描述
开 本: 32开纸 张: 轻型纸包 装: 精装是否套装: 否国际标准书号ISBN: 9787508678184
面对巨量数据，还能找到宝石和金子吗？
如果谷歌即将踏足你的市场，该怎么办？
成本高昂的IT工具真的能够解决问题吗？
罗兰贝格专家带你突破大数据的价值瓶颈！
如今，很多企业被淹没在数据洪流之中，数据并没有给它们带来太多好处。企业数字化竞争力的提升也并没有像在公司战略会议上渲染“大数据”这一概念时所描述的那样快。其实，在大多数应用领域，数据量的多寡并不是衡量数据价值创造力的决定性标准。本书描绘了一条走出“大数据带来的失望”的更智慧的路线，适用于那些已经意识到“起决定作用的不是数据量，而是正确地整合数据，物尽其用”的企业。这一路线被称为“智能数据”。
智能数据的出发点是：“在不增加技术、人员和资金投入的情况下，我们如何高效地利用客户数据信息？”其本身就是一种切实可行的方法论。从这个方法论出发，我们可以得出一套不断迭代更新的、在逐步摸索中的、基于假设的行为方式。智能数据的理念是，在你所在的行业内成为数字智能化非常高的企业，在面对直接的数字化竞争时，借助数据分析，能够一步步地打造自身的竞争优势。
一般来说，导致数字变革宣告破产的，并非是技术力量的匮乏，而是源于企业内部的对抗、过于刻板的组织构架和失误的变革期管理。本书介绍了企业如何通过改革自身的管理、企业文化以及组织构架以成为智能数据时代的佼佼者。在大数据时代，少即是多——只要是对的，那么更少的数据将更有成效。今天的企业需要提高“数字素养”。
引
言 以少博多的智能数据使用者
规模并不重要 // 001
成为行业“智者” // 004
智能数据理念梗概 // 005
新“数据合同” // 007
部分
从大数据向智能数据转变
第1 章
深陷数据过载的愁云惨雾
流感预测器也闹“流感” // 013
技术成熟度曲线（Hype-Cycling） // 019
没有“大爆炸”的大数据 // 022
以守为攻战术 // 027
第2 章
数字化海啸—完全不关注数据也行不通
沿价值链产生分化 // 033
机智，联合，进攻 // 036
到处都土崩瓦解！ // 041
投资者眼光 // 057
第3 章
智能数据冠军—选择正确的数据是成功的基础
聪明的数据使用者 // 063
找对数据比拥有超多数据更有用 // 066
“3W”：为什么？如何做？做什么？ // 069
概率击败偶然 // 075
第二部分
智能数据的循环
第4 章
五步流程实现增值
提出正确的问题 // 081
使用正确的数据 // 090
客户需求理解 // 095
提出自己独特的销售主张 // 111
正确地吸引客户 // 114
结论：实现增值 // 122
第三部分
冠军企业的智能数据应用领域
第5 章
更加智慧地接近客户—在合适的时间、
以合理的价格、提供所需的产品
时尚策划 // 127
策划式配件 // 129
哈，这个卖家是真正了解我的！ // 133
贸易方面的分析小知识 // 137
在价格发现过程中，好货也得便宜 // 140
物理网点销售打败网络化销售 // 142
第6 章
从贸易伙伴转变为数据伙伴—通过中介共同提高
客户潜力
一切对抗一切？ // 147
协同型客户关系管理 // 150
瑞士法典 // 156
假名的力量 // 158
双重选择性加入？是的！ // 163
第7 章
智能优化选址、产品线和产品
“错误的旗杆” // 167
在正确的地点采用正确的销售模式 // 171
实时优化产品线 // 176
第8 章
多渠道到底是什么意思—为客户和企业提供好
的“客户旅程”
多渠道发展—内外有别 // 187
弹球机而不是保龄球 // 190
每人一个苹果账户! // 193
客户旅程中的渠道断点 // 198
在线产品展示厅 // 202
第四部分
企业的智能化之路
第9 章
能够接受错误才是正确的经营态度
弹道式思维 // 211
用不断尝试打败加农炮理论 // 215
无计划时代的企业管理 // 217
孔子说…… // 224
数据大狂欢 // 227
第10 章
使组织更加灵活—选择正确的组织构架、流程
和技术
可以自由选择工作岗位吗？ // 229
智能数据的折中路线 // 232
数字化变革中的“四步走” // 233
迭代增量，小步快跑！ // 243
第11 章
智能化地引进人才和开展培训—正确选择员工
战略规划官 // 246
数据科学家 // 247
项目经理 // 251
变革管理经理 // 252
第五部分
赢得数据
第12 章
选择客户真正需要的数字化战略
公众众口铄金 // 257
隐私精神分裂症 // 259
透明的“数据章鱼”？ // 262
赢得数据 // 265
后NSA时代的人 // 271
全新模式 // 273
“大数据”中的“大”到底有多大？近年来，技术分析员和IT（信息技术）供应商数量呈指数级增长；拍、泽、尧等量级单位不断被刷新；若将数据储存在CD或DVD光盘中，它们则会从地球一直堆到月球，甚至是火星。由于数据被认为是新的“原油”资源，所以这些指数越高越好。得益于日益廉价的存储设备、更加快捷的处理器和越来越智能化的算法，我们有能力善用这些资源。届时，数据信息向知识的转化意味着流程优化、更优决策以及全新商业模式的诞生。
啊哈！
然而现在，很多企业被淹没在数据洪流之中，数据并没有给它们带来太多好处。许多企业高管都有种不好的感觉，那就是，企业数字化竞争力的提升并没有像在公司战略会议上渲染“大数据”这一概念时所描述的那样快。他们甚至悲观地认为，“大数据”这一数字革命的时髦概念，前景并没有那么明朗，且弊大于利，令人心灰意冷。
“大数据”就如同一根魔法棒—我们抓取尽可能多的数据，然后，被人工智能操控的机器就可以告诉我们，我们应该通过什么方法、在哪些环节、能够在多大程度上去提高产品的附加值。更理想的是，大数据会告诉我们如何去创造一个全新的商业模式，正如贝宝（PayPal）联合创始人、脸谱网（Facebook）外部投资者彼得•蒂尔先生在“从0 到1 逻辑”中阐述的那样。更有甚者，用技术人员的话说，“大数据”就等同于宇宙大爆炸。
数字技术总是开“空头支票”，自卖自夸，承诺的多，做到的少。大数据分析逐渐丧失吸引力，在某种程度上，“大数据”概念的基本理念应对此负有一定的责任，因为在大多数应用领域，数据量的多寡并不是衡量数据价值创造力的决定性标准。
几个月来，
在与经理人、IT负责人的交流中，我们发现，“大数据”所描绘的美好图景在企业的经营现实面前遭受重创。数据应用的惨败带来失望，伴随失望而来的是迷茫，甚至是惊诧。与此同时，所有的参与者也意识到，完全不关注数据也行不通。
本书描绘了一条走出“大数据带来的失望”的更智慧的途径。这一途径不仅适用于仍坚信“从0 到1”理论的企业、“n 1 组织”，而且也同样适用于那些既有成熟的商业运营模式，又想通过善用大数据分析手段提升业绩的企业。这些企业不认为数据是一种特有的商业模式，而是将数据看作一种核心要素，帮助我们更好地了解客户。相应地，这些企业也不会盯着堆积成山的数据（在这方面，谷歌也许更擅长），更不会去盯着ERP系统（企业资源计划系统，于1995 年被引进，至今仍在不断被拓展功能）。
这种折中路线适用于这样一类企业—它们已经意识到起决定性作用的不是数据量，而是正确地整合数据，物尽其用。我们把这一路线称为“智能数据”。
我们在提及智能数据这个概念时，并不是在用另一个新词去替代一个被滥用的流行语。智能数据既不是一个技术层面的解决方案，也不是一部新的管理真经。
智能数据的出发点是：“在不增加技术、人员和资金投入的情况下，我们如何高效地利用客户数据信息？”其本身就是一种切实可行的方法论。从这个方法论出发，我们可以得出一套不断迭代更新的、在逐步摸索中的、基于假设的行为方式。同数据资源一样，健全的认识也是重要的资源。终的目的是，在所有智能数据的应用领域，更好地了解客户、联系客户，并借此提升客户长期贡献度。
智能数据的路线分为很多阶段，从一开始，其发展方向就并非一成不变。因为没有人能确切地知道，在未来的3~5 年间消费者真正需要什么，也不知道哪些技术将获得应用。毫无疑问，企业管理需要不时地调整发展方向。一些具有实验性质的项目可以为我们提供借鉴，告诉我们在未来如何更好地满足客户需求。个别基于系统化行为方式的智能数据项目创建了一套自学习系统，越来越多的人和企业部门通过这套系统来学习如何更明智地应用客户信息。一部分参与者（特别是来自商业领域的参与者）在面对智能数据带来的技术和人员方面的挑战时，并不会持续不断地进行尝试和探索，这是导致所谓的商业“宇宙大爆炸”并未发生的原因。
当这些明智的摸索取得成功时，智能数据项目就成为企业参与数据革命的起点和里程碑。我们甚至也可以换一种理解—数字化变革是自然而然发生的，给我们的日常生活带来帮助，就像智能手机不断增多的功能一样。
客户细分黑盒子
客户细分的目的是，基于现有数据的特征，将客户识别为尽可能同质的，或是尽可能彼此异质的群组（簇）。在将相似的要素进行分组或在发现数据中潜藏的模式方面，存在着不同的操作方法，这些方法源自机器学习领域“无监督学习”范畴。重要的几个分类操作方法如下：
1. 分层聚类分析
这种操作方法是基于前期已经识别出来的数据特征（例如通过识别市场上同质化群组的社会人口统计学特征、使用行为和观念）测算出被观察者（个人或公司）之间的差异，并据此建立矩阵。这个矩阵也分为许多行，同数据库中被观察者的分类占比保持一致。被观察者之间的差异涵盖了所有已识别的数据特征，并且可以通过不同的方法计算出来。在分层聚合的过程中，一对儿被观察者在一个循环流程中被反复概括比对，就连小的差异也会被发现。这个流程会一直不停地循环重复，直到所有的被观察者都被纳入某一个簇中。这个积聚的过程可以通过多种不同的算法实现。比较常见的算法包括单联聚类法（即SL聚类，又称邻近算法）和凝聚层次聚类（沃德法）。根据算法之间不同的聚合逻辑，会产生不同的聚合结果。采用单联聚类法可以识别出一些较小的边缘群体，若采用凝聚层次聚类法，那么簇的规模一般会比较均衡。
分层分析方法的优点是，不需要事先就知道簇数，而是借助于统计学参数预估出理想的簇数，从统计学的角度出发，理想簇数的确定需要考虑到组内同质和组间异质之间的平衡问题。分层分析方法的缺点是，计算量非常大，且只适用于小规模的数据量。很多时候，分层分析方法被用于分析通过社会调查形式获得的数据。分层分析流程也适用于从大数据中进行随机抽样，目的是获得稳定的分类并且确定簇的数量。后续，数据科学家会采取分区操作，将聚合结果扩展到整个数据库。
2. 划分聚类分析
在分层聚类分析过程中，不需要事先就确定簇的数量，这对模式探索型的聚合分析流程来说是一大优点。然而，在划分聚类分析中，必须要预先就确定好簇的数量。总体来看，划分聚类分析的各种方法间存在共性，都是根据预先确定好的簇的数量选择出相应数量的对象，将每个对象的初始值作为单一簇的平均值或者中心点，然后反复调整聚类划分，直到误差函数小化为止。其中，著名且应用广泛的误差函数是K均值（K-Means）算法：先根据既定的簇数随机选择出相应数量的对象，将这些对象的初始值作为每个簇的平均值，对剩余的每个对象，根据其与初始均值之间的差异程度，将其归入相应的簇。然后再重新计算每个簇的误差函数平均值。这个过程不断重复，直到每个簇中各对象的差异不显著（或者说误差小化）。划分聚类分析中还有一种算法是K中位数（K-Medians）或者模糊C均值（Fuzzy C-Means）。K均值的好处是，它尤其适合大规模的数据分析，因为它在算法方面不像分层聚类分析那么复杂。但是K均值算法的问题在于对异常值的敏感度过大，偶尔会导致十分小的聚类被划分出来。
另外，该算法是基于随机选取的初始值，因此在反复调整过程中，划分结果不是很稳定。此外，结果缺乏可再现性也是缺点之一。分层聚类分析可以补偿划分聚类分析的缺陷，因此可以将分层聚类分析中产生出的聚合分类结果作为K均值分析方法的簇数起点值。
3. 密度聚类分析
密度聚类分析背后的逻辑是，将被观察者视为一个空间内的点，尽管这些观察者之间存在很多差异化特征。首先我们要识别出这个空间内的高密度区和低密度区，并以此为基础建立起簇。这种分析方法的核心流程就是所谓的“具有噪声的基于密度的聚类方法”（Density-Based Spatial Clustering of Applications with Noise，简称DBSCAN）。根据这个空间内点之间的距离，我们会识别出密度的区域，并将这个高密区内的点作为核心点。还有一些点处于中等密度区域，我们将这些点称为边界点，被归至周边的簇。还有一些点，分布非常稀疏，我们将这些点称为噪声点。DBSCAN分析方法的优点之一，是不需要提前就确定簇的数量，这与分层聚类分析法有异曲同工之妙。与K均值分析法相比，DBSCAN方法具有一个关键优势，即可以识别非线性聚类，并可以有效对抗异常值。但是当空间簇的密度不均匀、间距差相差很大时，DBSCAN聚类质量较差。DBSCAN是相对比较新的聚类分析方法（1996 年才被提出），目前已经发展成为机器学习领域重要的算法之一。
4. 模糊聚类分析
目前既存的系统化聚类分析流程都是将一个因素明确地归入某一个簇中，这是所谓的“硬流程”。模糊聚类分析属于“软流程”，即某一个因素可以被归入一个以上的簇，换句话说，就是在识别聚类从属性的不同等级。模糊聚类分析中有名的算法是模糊C均值（FCM）。首先假定每一个被观察对象都能够或者倾向于被归入一个簇，那么处于簇中心位置的被观察者归入这个簇的可能性高一些，处于簇边缘的被观察者纳入这个簇的可能性相对低一些，或者说簇边缘的被观察者也有可能被纳入其他簇。
从技术层面上看，模糊聚类分析的逻辑与K均值算法类似。模糊聚类分析这一设想的目的是，实现一个被观察对象被归入不止一个簇中，这在某些特定的应用案例中更具现实价值。如果市场和客户细分部门希望获得明确的聚类结果（例如要去评估某一聚类集合的市场潜力），在对客户针对不同商品种类的消费行为和购买决策进行统计分析时，多维的聚类可能更有意义。例如，为了精准定位并营销旅行社潜在客户，我们可以利用模糊聚类分析方法，通过分析交易数据信息，从而去识别客户的旅行类型。此时，有些客户或被归入多个特征组，例如海滩度假组、城市游组等，这可以帮助我们为客户提供多样化的选择。
评论
还没有评论。