《数据分析即未来：企业全生命周期数据分析应用之道》（融合了数据科学、设计思维和组织理论，全方位阐释如何高效达成高水平企业级数据分析能力）格雷戈里·S.纳尔逊(Gregory S. Nelson)【文字版_PDF电子书_下载】
| 书名：数据分析即未来：企业全生命周期数据分析应用之道 作者：[美] 格雷戈里·S.，纳尔逊，[Gregory，S.，Ne 出版社：机械工业出版社 译者：陈道斌 万芊等译 出版日期：2020 页数：/ ISBN：9787111656999 |
0.0 豆瓣短评 |
前往下载 |
当当正版 |
亚马逊购买 |
全网资源 |
内容简介：
本书旨在为数据分析生命周期提供一个全面和实用的指南，并着重于为组织打造行之有效的数据分析能力。全书分为三部分，第壹部分分析基础篇，讨论了如何通过整合组织的人员、流程、技术和数据等资源来实现这样的分析能力;第二部分分析生命周期*佳实践篇，介绍了不同种类的分析产品和服务，以及如何支持分析产品或服务的设计、开发和交付;第三部分分析能力卓越常青之道，围绕如何让分析产品对组织的完善和持续改进产生*大作用展开讨论，内容包括如何衡量分析项目的效率和效果两个方面，以及如何应用行为经济学、社会心理学和变革管理等其他学科的经验和知识改进和完善分析过程。
作者简介：
格雷戈里·S. 纳尔逊(Gregory S. Nelson) 是ThotWave的创始人和CEO，是国际分析研究所(International Institute for Analytics)的专家，也是杜克大学福卡商学院(Fuqua School of Business)的特约教授。他发表了200多篇论文，并经常在技术领域以及私营公司的国内外活动中担任演讲嘉宾和主旨发言人。
译者简介
陈道斌 管理学博士，博士后，先后任中国工商银行总行管理信息部副总经理、总行电子银行部副总经理兼融e联中心总经理、总行资深信息管理专家等职务，工商银行博士后流动站指导专家，中央财经大学客座教授。陈道斌博士长期从事工商银行管理信息理论研究和实践探索，在大型商业银行数据管理、数据分析领域有精深造诣，多次获得人民银行金融科技进步一、二、三等奖。
万芊 北京大学光华管理学院经济学博士，中国工商银行博士后，先后就职于工商银行总行管理信息部、网络金融部，长期从事工商银行数据仓库建设与应用、数据分析师队伍建设以及大数据分析挖掘工作，对商业银行数据管理与分析应用有深入的研究和理解。
目 录：
第一部分 分析基础
第1章 分析概览 2
1.1 基本概念 2
1.1.1 数据 3
1.1.2 分析 4
1.1.3 什么是分析 5
1.1.4 分析与其他概念的区别 7
1.2 分析概念 9
1.2.1 商业智能和报表 9
1.2.2 大数据 12
1.2.3 数据科学 13
1.2.4 边缘(和环境)分析 14
1.2.5 信息学 16
1.2.6 人工智能与认知计算 16
1.3 分析方法论 18
1.3.1 应用统计与数学 19
1.3.2 预测和时间序列 22
1.3.3 自然语言处理 22
1.3.4 文本挖掘与文本分析 26
1.3.5 机器学习 27
1.3.6 数据挖掘 30
1.4 分析的目的 31
1.4.1 分析是关于改善结果的活动 32
1.4.2 分析是关于创造价值的活动 33
1.4.3 分析是关于发现的活动 34
1.4.4 分析是关于促成变革的活动 35
1.5 本章小结 36
1.6 参考文献 38
第2章 分析人才 41
2.1 谁来做分析工作 41
2.2 分析师的职责 44
2.3 分析工作的岗位序列 46
2.3.1 业务分析 47
2.3.2 统计分析 48
2.3.3 技术分析 49
2.3.4 领导力分析 50
2.3.5 产品分析管理 51
2.4 分析的关键能力 52
2.5 分析思维 56
2.5.1 问题求解 58
2.5.2 分解方法 61
2.5.3 综合方法 62
2.6 批判性思维方法 63
2.7 分析中应用批判性思维的例子 65
2.8 如何提高批判性思维能力 66
2.9 系统性思维 68
2.10 本章小结 71
2.11 参考文献 72
第3章 分析的组织背景 74
3.1 组织的战略与分析活动的协同 74
3.1.1 目标 76
3.1.2 战略 76
3.1.3 组织的能力 78
3.1.4 资源 80
3.1.5 评估和管理系统 80
3.2 组织的文化 83
3.3 分析团队的组织架构设计 87
3.4 什么样的分析团队组织架构设计最好 90
3.4.1 集中式架构 91
3.4.2 分散式架构 94
3.4.3 卓越中心式架构 97
3.4.4 分析的组织方式 100
3.5 本章小结 102
3.6 参考文献 103
第4章 数据战略、平台与架构 105
4.1 数据战略 106
4.1.1 数据战略声明 107
4.1.2 战略与实施 109
4.2 战略规划流程 109
4.3 规划一个数据战略路线图 113
4.3.1 范围和目的 114
4.3.2 数据收集、标准化和清洗 115
4.3.3 数据架构、虚拟化和整合 116
4.3.4 数据洞察和分析 117
4.3.5 数据治理和数据质量 118
4.3.6 元数据管理 120
4.3.7 数据访问、发布、隐私和安全 121
4.3.8 数据保存 122
4.3.9 性能与服务水平协议 123
4.4 制定数据战略的敏捷方法 124
4.5 数据战略小结 125
4.6 平台和架构分析 126
4.7 分析架构 127
4.7.1 范围：业务规模和生命周期支持 130
4.7.2 决策的复杂度 130
4.7.3 理解复杂度 132
4.7.4 紧迫性和影响 132
4.8 特定目的数据或潜在价值数据 134
4.9 本章小结 136
4.10 参考文献 137
第二部分 分析生命周期最佳实践
第5章 分析生命周期工具包 140
5.1 分析生命周期最佳实践领域 140
5.2 数据分析是数据科学的产物 143
5.3 数据分析的目标 143
5.4 分析产品的规模和范围 144
5.5 分析生命周期工具包的组织方式 146
5.5.1 关于分析流程 147
5.5.2 分析生命周期最佳实践领域、流程和工具 148
5.6 分析的设计思维 154
5.6.1 什么是设计思维 154
5.6.2 设计思维应考虑用户旅程 155
5.6.3 设计思维的五个步骤 156
5.7 本章小结 159
5.8 参考文献 159
第6章 问题理解 160
6.1 流程概述 160
6.2 为什么要理解问题 161
6.3 流程领域 161
6.3.1 问题定义 163
6.3.2 根本原因调查 167
6.3.3 提出假设 175
6.3.4 问题设计 182
6.3.5 业务方案优先级设置 190
6.4 本章小结 195
6.5 工具包总结 197
6.6 参考文献 198
第7章 数据探查 200
7.1 流程概述 200
7.1.1 数据探索 200
7.1.2 为什么要做数据探查 203
7.2 数据探查过程 203
7.2.1 数据识别和优先级排序 204
7.2.2 数据收集和准备 209
7.2.3 数据剖析和特征描述 213
7.2.4 可视化探索 227
7.3 记录分析日志 228
7.4 本章小结 230
7.5 工具包总结 231
7.6 参考文献 232
第8章 分析模型开发 234
8.1 流程概述 234
8.1.1 分析模型定义 239
8.1.2 模型开发 240
8.1.3 利用多种方法进行检验 245
8.1.4 为什么要这样做 248
8.2 建模过程 249
8.3 进行比较 250
8.4 度量关联 260
8.4.1 相关性统计检验 264
8.4.2 其他相关性检验 266
8.5 进行预测 267
8.5.1 检测模式 270
8.5.2 模式检测过程 275
8.6 本章小结 277
8.7 问题总结和练习 278
8.8 工具包总结 280
8.9 参考文献 281
第9章 成果应用 285
9.1 流程概述 285
9.1.1 为什么要研究成果应用环节 286
9.1.2 成果应用过程涉及的领域 288
9.2 解决方案评估 289
9.2.1 步骤1：模型回顾和验证 290
9.2.2 步骤2：对结果的评价 291
9.2.3 步骤3：影响评估 292
9.3 分析成果应用的实施 293
9.3.1 步骤1：制定部署计划 294
9.3.2 步骤2：关键指标的定义 296
9.3.3 步骤3：项目评估 297
9.4 演示和讲故事 298
9.4.1 通过数据讲故事的资源 299
9.4.2 用数据讲故事的最佳实践 303
9.5 本章小结 316
9.6 练习 318
9.7 工具箱总结 320
9.8 参考文献 321
第10章 分析产品管理 326
10.1 流程概述 326
10.2 分析产品管理过程涉及的领域 329
10.2.1 分析产品经理 330
10.2.2 价值管理 334
10.2.3 分析生命周期的执行 348
10.2.4 质量流程 362
10.2.5 利益相关方的参与和反馈 368
10.2.6 能力和人才发展 371
10.3 本章小结 373
10.4 工具包总结 374
10.5 参考文献 375
第三部分 分析能力卓越常青之道
第11章 把分析付诸行动 380
11.1 分析的力量 380
11.2 高效和有效的分析计划 384
11.2.1 了解分析生命周期 387
11.2.2 关于有效分析的一些观点 390
11.2.3 对分析效果和效率的挑战 391
11.3 为什么分析的上线运营会失败 392
11.4 变革管理 396
11.4.1 选择正确的变革方法 398
11.4.2 为什么要开展变革管理 400
11.4.3 对变革的情感反应 401
11.4.4 分析变革管理的例子 404
11.5 引领变革的最佳实践 405
11.5.1 创建共同的变革目标 406
11.5.2 建立可见的、参与型的领导联盟 407
11.5.3 赋能参与和沟通 409
11.5.4 支持强化个人绩效 413
11.6 变革中的问题处理 414
11.7 本章小结 416
11.8 参考文献 417
第12章 分析团队的核心胜任力 418
12.1 核心胜任力概述 418
12.1.1 分析胜任力定义 418
12.1.2 培养分析胜任力 420
12.1.3 过去和未来所需要的职场胜任力 421
12.1.4 分析职业框架 422
12.2 核心胜任力详述 422
12.2.1 胜任力领域：业务知识 424
12.2.2 胜任力领域：分析思维 427
12.2.3 胜任力领域：数据管理 430
12.2.4 胜任力领域：数据探索 432
12.2.5 胜任力领域：数据可视化 433
12.2.6 胜任力领域：技术素养 435
12.2.7 胜任力领域：战略思维 438
12.2.8 胜任力领域：领导力 440
12.2.9 胜任力领域：分析产品管理 443
12.3 基于知识领域的分析工作岗位序列的理想胜任力 446
12.3.1 胜任力领域：业务知识 446
12.3.2 胜任力领域：分析思维 448
12.3.3 胜任力领域：数据管理 448
12.3.4 胜任力领域：数据探索 448
12.3.5 胜任力领域：数据可视化 452
12.3.6 胜任力领域：技术素养 452
12.3.7 胜任力领域：战略思维 452
12.3.8 胜任力领域：领导力 456
12.3.9 胜任力领域：分析产品管理 456
12.4 本章小结 459
12.5 参考文献 459
第13章 数据分析未来趋势 460
13.1 数据分析的生命周期框架 460
13.2 分析在未来世界的作用 462
13.3 未来主义者的视角 463
13.3.1 普适计算和分析 464
13.3.2 大数据将驱动创新 465
13.3.3 分隔的行业与视角将消失 466
13.3.4 目标造就差异化 466
13.3.5 胜任力胜过特定技能 467
13.4 最后的一点思考 468
13.5 参考文献 469
译后记 470