数据新基建 数据战略 增长 变现 三部曲

《首席增长官》
全面引爆产品迭代、用户和收入增长的哲学！
增长黑客之父Sean Ellis作序推荐；LinkedIn联合创始人、Greylock 合伙人Reid Hoffman，经纬中国创始管理合伙人邵亦波，点融网CTO孔令欣，《增长黑客》作者、圣骑咨询创始人范冰 联袂推荐！
用更快的速度、更低的成本，使企业获得指数级增长，是一个企业的核心竞争力。数据驱动增长正在成为企业发展的必需理念，聘用首席增长官、增长团队和增长黑客将是未来商业发展的趋势，其巨大价值将逐渐呈现。
LinkedIn前美国商业分析部高级总监、GrowingIO创始人兼CEO张溪梦，首次开讲数据驱动增长方法论，并总结为“8字型”框架，旨在解决企业关于增长的痛点，帮助企业进入DT时代后，实现数据驱动增长思维的转型，真正帮企业将大数据分析以及大数据的应用落地。
精装、全彩，208幅原创插图清晰展示对5大岗位、4大行业、Facebook、LinkedIn、Pinterest、Airbnb、Dropbox、链家等来自硅谷和国内标杆公司的精彩解析！
《数据战略》
1.每一个老板和首席数据官都应该关注数据战略，因为通过数据战略，任何业务都可变为数据业务！
2.让数据改变商业，一本帮助企业做数字化转型的战略地图！
3.数字化转型期，互联网的下半场，通过数据战略，使企业获得新的增长点！

数据变现》
现在，各类组织都积累了大量的信息，既有结构化数据信息也有非结构化数据信息，它们对来自网络流量、销售流程、内部分析和各种其他来源的数据进行了收集和存储，但目前大多数组织都不具备能够让这些数据驱动财务业绩增长的方法、工具和技术。本书讲解的是通过利用决策架构、数据科学和引导分析的成熟技术，帮助各类组织提高收入或降低成本的方法。
本书提供了一个决策架构的方法论，帮助分析师和组织通过重复的流程、数据分析和数据变现的策略，增加收入或节省成本。此外，本书还提供为商业分析构建数据的技巧，以及一个便于理解聚合策略、数据质量和数据转换的自动化操作，这一操作可将组织的非结构化信息转化为可用的商业数据。

《首席增长官》
增长是企业永恒的主题，是商业的本质。
人口红利和流量红利的窗口期正在关闭，曾经“流量为王”所带来的成功经验正在失效，所造成的思维逻辑和方法论亟待更新。在互联网下半场，企业要如何保持增长？传统企业是否能跟上数字化转型的脚步，找到新兴业务的增长模式？为什么可口可乐公司用首席增长官取代了首席营销官职位？
数据驱动增长正在成为企业发展的必需理念，首席增长官、增长团队和增长黑客将是未来商业的趋势，其巨大价值将逐渐呈现。
本书内容包括首席增长官的崛起及向首席增长官进阶的三个阶段（第1~2章）、增长框架的学习引擎模型和用户增长模型（第3~4章）、不同岗位和不同行业做增长的方案（第5~6章），帮助读者搭建一个完整的增长知识体系。本书适合企业的管理者、市场营销、互联网运营、产品经理、客户服务、分析师、工程研发等读者阅读，无论是一线员工还是中、高层管理者，都可以从本书找到感兴趣的内容。传统行业的读者，更能通过本书迅速了解互联网工作的全貌，掌握必备的实战技能。

《数据战略》
数据正在彻底改变所有人做生意的方式。然而，目前所有数据被分析和使用的比例不到0.5%。商业领袖和管理者不能对数据漠不关心或保持怀疑，因为视数据为战略资产的公司才会生存并茁壮成长。
本书是创建一个强大的数据战略的必读的指南，书中解释了如何确定战略性数据需求，用什么方法来收集数据，*重要的是，如何将数据转化为组织改善商业决策和绩效的见解，为需要从大数据、分析和万物互联中获利的组织提供了工具和战略，是每一位旨在利用自己的业务数据的价值以获得竞争优势的读者的基本读物。
本书包含各种案例研究和真实的例子，介绍了如何弄清战略数据资产和数据受众群体；如何收集所需的数据，制定全新的数据收集方法；如何通过预测分析和机器学习获得*大收益；如何拥有适当的技术、数据基础设施和关键数据能力；如何确保拥有有效的安全和管理体系，避开经济、法律和声誉问题。

《数据变现》
目　　录
中文版序言
译者序
序言
致谢
关于作者

第 1篇　简介
第 1章　简介 // 2 
1.1　决策 // 3 
1.2　分析之旅 // 6 
1.3　解决问题 // 7 
1.4　调研显示…… // 9 
1.5　如何使用这本书 // 12 
1.5.1　第 1篇：简介 // 12 
1.5.2　第 2篇：决策分析 // 13 
1.5.3　第 3篇：变现策略 // 13 
1.5.4　第 4篇：敏捷分析 // 14 
1.5.5　第 5篇：实施启用 // 14 
1.5.6　第 6篇：案例研究 // 15 
1.6　开始吧 // 15

第 2章　分析循环：推动优质决策 // 16 
2.1　分析循环概述 // 17 
2.1.1　开启 // 20 
2.1.2　诊断 // 23 
2.1.3　行动 // 26 
2.1.4　测量 // 26 
2.1.5　数据 // 28 
2.2　信息用户层级 // 29 
2.3　下一步 // 31

第 3章　决策架构方法论：弥补缺陷 // 32 
3.1　方法论概述 // 33 
3.2　探索发现 // 37 
3.3　决策分析 // 39 
3.4　变现策略 // 41 
3.5　敏捷分析 // 41 
3.5.1　数据开发 /分析结构 // 42 
3.5.2　数据科学 /决策理论 // 43 
3.5.3　引导分析 // 44 
3.6　实施启用 // 47 
3.7　总结 // 50

第 2篇　决策分析
第 4章　决策分析：构建决策 // 52 
4.1　分类树 // 53 
4.2　提问分析 // 57 
4.3　关键决策 // 60 
4.4　数据需求 // 64 
4.5　行动杠杆 // 66 
4.6　成功指标 // 68 
4.7　再访分类树 // 71 
4.8　总结 // 74

第 3篇　变现策略
第 5章　变现策略：让数据产生收益 // 76 
5.1　业务杠杆 // 78 
5.2　变现策略框架 // 81 
5.3　决策分析和敏捷分析 // 84 
5.3.1　确定假设和确立选项 // 84 
5.3.2　提问分析 // 85 
5.3.3　关键决策 // 86 
5.3.4　行动杠杆 // 87 
5.3.5　成功指标 // 88 
5.3.6　数据开发 // 89 
5.3.7　数据科学 /决策理论 // 90 
5.4　竞争和市场信息 // 94 
5.5　总结 // 96

第 6章　变现指导原则：做实 // 97 
6.1　优质数据 // 99 
6.2　针对性 // 101 
6.3　整体性 // 102 
6.4　可行性 // 104 
6.5　决策矩阵 // 105 
6.6　以数据科学为基础 // 106 
6.7　变现价值 // 107 
6.8　信心因素 // 109 
6.9　可测量 // 111 
6.10　动机 // 111 
6.11　组织文化 // 112 
6.12　推动创新 // 114 

第 7章　产品盈利能力变现策略：个案研究 // 116 
7.1　背景 // 116 
7.2　业务杠杆 // 118 
7.3　探索发现 // 120 
7.4　决策 // 120 
7.4.1　分类树 // 120 
7.4.2　提问分析 // 121 
7.4.3　关键决策 // 122 
7.4.4　成功指标 // 123 
7.4.5　行动杠杆 // 125 
7.5　数据科学 // 126 
7.6　变现框架需求 // 126 
7.7　决策矩阵 // 128

第 4篇　敏捷分析
第 8章　决策理论：理性 // 131 
8.1　决策矩阵 // 132 
8.2　概率 // 134 
8.3　前景理论 // 137 
8.4　选择架构 // 138 
8.5　认知偏误 // 140 

第 9章　数据科学：智能化 // 143 
9.1　指标 // 144 
9.2　阈值 // 147 
9.3　趋势和预测 // 149 
9.4　相关分析 // 150 
9.5　细分 // 153 
9.6　聚类分析 // 155 
9.7　速度 // 159 
9.8　预测和解释模型 // 161 
9.9　机器学习 //162

第 10章　数据开发：有条不紊 // 164 
10.1　数据质量 // 164 
10.1.1　完备性 // 166 
10.1.2　一致性 // 167 
10.1.3　重复 // 167 
10.1.4　符合性 // 168 
10.1.5　准确性 // 168 
10.1.6　完整性 // 168 
10.1.7　及时性、可用性和历史 // 169 
10.2　脏数据，怎么办？ // 170 
10.3　数据类型 // 170 
10.3.1　元数据 // 170
10.3.2　数据世界 // 171 
10.4　数据组织 // 173 
10.4.1　数据移动 // 173 
10.4.2　粒度 // 174 
10.4.3　为分析构建 // 175 
10.5　数据转换 // 177 
10.5.1　ETL业务规则转换 // 178 
10.5.2　分析和报告业务规则转换 // 178 
10.5.3　指标转换 // 178 
10.6　总结 // 181

第 11章　引导分析：使其相关 // 182 
11.1　然后呢 // 182 
11.2　引导分析 // 185 
11.2.1　数据之声 // 185 
11.2.2　客户之声 // 187 
11.2.3　客户签名 // 193 
11.2.4　业务之声 // 194 
11.3　总结 // 198

第 12章　用户界面（UI）：清晰 // 199 
12.1　UI简介 // 199 
12.2　视觉调色板 // 200 
12.3　少即是多 // 201 
12.3.1　数据墨水比例 // 204 
12.3.2　少即是多—但别过头 // 208 
12.4　只看一眼 // 210 
12.5　模式感知的格式塔原则 // 213
12.6　融会贯通 // 214 
12.6.1　色彩 // 214 
12.6.2　视觉调色板的元素 // 218 
12.6.3　优良格式塔—少即是多 // 220 
12.7　总结 // 222

第 13章　用户体验（UX）：使其可用 // 223 
13.1　效能负荷 // 223 
13.1.1　认知负荷 // 224 
13.1.2　工作记忆 // 224 
13.1.3　注意力 // 225 
13.1.4　运动负荷 // 226 
13.1.5　选择过载 // 227 
13.2　顺流而下 // 228 
13.2.1　渐进呈现和决策架构 // 229 
13.2.2　按需提供数据—将数据连接到决策 // 230
13.2.3　模块化 // 231 13.3　命题密度 // 232 
13.4　简单性：复杂性的另一面 // 234 
13.5　总结 // 235 

第 5篇　实施启用
第 14章　敏捷方法：变得敏捷 // 237 
14.1　敏捷开发 // 237 
14.2　商海弄潮 // 238 
14.3　敏捷分析 // 239 
14.3.1　团队运动 // 239 
14.3.2　卡桑德拉效应 // 240 
14.3.3　分析瘫痪 // 240 
14.3.4　你想要什么？你有什么 // 241 
14.3.5　一图诉千言 // 242 
14.3.6　不是每个孩子都美丽 // 242 
14.3.7　早日见面，经常见面 // 243 
14.4　总结 // 243

第 15章　实施启用：获得采用 // 244 
15.1　测试 // 244 
15.1.1　企业项目 // 244 
15.1.2　小型项目 // 247 
15.1.3　版本控制 // 247 
15.2　采用 // 248 
15.2.1　训练 // 248 
15.2.2　推出 // 249 
15.3　总结 // 252

第 16章　分析型组织：组织起来 // 254 
16.1　决策架构团队 // 254 
16.1.1　基于项目还是业务功能型 // 255 
16.1.2　团队能力 // 256 
16.1.3　治理 // 259 
16.1.4　合作 // 260 
16.1.5　训练 // 261 
16.2　决策架构角色 // 261 
16.3　行业专家 // 264 
16.4　分析型组织的心态 // 265

第 6篇　案例研究
第 17章　案例研究：迈克尔 •安德鲁斯定制 // 268 
17.1　探索发现 // 268 
17.1.1　收入增长 // 268 
17.1.2　客户获取 // 269
17.1.3　客户吸引 // 269 
17.1.4　客户留存 // 269 
17.1.5　客户类型 // 270 
17.1.6　客户生命周期 // 271 
17.1.7　业务分析 // 272 
17.1.8　经营绩效 // 273 
17.1.9　客户表现 // 274 
17.1.10　获取 // 275 
17.1.11　留存 // 276 
17.1.12　变现业务杠杆 // 278 
17.1.13　假设 // 278 
17.1.14　下一步 // 280 
17.2　决策分析 // 280 
17.2.1　提问分析 // 280 
17.2.2　分类树 // 281 
17.2.3　关键决策 // 283 
17.2.4　行动杠杆 // 285 
17.2.5　成功指标 // 285 
17.2.6　决策架构 // 287 
17.3　变现策略第一部分 // 288 
17.4　敏捷分析 // 289 
17.4.1　数据分析 // 289 
17.4.2　数据开发 // 292 
17.4.3　分析结构 // 295 
17.4.4　转换 // 296 
17.4.5　数据科学 // 298 
17.4.6　MAB客户细分 // 303 
17.5　变现策略第二部分 // 307 
17.5.1　单次客户 // 307 
17.5.2　首年客户 // 309 
17.5.3　多年客户 // 310 
17.5.4　变现策略需求 // 310 
17.5.5　决策矩阵 // 312 
17.6　引导分析 // 317 
17.6.1　绩效仪表板 // 318 
17.6.2　客户属性仪表板 // 319
17.6.3　客户细分仪表板 // 322 
17.6.4　客户吸引仪表板 // 322 
17.6.5　客户留存仪表板 // 325 
17.7　闭幕 // 328
参考文献 // 329

《首席增长官》
目　　录
推荐序
前　言
致　谢
第1章　首席增长官的崛起
1.1　什么是首席增长官 // 1
1.1.1　可口可乐设立首席增长官 // 1
1.1.2　越来越受欢迎的首席增长官 // 2
1.2　为什么会出现首席增长官 // 4
1.2.1　市场：红利消退、增长放缓、竞争加剧 // 5
1.2.2　客户：从被动接受信息到主动选择产品 // 8
1.2.3　技术：为用户生命周期提供数据洞察力 // 9
1.2.4　管理：从职能型组织向增长型组织进化 // 11
1.3　首席增长官是做什么的 // 12
1.3.1　首席增长官的定位 // 13
1.3.2　首席增长官的角色 // 14
1.3.3　首席增长官的职责 // 16
1.4　案例：LinkedIn增长的秘密武器 // 17
1.4.1　六年间40倍增长 // 17
1.4.2　首席增长官的力量 // 18
1.4.3　增长是对商业本质的洞察 // 20
1.4.4　LinkedIn的增长策略 // 22
1.4.5　用数据驱动用户增长 // 23
1.4.6　公司自上而下对数据驱动文化的认同 // 24
第2章　从增长黑客到首席增长官
2.1　首席增长官进阶的三个阶段 // 26
2.2　增长黑客 // 27
2.2.1　增长黑客概念的提出 // 27
2.2.2　增长黑客的能力模型 // 30
2.3　增长团队 // 31
2.3.1　增长团队的组织架构 // 31
2.3.2　增长团队的组建和分工 // 34
2.4　首席增长官 // 36
2.4.1　问题和解决方案匹配时期 // 37
2.4.2　最小可行性产品时期 // 37
2.4.3　产品和市场匹配时期 // 37
2.4.4　渠道和产品匹配时期 // 38
2.4.5　成熟期 // 39
第3章　增长框架
3.1　增长框架的概述 // 41
3.1.1　学习引擎模型 // 41
3.1.2　用户增长模型 // 44
3.2　正确的增长目标：北极星指标 // 46
3.2.1　北极星指标的重要性 // 46
3.2.2　关于北极星指标的两个案例 // 47
3.2.3　制定北极星指标的六个标准 // 49
3.3　高效的衡量技术：数据采集 // 51
3.3.1　什么是用户行为数据 // 51
3.3.2　埋点采集数据 // 54
3.3.3　无埋点采集数据 // 57
3.3.4　一站式数据采集解决方案 // 59
3.4　科学的学习方法：数据分析 // 61
3.4.1　数据分析的战略思维 // 62
3.4.2　数据分析的三大思路 // 65
3.4.3　数据分析的八种方法 // 69
第4章　用户增长模型
4.1　获取用户 // 77
4.1.1　受众 // 77
4.1.2　获客成本 // 78
4.1.3　用户旅途 // 79
4.1.4　案例解读 // 86
4.2　激活用户 // 88
4.2.1　激活的概念和意义 // 88
4.2.2　激活系统四大组成部分 // 89
4.2.3　To C 端用户激活案例 // 92
4.2.4　To B 端用户激活案例 // 95
4.3　用户留存 // 98
4.3.1　什么是真正的用户增长 // 98
4.3.2　留存分析框架 // 99
4.3.3　新用户留存分析 // 100
4.3.4　产品功能留存分析 // 106
4.4　用户营收 // 109
4.4.1　营收的两种方式 // 109
4.4.2　用户付费：以转化为核心 // 111
4.4.3　广告收入：以黏性为核心 // 114
4.5　用户推荐 // 117
4.5.1　推荐体系的组成 // 117
4.5.2　衡量推荐的两大指标 // 121
4.5.3　推荐的经典案例：Airbnb // 122
第5章　各岗位的数据驱动增长实战
5.1　市场营销：渠道、流量、转化 // 125
5.1.1　市场营销人员的工作重心 // 125
5.1.2　优化获客渠道 // 125
5.1.3　监测投放链接 // 132
5.1.4　优化落地页面 // 136
5.2　产品研发：数据驱动产品优化和迭代 // 139
5.2.1　从产品研发流程谈起 // 139
5.2.2　产品分析的基本概念 // 141
5.2.3　产品数据分析流程 // 145
5.2.4　产品数据分析方法 // 149
5.3　运营：用数据分析做运营增长，你需要做好这四个方面 // 153
5.3.1　流量运营：多维度分析，优化渠道 // 153
5.3.2　用户运营：精细化运营，提高留存 // 156
5.3.3　产品运营：用数据来分析和监控功能 // 157
5.3.4　内容运营：精准分析每一篇文章的效果 // 158
5.3.5　运营实战案例 // 160
5.4　数据分析师：用数据驱动增长 // 165
5.4.1　数据分析师的发展历史 // 166
5.4.2　数据分析师的组织架构 // 167
5.4.3　数据分析师的增长技能 // 169
5.4.4　数据分析师的实战案例 // 173
5.5　客户成功：以留存续约为核心 // 174
5.5.1　客户成功经理的诞生背景 // 174
5.5.2　客户成功经理的工作职责 // 176
5.5.3　客户成功经理的数据看板 // 178
5.5.4　客户成功经理的实战案例 // 180
第6章　不同行业的数据驱动增长实战
6.1　电商：电商精益化运营的五大关键指标和三个关键思路 // 183
6.1.1　电商行业的五大关键指标 // 183
6.1.2　商品运营：流量优化和品类优化 // 184
6.1.3　用户运营：提高用户留存和复购 // 188
6.1.4　产品运营：提高转化效率 // 190
6.2　在线旅游:如何提升购买转化率 // 192
6.2.1　用户旅途概述 // 193
6.2.2　渠道优化 // 194
6.2.3　落地页优化 // 198
6.2.4　搜索优化 // 201
6.2.5　用户整合 // 205
6.3　互联网金融：如何促进高成单、高转化 // 206
6.3.1　互联网金融平台的增长 // 206
6.3.2　互联网金融平台的三大增长模型 // 208
6.3.3　互联网金融用户的四大行为特征 // 211
6.3.4　精细化运营的三大步骤 // 213
6.3.5　理财业务：提升整体成交额 // 213
6.3.6　贷款业务：提升注册转化率 // 222
6.4　互联网 ：打通线上线下数据，驱动链家增长 // 226
6.4.1　什么是增长 // 226
6.4.2　增长遇到的挑战 // 227
6.4.3　链家如何打通线上线下数据 // 229
6.4.4　如何用线上数据分析驱动增长 // 234
后　记

《数据战略》
赞誉
致谢
作者简介
第 1章　为何说当下业务无不是数据业务　// 1 
1.1　大数据和物联网的惊人增长　// 1 
1.2　数据驱动的勇敢新世界　// 2 
1.3　我们是否正在逼近人工智能　// 7 
1.4　数据正在如何彻底改变我们的商业世界　// 10 
1.4.1　数据在商业中的基本作用　// 10 
1.4.2　智能工厂与工业 4.0　// 14 
1.4.3　自动化及其对就业的现实威胁　// 16 
1.4.4　区块链技术：是否是数据和企业的未来　 // 18 
1.5　所有业务都必须成为数据业务　// 19 
1.5.1　一切以数据战略为起点　// 20 
1.5.2　你的公司是否需要首席数据官　// 21
注解　// 23
第 2章　战略性数据需求的确定　// 25
2.1　以数据提高企业的决策质量　// 26 
2.1.1　利用数据更好地了解客户和市场　// 27 
2.1.2　在一个意想不到的场景，让数据为你而动　// 29 
2.2　利用数据改善运营　// 30 
2.2.1　通过数据获得内部效率　// 31 
2.2.2　亚马逊：如何以数据优化业务流程并增加销售额　 // 33 
2.2.3　优步：如何以数据优化运输　 // 34 
2.2.4　罗尔斯•罗伊斯：如何以数据驱动制造业成功　 // 35 
2.3　商业模式的转型：将数据作为企业资产　 // 37 
2.3.1　如何以数据提升企业价值　// 37 
2.3.2　将数据转化为新的收入源泉　// 38 
2.4　只有正确的数据才是有意义的，并非所有数据都是有价值的　 // 40
2.5　为数据提供强有力的商业案例　// 42
注解　// 43
第 3章　使用数据改善商业决策　// 44 
3.1　明确你的关键性业务问题　// 44
3.1.1　好问题带来更好的答案　// 46 
3.1.2　针对顾客、市场和竞争者的问题　// 47 
3.1.3　有关财务的问题　// 52 
3.1.4　有关内部运营的问题　// 55 
3.1.5　有关人员的问题　// 57 
3.2　数据的可视化及沟通洞见　// 60 
3.2.1　是否每个人都应有权访问数据　// 61 
3.2.2　告别电子表格，迎接数据可视化时代　// 63 
3.2.3　以视觉与文字的融合发挥最大效果　// 64 
3.2.4　虚拟现实和数据可视化的未来　// 65
注解　// 66
第 4章　使用数据改善企业运营　// 67
4.1　利用数据优化运营流程　// 68 
4.1.1　数据如何改善制造过程　// 68 
4.1.2　如何以数据强化仓储和配送　// 70 
4.1.3　如何以数据增强业务流程　// 71 
4.1.4　如何以数据强化销售及营销流程　// 75 
4.2　以数据改善顾客供应　// 78 
4.2.1　为客户提供更优服务　// 78 
4.2.2　提供更好的产品　// 81
注解　// 84
第 5章　数据的货币化　// 85 
5.1　增加企业价值　// 86 
5.2　数据本身成为企业核心资产　// 87
5.3　由企业数据处理能力创造的价值　// 90 
5.4　向顾客或利益相关者出售数据　// 91
5.5　理解用户生成数据的价值　// 96
第 6章　数据的取得与收集　// 98 
6.1　了解不同类型的数据　// 99
6.1.1　对“大数据”的定义　// 100 
6.1.2　结构化数据的定义　// 101 
6.1.3　非结构化数据和半结构化数据的定义　// 103 
6.1.4　内部数据的定义　// 105 
6.1.5　外部数据的定义　// 106 
6.2　更多的新型数据　// 108 
6.2.1　活动数据　// 108 
6.2.2　对话数据　// 109 
6.2.3　照片和视频数据　// 110 
6.2.4　传感器数据　// 111 
6.3　内部数据的收集　// 111
6.4　外部数据的访问　// 113
6.5　如果你需要的数据尚不存在　// 116
注解　// 117
第 7章　将数据转化为洞见　// 118 
7.1　分析技术的进化方式　// 119 
7.2　了解不同类型的分析技术　// 120 
7.2.1　文本分析　// 121 
7.2.2　情感分析　// 122 
7.2.3　图像分析　// 122 
7.2.4　视频分析　// 123 
7.2.5　语音分析　// 124 
7.2.6　数据挖掘　// 124 
7.2.7　业务实验　// 125 
7.2.8　视觉分析　// 126 
7.2.9　相关性分析　// 126 
7.2.10　回归分析　// 127 
7.2.11　情景分析　// 128 
7.2.12　预测 /时间序列分析　// 129 
7.2.13　蒙特卡罗模拟法　// 129 
7.2.14　线性规划　// 130 
7.2.15　同期群分析　// 130 
7.2.16　因子分析　// 131 
7.2.17　神经网络分析　// 132 
7.2.18　元分析 /文献分析　// 133 
7.3　高级分析：机器学习、深度学习和认知计算　 // 133
7.4　以不同分析技术的结合追求成功最大化　// 137
第 8章　技术和数据基础架构的创建　// 139
8.1　“大数据即服务”：能成为企业的一站式解决方案吗　// 140
8.2　收集数据　// 143 
8.3　存储数据　// 146 
8.3.1　了解云基础 /分布式存储系统　// 146 
8.3.2　Hadoop概述　// 148 
8.3.3　Spark：Hadoop的替代品　// 149 
8.3.4　数据湖和数据仓库的简单介绍　// 150 
8.4　数据的分析和处理　// 151
8.5　提供数据访问服务　// 155 
8.5.1　倡导数据管家的概念　// 156 
8.5.2　数据的沟通　// 157
注解　// 159
第 9章　打造组织的数据能力　// 160
9.1　大数据技能短缺及其对企业的影响　// 160
9.2　建立内部技能和竞争力　// 163 
9.2.1　五种基本的数据科学技能　// 163 
9.2.2　招募新人才　// 166 
9.2.3　为现有人员提供培训并提高其工作技能　// 168 
9.3　将数据分析业务外包　// 170 
9.3.1　与数据服务供应商合作　// 170 
9.3.2　Kaggle：众包数据科学家　// 172
注解　// 175
第 10章　不要让数据成为负债：数据治理　// 177 
10.1　数据所有权和隐私方面的考虑　// 178 
10.1.1　拥有还是外购　// 178 
10.1.2　确保拥有合理权限　// 179 
10.1.3　将数据最少化作为好的实践　// 180 
10.1.4　理解隐私问题　// 182 
10.2　数据的安全问题　// 187 
10.2.1　数据泄露的重大影响　// 187 
10.2.2　物联网的威胁　// 190 
10.3　践行良好的数据治理　// 192
注解　// 194
第 11章　数据战略的执行和完善　// 196
11.1　把数据战略付诸实践　// 196 
11.1.1　态度是关键　// 196 
11.1.2　数据战略为什么会失败　// 198 
11.2　创建数据文化　// 201
11.3　重新审视数据战略　// 203 
11.3.1　调整企业需求　// 204 
11.3.2　持续演进的技术图景　// 204 
11.3.3　遥望未来　// 207
注解　// 210

“计算机算法将控制我们生活的方方面面。本书将成为我们通过充分利用数据引导认识市场、参与竞争并在竞争中取胜的指南。” 
—亨里克•范•希尔（Henrik von Scheel），Google顾问委员会委员

“数据战略不仅适用于数据专业人士。伯纳德 •马尔告诉我们，数据战略需要得到公司营销、顾客关系、产品和人才战略等部门的同等重视。按照我的经验，数据战略是所有部门取得成功的关键。我相信，伯纳德•马尔的这本书将为我们制定数据战略提供一个宝贵的起点。我认为，本书融合了我掌握的很多经验和教训。假如你还没有自己的数据战略，本书*值得一读。” 
—大卫•珀迪（David Purdy），Uber数据科学家

“如果你是一家公司的数据战略负责人，但依旧苦于无法明确这项任务的规模以及建立数据驱动文化会带来怎样的回报，那么，这本书将有助于你全面把握数据在当下商业世界中的方方面面，并为你提供一种应对这项任务的指导性架构。” 
—杰克•威廉姆斯（Jake Williams），Amazon零售战略负责人

“本书通过形形色色的案例—小到一家连锁店，大到全球家居知名品牌，让一个原本复杂深奥的话题变得通俗易懂。在*著作《数据战略：如何从大数据、数据分析和万物互联中获利》中，伯纳德 •马尔以深入浅出、娓娓道来的对话风格，为许多试图把握数据驱动型经济的人解开了它背后的诸多基本要素。因此，对那些想深入了解人类如何在数据和设备的辅佐下不断发展以及如何让自己的组织把握这种脉络的读者来说，本书必将引起他们极大的兴趣。” 
—加利斯•米切尔-琼斯（Gareth Mitchell-Jones），IBM认知系统负责人

“在当下竞争激烈的商业环境中，本书为我们绘制了一张*化数据价值的清晰、简明而且令人振奋的路线图。” 
—拉尔夫•布洛尔（Ralph Blore），Visa中央分析业务负责人

“当我们步入第四次工业革命时，伯纳德 •马尔告诉我们，只有那些将数据视为战略性资产的企业才有可能生存和发展。他让我们认识到，数据是如何改进决策、改善运营并通过产品或服务实现货币化的。他的*著作既是让我们了解大数据各个方面的参考手册，也是帮助我们利用大数据为组织创造价值的指南。不管我们如何看待不断增长的数据和自动化运用，马尔的专业化解读都将为我们用数据塑造未来助一臂之力。” 
—安迪•鲁宾（Andy Rubin），Pentland Brands董事长

“伯纳德•马尔化繁为简的能力令人不可思议，他总能让普通人读懂*复杂的话题。伯纳德在数据战略方面的见解更是让我们受益匪浅，毕竟，他真正理解如何创建一个全面的数据战略，更重要的是，他还知道该如何让我们接受这个过程。因此，我向那些想要拥有大数据领域实用指南的读者强烈推荐本书。” 
—斯图尔特•B.弗兰克尔（Stuart B Frankel），Narrative Science首席执行官

“今天，利用数据驱动竞争优势已从一种选项变成一种需求，而伯纳德•马尔为组织领导者提供了一张全面的路线图，引导他们专注于绘制和评价自己的旅程。他在书中谈到了从数字企业到小企业的诸多案例，这些案例引人入胜，娓娓道来，无不凸显出数据战略之于企业的重要性。这不仅有助于读者提升企业价值，而且会帮助他们在技术、支持和数据选项纷繁复杂的世界中乘风破浪，不断前行。” 
—安德鲁•萨尔斯基（Andrew Salesky），嘉信理财（Charles Schwab）高级副总裁兼全球数据官

“伯纳德•马尔全面阐述了塑造数据战略的各项关键要素，并以生动鲜活、极富说服力的案例强调了数据驱动型企业在当今数据经济中的重要性。” 
—布伦特•德克斯（Brent Dykes），大数据创业公司 Domo数据战略总监

“在本书中，伯纳德 •马尔谈及了影响所有企业的一种巨大的变革力量。拥有一套强有力的数据战略和一张数据科学路线图，已成为深入组织基因的核心构成要素。而本书则提供了路线图及大数据领域领导者对如何实现这个目标的诸多见解。” 
—威廉•莫肯（William Merchan），DataScience首席战略官

“在一个需要我们衡量一切、分析一切的时代里，伯纳德 •马尔为我们完美诠释了成功企业必须回答的问题。” 
—丹•莫里斯（Dan Morris），维亚康姆（ Viacom）数据平台高级总监