonathan Levav）和利奧拉·阿夫
男- 佩索（Liora Avnaim-Pesso）研究了某個假釋法庭中法官做出的1112 次判決，並分析了有利判決二在一天之中的變化狀況。研究發現，在一天開始時有65% 左右的有利判決，而到當天結束時則接近於零。支撐他們做出優質決策的內在資源被漫長一天中累積的疲勞所耗盡，這導致一天結束時很少出現有利判決。

決策面臨的另一個挑戰是公司規模。據一位負責財富50 強（Fortune 50）企業分析工作的高管所言，“大型組織的內部挑戰是決策的巨大障礙”。她指出，由於在大型矩陣式企業環境中傳播信息所需的努力程度，建立針
對特定市場的洞察耗時可達一年半。決策的初心在繁多的決策環節中被不斷削弱，拖累了推向市場的速度。

如何纔能解決這些影響我們做出優質決策的因素？一種方法是自動化全部或部分決策過程。《決策的隱形賦稅：噪聲》的作者隨後在文中寫道：

人們早已知道，簡單統計學算法做出的預測和決策往往比專家更準確，哪怕專家能獲得比算法更多的信息。但鮮有人知的是，算法的關鍵優勢在於沒有噪聲：與人類不同，輸入相同信息，公式得出的結果也相同。因為穩定十足，哪怕是簡單甚至有瑕疵的算法，也比人類專家的準確性高。

我們推動組織做出更優質決策的方法是創建嵌入式分析解決方案，以幫助管理人員為其所在機構制定數據驅動的有變現價值的決策，從而展開行動。我們的做法得到了大量依據的支持。在安德魯·麥卡菲（Andrew
McAfee）和埃裡克·布林約爾松（Erik Brynjolfsson）的一項研究中發現，“運用大數據做決策的那些居行業前三分之一的企業，比其競爭對手在產能上高5%，利潤上高6%。”

1.2分析之旅
不同的公司處於分析之旅的不同階段，它們所擁有的開發分析解決方案的能力也參差不齊。在過去十年中，公司已投資建立團隊和利用工具來獲取洞見，以取得競爭優勢。那些走得遠的公司已經在收割勝利的果實了。

哈佛商業評論分析服務（Harvard Business Review Analytics Services）團隊進行了一項關於公司內部分析成熟度的研究，結果表明，“在將自己所在機構描述為同類的受訪者中，有超過半數稱其所在機構的年收入
在過去兩年中增長了10% 以上。與此形成鮮明對比的是，三分之一的‘自稱落後者’則表示，他們所在的機構收入呈持平或下降態勢。”

多項研究均得到了類似的結果：利用數據提高其決策表現的公司正以更高速度勝過其競爭對手。盡管如此，大多數分析應用程序背後的技術仍不夠成熟，缺乏提供完整解決方案的功能。在哈佛商業評論分析服務團隊的Analytics That Work: Deploying Self-Service and Data Visualizations for Faster Decisions（分析工作：部署自助服務和數據可視化以加快決策）文中提到，他們在一項對超過827 名業務管理人員的調查中發現了由於欠
缺工具使用能力而導致的挫敗感。

“大多數現有的報告工具隻是蜻蜓點水，‘Contractually 公司的米爾（Mier）說。’它們在理解基礎數據結構方面有頗多局限，起到的作用言過其實。這導致了公司無法建立一個有效框架，用以解決復雜問題、形成假
設以及理解數據層次。”

這一點更加復雜，因為大多數解決方案隻是簡單地幫助管理者“閱讀新聞”，這意味著所提供的數據沒有任何可操作性，而隻是信息本身。如果僅僅依靠技術來提供這個程度的功能，那麼仍然無法接近“例外管理”這一難以企及的目標。

1.3解決問題
本書的目的是使您能夠構建分析解決方案，為管理人員在數據海洋中做出優質決策保駕護航。然而，這個過程充滿挑戰。個挑戰是精煉大量的信息。我們有一個循序漸進的過程來幫助您從假設到數據再到指標，以構建分析解決方案。我們提供技術來指導決策者戰勝困難免受偏誤或噪聲的影響。

此過程由您的變現策略引導，您可以在其中制定決策矩陣（decision matrixes）， 從而權衡各種行動的利弊。通過引導分析（guided analytics），我們向您展示如何構建分析解決方案，利用UI /UX 的專業知識講述令人印像深刻的故事，並進行儀表板開發來實現自動化分析解決方案。

後，我們將從內部能力、組織結構和采用技巧等方面，為您的機構制定解決方案提供建議。我們的方法論—決策架構（Decision Architecture），提供了一種解決這些挑戰的方法，並構建了一套分析解決方案來幫
助您的機構實現數據變現。這個方法的真正威力來自於將一繫列學科知識、方法、工具和技能整合到一個結構化的過程中，包括數據科學（Data Science）、決策理論（Decision Theory）、行為經濟學（Behavioral Economics）、決策架構、數據開發與架構（Data Development and Architecture）、UI/UX 開發（UI/UX Development）和儀表板開發（Dashboard Development）。將這些學科知識集成到一個無縫的過程中是難能可貴的。我們的方法論將它們整合起來，以一種易於理解的、循序漸進的方式來幫助組織構建解決方案，從而實現數據資產的變現。

以下是您將從本書獲得的收益：
（1）將信息資產轉變為創收策略；
（2）明確您的機構的目標，以與之相關的變現策略為中心，構建分析解決方案，使您的組織更具競爭力；
（3）為管理人員提供自主分析解決方案，以得到更高質量的決策；
（4）為管理者提供引導性的體驗，幫助減少噪聲和認知偏誤；
（5）提升機構的分析成熟度；
（6）利用嵌入式分析技術，將機構中的集體智慧彙入可重復使用的分析解決方案之中；
（7）將您的分析轉化為可行的手段，而不再是簡單地“閱讀新聞”；
（8）通過數據變現來提高收入並降低成本。

本書不是教您將內部數據出售給其他公司或消費者，也不會深入涉及各個學科的內容。相反，我們為您提供的是一個整體圖景——關於各個相關學科和我們常用來構建這些解決方案的技術。

1.4調研顯示……
為了開創我們的道路，我們對各個學科進行了廣泛的研究。此外，我們還采訪並調研了分析社區的75 餘名專業人士，他們就職於40 多家範圍涵蓋從財富500 強到收入不足1的公司。終我們得到了一些有趣
的深度結論。

我們獲得的個結論是，我們所調研的組織的成熟度水平正在逼近良好的分析成熟度曲線（analytical maturity curve）。大多數組織進入了統計建模（Statistical Modeling）層面，一些企業開始涉及更深入的領域。圖1.1 顯示了受訪組織的成熟度級別。

（更多精彩內容請翻閱圖書）