《數據戰略》是機械工業出版社2019年出版的圖書，作者是伯納德·馬爾。該書由領英公認的全球前五大商業影響力人士揭秘數據驅動增長的路線圖，涵蓋餐飲、製造、零售、家居、安防等多行業案例。
基本介紹
- 書名：數據戰略
- 作者：伯納德•馬爾（Bernard Marr）
- 原版名稱：Data Strategy: How to Profit from a World of Big Data, Analytics and the Internet of Things
- 譯者：鮑棟
- ISBN：9787111610960
- 頁數：224
- 定價：59.00元
- 出版社：機械工業出版社
- 出版時間：2019年3月
內容簡介,作者簡介,目錄,
內容簡介
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極低。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才會生存並茁壯成長。
本書是創建一個強大的數據戰略的必讀的指南，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，最重要的是，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客群群體；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最大收益；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系，避開經濟、法律和聲譽問題。
本書適合科技、網際網路企業的創始人、CEO、中高管；數據戰略負責人；首席數據官；信息系統負責人；轉型中的傳統企業管理者；政府相關部門工作人員閱讀。
作者簡介
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，被 LinkedIn（領英）公認為全球前五大最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》雜誌和 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。他還曾與許多世界知名機構合作並提供諮詢服務。
目錄
讚譽
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慧 // 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 智慧型工廠與工業 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
註解 // 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：如何以數據最佳化業務流程並增加銷售額 // 33
2.2.3 優步：如何以數據最佳化運輸 // 34
2.2.4 羅爾斯·羅伊斯：如何以數據驅動製造業成功 // 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 只有正確的數據才是有意義的，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
註解 // 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最大效果 // 64
3.2.4 虛擬現實和數據可視化的未來 // 65
註解 // 66
第 4章 使用數據改善企業運營 // 67
4.1 利用數據最佳化運營流程 // 68
4.1.1 數據如何改善製造過程 // 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行銷流程 // 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
註解 // 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 感測器數據 // 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
註解 // 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 神經網路分析 // 132
7.2.18 元分析 /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最大化 // 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 /分散式存儲系統 // 146
8.3.2 Hadoop概述 // 148
8.3.3 Spark：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
註解 // 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 招募新人才 // 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
9.3.2 Kaggle：眾包數據科學家 // 172
註解 // 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 確保擁有合理許可權 // 179
10.1.3 將數據最少化作為好的實踐 // 180
10.1.4 理解隱私問題 // 182
10.2 數據的安全問題 // 187
10.2.1 數據泄露的重大影響 // 187
10.2.2 物聯網的威脅 // 190
10.3 踐行良好的數據治理 // 192
註解 // 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
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慧 // 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 智慧型工廠與工業 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
註解 // 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：如何以數據最佳化業務流程並增加銷售額 // 33
2.2.3 優步：如何以數據最佳化運輸 // 34
2.2.4 羅爾斯·羅伊斯：如何以數據驅動製造業成功 // 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 只有正確的數據才是有意義的，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
註解 // 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最大效果 // 64
3.2.4 虛擬現實和數據可視化的未來 // 65
註解 // 66
第 4章 使用數據改善企業運營 // 67
4.1 利用數據最佳化運營流程 // 68
4.1.1 數據如何改善製造過程 // 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行銷流程 // 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
註解 // 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 感測器數據 // 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
註解 // 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 神經網路分析 // 132
7.2.18 元分析 /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最大化 // 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 /分散式存儲系統 // 146
8.3.2 Hadoop概述 // 148
8.3.3 Spark：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
註解 // 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 招募新人才 // 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
9.3.2 Kaggle：眾包數據科學家 // 172
註解 // 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 確保擁有合理許可權 // 179
10.1.3 將數據最少化作為好的實踐 // 180
10.1.4 理解隱私問題 // 182
10.2 數據的安全問題 // 187
10.2.1 數據泄露的重大影響 // 187
10.2.2 物聯網的威脅 // 190
10.3 踐行良好的數據治理 // 192
註解 // 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
