數據變現》
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復的流程、數據分析和數據變現的策略，增加收入或成本。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。

《首席增長官》
增長是企業永恆的主題，是商業的本質。
人口紅利和流量紅利的窗口期正在關閉，曾經“流量為王”所帶來的成功經驗正在失效，所造成的思維邏輯和方法論亟待更新。在互聯網下半場，企業要如何保持增長？傳統企業是否能跟上數字化轉型的腳步，找到新興業務的增長模式？為什麼可口可樂公司用首席增長官取代了首席營銷官職位？
數據驅動增長正在成為企業發展的必需理念，首席增長官、增長團隊和增長黑客將是未來商業的趨勢，其巨大價值將逐漸呈現。
本書內容包括首席增長官的崛起及向首席增長官進階的三個階段（第1~2章）、增長框架的學習引擎模型和用戶增長模型（第3~4章）、不同崗位和不同行業做增長的方案（第5~6章），幫助讀者搭建一個完整的增長知識體繫。本書適合企業的管理者、市場營銷、互聯網運營、產品經理、客戶服務、分析師、工程研發等讀者閱讀，無論是一線員工還是中、高層管理者，都可以從本書找到感興趣的內容。傳統行業的讀者，更能通過本書迅速了解互聯網工作的全貌，掌握的實戰技能。

《數據戰略》
數據正在徹底改變所有人做生意的方式。然而，目前所有數據被分析和使用的比例不到0.5%。商業領袖和管理者不能對數據漠不關心或保持懷疑，因為視數據為戰略資產的公司纔會生存並茁壯成長。
本書是創建一個強大的數據戰略的的指南，書中解釋了如何確定戰略性數據需求，用什麼方法來收集數據，*重要的是，如何將數據轉化為組織改善商業決策和績效的見解，為需要從大數據、分析和萬物互聯中獲利的組織提供了工具和戰略，是每一位旨在利用自己的業務數據的價值以獲得競爭優勢的讀者的基本讀物。
本書包含各種案例研究和真實的例子，介紹了如何弄清戰略數據資產和數據受眾群體；如何收集所需的數據，制定全新的數據收集方法；如何通過預測分析和機器學習獲得*大收益；如何擁有適當的技術、數據基礎設施和關鍵數據能力；如何確保擁有有效的安全和管理體繫，避開經濟、法律和聲譽問題。

《數據變現》
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Capital One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、Capital One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首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。

《首席增長官》
張溪夢（Simon Zhang），GrowingIO 創始人兼CEO
    張溪夢曾在硅谷有13年數據分析經驗，創辦 GrowingIO 之前在 LinkedIn 任美國商業分析部高級總監，親手建立了 LinkedIn 近百人商務分析和數據科學團隊，支撐 LinkedIn 所有與營收相關業務的高速增長。2013年，Data Science Central 評選其為“世界前十位前沿數據科學家”。
   2015年5月，張溪夢回國創辦了基於用戶行為的新一代數據分析產品 GrowingIO。GrowingIO 首推國內領先的“分析工具 運營咨詢 持續增長”數據服務體繫，幫助企業構建數據運營閉環，用數據驅動企業增長。

《數據戰略》

伯納德•馬爾（ Bernard Marr），國際知名的商業暢銷書作家，多家公司和多個政府機構的主題發言人兼戰略顧問。他是商業數據領域的全球人士，被 LinkedIn（領英）公認為全球前五大*具商業影響力人士之一。

伯納德經常為世界經濟論壇（ World Economic Forum）撰稿，也曾為《福布斯》雜志和 LinkedIn Pulse定期撰寫專欄文章，他的專家評論經常出現於 BBC新聞、天空新聞和 BBC世界等電視媒體和廣播，以及《泰晤士報》《金融時報》《CFO期刊》《華爾街日報》等知名刊物中。

伯納德 •馬爾撰寫了大量開創性的書籍和數百篇引發轟動的報告及文章，其中包括國際暢銷書 Big Data in Practice: How 45 successful companies used big data analytics to deliver extraordinary results（《大數據在實踐中： 45家成功的公司如何使用大數據分析來提供非凡的結果》）、 Big Data: Using SMART big data, analytics and metrics to make better decisions and improve performance（《智能大數據 SMART準則：數據分析方法、案例和行動綱領》）、Key BusinessAnalytics：The 60 business analysis tools every manager needs to know（《關鍵業務分析：所有管理者都需要了解的 60種業務分析工具》）、The Intelligent Company（《智能公司》）以及 Dummies（傻瓜學）繫列叢書中的 Big Data for Small Business（《大數據專家：小企業也能用好大數據》）。

伯納德•馬爾曾與許多世界知名機構合作並提供咨詢服務，其客戶包括埃森哲咨詢、阿斯利康制藥、英格蘭銀行、巴克萊銀行、 BP（英國石油）、思科、 DHL（敦豪快遞）、Fujitsu（富士通）、Gartner（高德納咨詢）、HSBC（彙豐銀行）、IBM、Mars（瑪氏）、英國國防部、微軟、北大西洋公約組織、 Oracle（甲骨文）、英國內政部、 NHS（英國國家醫療服務署）、法國 Orange電信、Tetley（泰特利茶業），T-Mobile、 Toyota（豐田汽車）、英國皇家空軍、 SAP、Shell（殼牌石油）、聯合國以及沃爾瑪等。

《數據變現》
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

《首席增長官》
目錄
推薦序
前言
致謝
第1章首席增長官的崛起
1.1什麼是首席增長官 // 1
1.1.1可口可樂設立首席增長官 // 1
1.1.2越來越受歡迎的首席增長官 // 2
1.2為什麼會出現首席增長官 // 4
1.2.1市場：紅利消退、增長放緩、競爭加劇 // 5
1.2.2客戶：從被動接受信息到主動選擇產品 // 8
1.2.3技術：為用戶生命周期提供數據洞察力 // 9
1.2.4管理：從職能型組織向增長型組織進化 // 11
1.3首席增長官是做什麼的 // 12
1.3.1首席增長官的定位 // 13
1.3.2首席增長官的角色 // 14
1.3.3首席增長官的職責 // 16
1.4案例：LinkedIn增長的秘密武器 // 17
1.4.1六年間40倍增長 // 17
1.4.2首席增長官的力量 // 18
1.4.3增長是對商業本質的洞察 // 20
1.4.4LinkedIn的增長策略 // 22
1.4.5用數據驅動用戶增長 // 23
1.4.6公司自上而下對數據驅動文化的認同 // 24
第2章從增長黑客到首席增長官
2.1首席增長官進階的三個階段 // 26
2.2增長黑客 // 27
2.2.1增長黑客概念的提出 // 27
2.2.2增長黑客的能力模型 // 30
2.3增長團隊 // 31
2.3.1增長團隊的組織架構 // 31
2.3.2增長團隊的組建和分工 // 34
2.4首席增長官 // 36
2.4.1問題和解決方案匹配時期 // 37
2.4.2小可行性產品時期 // 37
2.4.3產品和市場匹配時期 // 37
2.4.4渠道和產品匹配時期 // 38
2.4.5成熟期 // 39
第3章增長框架
3.1增長框架的概述 // 41
3.1.1學習引擎模型 // 41
3.1.2用戶增長模型 // 44
3.2正確的增長目標：北極星指標 // 46
3.2.1北極星指標的重要性 // 46
3.2.2關於北極星指標的兩個案例 // 47
3.2.3制定北極星指標的六個標準 // 49
3.3高效的衡量技術：數據采集 // 51
3.3.1什麼是用戶行為數據 // 51
3.3.2埋點采集數據 // 54
3.3.3無埋點采集數據 // 57
3.3.4一站式數據采集解決方案 // 59
3.4科學的學習方法：數據分析 // 61
3.4.1數據分析的戰略思維 // 62
3.4.2數據分析的三大思路 // 65
3.4.3數據分析的八種方法 // 69
第4章用戶增長模型
4.1獲取用戶 // 77
4.1.1受眾 // 77
4.1.2獲客成本 // 78
4.1.3用戶旅途 // 79
4.1.4案例解讀 // 86
4.2激活用戶 // 88
4.2.1激活的概念和意義 // 88
4.2.2激活繫統四大組成部分 // 89
4.2.3To C 端用戶激活案例 // 92
4.2.4To B 端用戶激活案例 // 95
4.3用戶留存 // 98
4.3.1什麼是真正的用戶增長 // 98
4.3.2留存分析框架 // 99
4.3.3新用戶留存分析 // 100
4.3.4產品功能留存分析 // 106
4.4用戶營收 // 109
4.4.1營收的兩種方式 // 109
4.4.2用戶付費：以轉化為核心 // 111
4.4.3廣告收入：以黏性為核心 // 114
4.5用戶推薦 // 117
4.5.1推薦體繫的組成 // 117
4.5.2衡量推薦的兩大指標 // 121
4.5.3推薦的經典案例：Airbnb // 122
第5章各崗位的數據驅動增長實戰
5.1市場營銷：渠道、流量、轉化 // 125
5.1.1市場營銷人員的工作重心 // 125
5.1.2優化獲客渠道 // 125
5.1.3監測投放鏈接 // 132
5.1.4優化落地頁面 // 136
5.2產品研發：數據驅動產品優化和迭代 // 139
5.2.1從產品研發流程談起 // 139
5.2.2產品分析的基本概念 // 141
5.2.3產品數據分析流程 // 145
5.2.4產品數據分析方法 // 149
5.3運營：用數據分析做運營增長，你需要做好這四個方面 // 153
5.3.1流量運營：多維度分析，優化渠道 // 153
5.3.2用戶運營：精細化運營，提高留存 // 156
5.3.3產品運營：用數據來分析和監控功能 // 157
5.3.4內容運營：精準分析每一篇文章的效果 // 158
5.3.5運營實戰案例 // 160
5.4數據分析師：用數據驅動增長 // 165
5.4.1數據分析師的發展歷史 // 166
5.4.2數據分析師的組織架構 // 167
5.4.3數據分析師的增長技能 // 169
5.4.4數據分析師的實戰案例 // 173
5.5客戶成功：以留存續約為核心 // 174
5.5.1客戶成功經理的誕生背景 // 174
5.5.2客戶成功經理的工作職責 // 176
5.5.3客戶成功經理的數據看板 // 178
5.5.4客戶成功經理的實戰案例 // 180
第6章不同行業的數據驅動增長實戰
6.1電商：電商精益化運營的五大關鍵指標和三個關鍵思路 // 183
6.1.1電商行業的五大關鍵指標 // 183
6.1.2商品運營：流量優化和品類優化 // 184
6.1.3用戶運營：提高用戶留存和復購 // 188
6.1.4產品運營：提高轉化效率 // 190
6.2在線旅遊:如何提升購買轉化率 // 192
6.2.1用戶旅途概述 // 193
6.2.2渠道優化 // 194
6.2.3落地頁優化 // 198
6.2.4搜索優化 // 201
6.2.5用戶整合 // 205
6.3互聯網金融：如何促進高成單、高轉化 // 206
6.3.1互聯網金融平臺的增長 // 206
6.3.2互聯網金融平臺的三大增長模型 // 208
6.3.3互聯網金融用戶的四大行為特征 // 211
6.3.4精細化運營的三大步驟 // 213
6.3.5理財業務：提升整體成交額 // 213
6.3.6貸款業務：提升注冊轉化率 // 222
6.4互聯網 ：打通線上線下數據，驅動鏈家增長 // 226
6.4.1什麼是增長 // 226
6.4.2增長遇到的挑戰 // 227
6.4.3鏈家如何打通線上線下數據 // 229
6.4.4如何用線上數據分析驅動增長 // 234
後記

《數據戰略》
贊譽
致謝
作者簡介
第 1章為何說當下業務無不是數據業務// 1 
1.1大數據和物聯網的驚人增長// 1 
1.2數據驅動的勇敢新世界// 2 
1.3我們是否正在逼近人工智能// 7 
1.4數據正在如何徹底改變我們的商業世界// 10 
1.4.1數據在商業中的基本作用// 10 
1.4.2智能工廠與工業 4.0// 14 
1.4.3自動化及其對就業的現實威脅// 16 
1.4.4區塊鏈技術：是否是數據和企業的未來 // 18 
1.5所有業務都必須成為數據業務// 19 
1.5.1一切以數據戰略為起點// 20 
1.5.2你的公司是否需要首席數據官// 21
注解// 23
第 2章戰略性數據需求的確定// 25
2.1以數據提高企業的決策質量// 26 
2.1.1利用數據更好地了解客戶和市場// 27 
2.1.2在一個意想不到的場景，讓數據為你而動// 29 
2.2利用數據改善運營// 30 
2.2.1通過數據獲得內部效率// 31 
2.2.2亞馬遜：如何以數據優化業務流程並增加銷售額 // 33 
2.2.3優步：如何以數據優化運輸 // 34 
2.2.4羅爾斯•羅伊斯：如何以數據驅動制造業成功 // 35 
2.3商業模式的轉型：將數據作為企業資產 // 37 
2.3.1如何以數據提升企業價值// 37 
2.3.2將數據轉化為新的收入源泉// 38 
2.4隻有正確的數據纔是有意義的，並非所有數據都是有價值的 // 40
2.5為數據提供強有力的商業案例// 42
注解// 43
第 3章使用數據改善商業決策// 44 
3.1明確你的關鍵性業務問題// 44
3.1.1好問題帶來更好的答案// 46 
3.1.2針對顧客、市場和競爭者的問題// 47 
3.1.3有關財務的問題// 52 
3.1.4有關內部運營的問題// 55 
3.1.5有關人員的問題// 57 
3.2數據的可視化及溝通洞見// 60 
3.2.1是否每個人都應有權訪問數據// 61 
3.2.2告別電子表格，迎接數據可視化時代// 63 
3.2.3以視覺與文字的融合發揮效果// 64 
3.2.4虛擬現實和數據可視化的未來// 65
注解// 66
第 4章使用數據改善企業運營// 67
4.1利用數據優化運營流程// 68 
4.1.1數據如何改善制造過程// 68 
4.1.2如何以數據強化倉儲和配送// 70 
4.1.3如何以數據增強業務流程// 71 
4.1.4如何以數據強化銷售及營銷流程// 75 
4.2以數據改善顧客供應// 78 
4.2.1為客戶提供更優服務// 78 
4.2.2提供更好的產品// 81
注解// 84
第 5章數據的貨幣化// 85 
5.1增加企業價值// 86 
5.2數據本身成為企業核心資產// 87
5.3由企業數據處理能力創造的價值// 90 
5.4向顧客或利益相關者出售數據// 91
5.5理解用戶生成數據的價值// 96
第 6章數據的取得與收集// 98 
6.1了解不同類型的數據// 99
6.1.1對“大數據”的定義// 100 
6.1.2結構化數據的定義// 101 
6.1.3非結構化數據和半結構化數據的定義// 103 
6.1.4內部數據的定義// 105 
6.1.5外部數據的定義// 106 
6.2更多的新型數據// 108 
6.2.1活動數據// 108 
6.2.2對話數據// 109 
6.2.3照片和視頻數據// 110 
6.2.4傳感器數據// 111 
6.3內部數據的收集// 111
6.4外部數據的訪問// 113
6.5如果你需要的數據尚不存在// 116
注解// 117
第 7章將數據轉化為洞見// 118 
7.1分析技術的進化方式// 119 
7.2了解不同類型的分析技術// 120 
7.2.1文本分析// 121 
7.2.2情感分析// 122 
7.2.3圖像分析// 122 
7.2.4視頻分析// 123 
7.2.5語音分析// 124 
7.2.6數據挖掘// 124 
7.2.7業務實驗// 125 
7.2.8視覺分析// 126 
7.2.9相關性分析// 126 
7.2.10回歸分析// 127 
7.2.11情景分析// 128 
7.2.12預測 /時間序列分析// 129 
7.2.13蒙特卡羅模擬法// 129 
7.2.14線性規劃// 130 
7.2.15同期群分析// 130 
7.2.16因子分析// 131 
7.2.17神經網絡分析// 132 
7.2.分析 /文獻分析// 133 
7.3高級分析：機器學習、深度學習和認知計算 // 133
7.4以不同分析技術的結合追求成功化// 137
第 8章技術和數據基礎架構的創建// 139
8.1“大數據即服務”：能成為企業的一站式解決方案嗎// 140
8.2收集數據// 143 
8.3存儲數據// 146 
8.3.1了解雲基礎 /分布式存儲繫統// 146 
8.3.2Hadoop概述// 148 
8.3.3Spark：Hadoop的替代品// 149 
8.3.4數據湖和數據倉庫的簡單介紹// 150 
8.4數據的分析和處理// 151
8.5提供數據訪問服務// 155 
8.5.1倡導數據管家的概念// 156 
8.5.2數據的溝通// 157
注解// 159
第 9章打造組織的數據能力// 160
9.1大數據技能短缺及其對企業的影響// 160
9.2建立內部技能和競爭力// 163 
9.2.1五種基本的數據科學技能// 163 
9.2.2招募新人纔// 166 
9.2.3為現有人員提供培訓並提高其工作技能// 168 
9.3將數據分析業務外包// 170 
9.3.1與數據服務供應商合作// 170 
9.3.2Kaggle：眾包數據科學家// 172
注解// 175
第 10章不要讓數據成為負債：數據治理// 177 
10.1數據所有權和隱私方面的考慮// 178 
10.1.1擁有還是外購// 178 
10.1.2確保擁有合理權限// 179 
10.1.3將數據少化作為好的實踐// 180 
10.1.4理解隱私問題// 182 
10.2數據的安全問題// 187 
10.2.1數據洩露的重大影響// 187 
10.2.2物聯網的威脅// 190 
10.3踐行良好的數據治理// 192
注解// 194
第 11章數據戰略的執行和完善// 196
11.1把數據戰略付諸實踐// 196 
11.1.1態度是關鍵// 196 
11.1.2數據戰略為什麼會失敗// 198 
11.2創建數據文化// 201
11.3重新審視數據戰略// 203 
11.3.1調整企業需求// 204 
11.3.2持續演進的技術圖景// 204 
11.3.3遙望未來// 207
注解// 210

“計算機算法將控制我們生活的方方面面。本書將成為我們通過充分利用數據引導認識市場、參與競爭並在競爭中取勝的指南。” 
—亨裡克•範•希爾（Henrik von Scheel），Google顧問委員會委員

“數據戰略不僅適用於數據專業人士。伯納德 •馬爾告訴我們，數據戰略需要得到公司營銷、顧客關繫、產品和人纔戰略等部門的同等重視。按照我的經驗，數據戰略是所有部門取得成功的關鍵。我相信，伯納德•馬爾的這本書將為我們制定數據戰略提供一個寶貴的起點。我認為，本書融合了我掌握的很多經驗和教訓。假如你還沒有自己的數據戰略，本書*值得一讀。” 
—大衛•珀迪（David Purdy），Uber數據科學家

“如果你是一家公司的數據戰略負責人，但依舊苦於無法明確這項任務的規模以及建立數據驅動文化會帶來怎樣的回報，那麼，這本書將有助於你全面把握數據在當下商業世界中的方方面面，並為你提供一種應對這項任務的指導性架構。” 
—傑克•威廉姆斯（Jake Williams），Amazon零售戰略負責人

“本書通過形形色色的案例—小到一家連鎖店，大到全球家居知名品牌，讓一個原本復雜深奧的話題變得通俗易懂。在*著作《數據戰略：如何從大數據、數據分析和萬物互聯中獲利》中，伯納德 •馬爾以深入淺出、娓娓道來的對話風格，為許多試圖把握數據驅動型經濟的人解開了它背後的諸多基本要素。因此，對那些想深入了解人類如何在數據和設備的輔佐下不斷發展以及如何讓自己的組織把握這種脈絡的讀者來說，本書必將引起他們極大的興趣。” 
—加利斯•米切爾-瓊斯（Gareth Mitchell-Jones），IBM認知繫統負責人

“在當下競爭激烈的商業環境中，本書為我們繪制了一張*化數據價值的清晰、簡明而且令人振奮的路線圖。” 
—拉爾夫•布洛爾（Ralph Blore），Visa中央分析業務負責人

“當我們步入第四次工業革命時，伯納德 •馬爾告訴我們，隻有那些將數據視為戰略性資產的企業纔有可能生存和發展。他讓我們認識到，數據是如何改進決策、改善運營並通過產品或服務實現貨幣化的。他的*著作既是讓我們了解大數據各個方面的參考手冊，也是幫助我們利用大數據為組織創造價值的指南。不管我們如何看待不斷增長的數據和自動化運用，馬爾的專業化解讀都將為我們用數據塑造未來助一臂之力。” 
—安迪•魯賓（Andy Rubin），Pentland Brands董事長

“伯納德•馬爾化繁為簡的能力令人不可思議，他總能讓普通人讀懂*復雜的話題。伯納德在數據戰略方面的見解更是讓我們受益匪淺，畢竟，他真正理解如何創建一個全面的數據戰略，更重要的是，他還知道該如何讓我們接受這個過程。因此，我向那些想要擁有大數據領域實用指南的讀者強烈推薦本書。” 
—斯圖爾特•B.弗蘭克爾（Stuart B Frankel），Narrative Science首席執行官

“今天，利用數據驅動競爭優勢已從一種選項變成一種需求，而伯納德•馬爾為組織領導者提供了一張全面的路線圖，引導他們專注於繪制和評價自己的旅程。他在書中談到了從數字企業到小企業的諸多案例，這些案例引人入勝，娓娓道來，無不凸顯出數據戰略之於企業的重要性。這不僅有助於讀者提升企業價值，而且會幫助他們在技術、支持和數據選項紛繁復雜的世界中乘風破浪，不斷前行。” 
—安德魯•薩爾斯基（Andrew Salesky），嘉信理財（Charles Schwab）高級副總裁兼全球數據官

“伯納德•馬爾全面闡述了塑造數據戰略的各項關鍵要素，並以生動鮮活、極富說服力的案例強調了數據驅動型企業在當今數據經濟中的重要性。” 
—布倫特•德克斯（Brent Dykes），大數據創業公司 Domo數據戰略總監

“在本書中，伯納德 •馬爾談及了影響所有企業的一種巨大的變革力量。擁有一套強有力的數據戰略和一張數據科學路線圖，已成為深入組織基因的核心構成要素。而本書則提供了路線圖及大數據領域領導者對如何實現這個目標的諸多見解。” 
—威廉•莫肯（William Merchan），DataScience首席戰略官

“在一個需要我們衡量一切、分析一切的時代裡，伯納德 •馬爾為我們完美詮釋了成功企業必須回答的問題。” 
—丹•莫裡斯（Dan Morris），維亞康姆（ Viacom）數據平臺高級總監