本书的目的是使您能够通过分析解决方案（ analytical solutions）来建立变现策略，帮助管理人员和高管在数据海洋中找到可以提高收入的优质决策。但是，这个过程充满了挑战。第一个挑战是对信息洪流加以提炼。我们有一个循序渐进的过程 —决策架构方法论，从假设直到建立分析解决方案。这个过程以变现策略为指导，您可以通过这个策略构建决策矩阵，对各种行动进行经济上的权衡。通过引导分析，我们将向读者展示如何构建分析解决方案，并利用 UI/UX的规范来呈现能给人留下深刻印象的故事，以及开发令分析解决方案自动化的仪表板。
我们的方法的真正威力来自于将一系列学科知识、方法、工具和技能整合到一个结构化的过程中，包括数据科学、决策理论、行为经济学、决策架构、数据开发与架构、UI/UX开发和仪表板开发。将这些学科知识集成到一个无缝的过程中是难能可贵的。我们的方法论将它们整合起来，以一种易于理解的、循序渐进的方式来帮助组织构建解决方案，从而实现数据资产的变现。
以下是您将从本书中得到的收获：
将信息资产转变为创收策略；
为管理者提供引导性的体验，帮助减少噪声和认知偏误；
通过制定聚焦于变现策略的分析解决方案来使您的组织更具竞争力，而这些变现策略服务于您的组织目标；
将您的分析转化为可行的手段，而不再是简单地“阅读新闻”；
通过数据变现来提高收入并降低成本。
本书不是教您将内部数据出售给其他公司或消费者，也不会深入探讨学科的内容。相反，我们将为您提供各个相关学科和我们最常用来构建这些解决方案的技术的概述。
对其中一位作者安德鲁（ Andrew）来说，建立变现解决方案的过程始于 2003年，当时他是第一资本（Capital One）公司的商业智能（BI）总监。那个时代的标准是提供本质上只是信息的分析。无论报告是用于营销还是运营，信息都是自动生成的，将数据收集、分组并聚合到少数几个关键指标里，然后再显示在报告中。安德鲁当时不知道的是，这些报告缺乏产生行动的智慧和诊断框架。在那个时代，他所开发的解决方案为分析在总体上赋予了一定的经济价值，但缺乏可以驱动高质量决策的独立行动。在过去的十年里，他一直致力于完善为客户提供分析解决方案，并最终产生了本书所描述的许多方法和技巧。
另一位作者凯茜（ Kathy），在她多年的商业规划和预测工作中，一直因为无法探查到商业问题发生的根本原因而感到沮丧。当时， IT基础设施的高成本限制了分析信息的传递，因为报告系统中只保留了聚合后的数据，失去了探索底层交易数据特性和关系的能力。她于 2009年开始了在大数据世界的非凡旅程，当时她帮助特立尼达和多巴哥电信服务公司（ TSTT）开发了一个策略分析系统，目标是将交易数据整合到业务规划流程中。通过这项任务，凯茜学习了诸如 Tableau等数据可视化工具的强大功能，它们可以将管理者和分析人员直接连接到数据，并帮其认识到开发分析数据集市
的重要性，这可以防止人们陷入沮丧的困境。
在过去的几年里，凯茜和安德鲁共同合作，构建了各种解决方案，帮助企业实现了数据变现，这些企业包括从财富 500强企业到收入不到 1亿美元的企业。当我们刚开始着手解决这个问题时，关键挑战之一就是开发方法的彼此孤立和分析信息的广泛分散。分析师使用电子表格来完成他们大部分的分析工作；而数据科学家使用先进的统计学方法研究更复杂的分析问题； IT团队担心企业报告被四处分发给成百上千名用户。那些往往能为组织带来最大回报的小型分析项目，深陷孤岛之间的鸿沟中，无法得到组织的关注。
在我们构建解决方案的过程中，我们注意到了当前方法和工具中的一些缺陷，促使我们从不同学科的最佳实践中开发出我们自己的方法。新工具正在弥补的一个缺陷，就是让管理者不再难于接触数据本身。在过去，如果一个管理者想要建立一个分析解决方案，他们往往只能用微软的 Excel进行分析，或者使用某个专用的 IT项目，而这个项目可能很耗费时间。今天，数据可视化和分析工具，如 Tableau、QlikView和 Power BI使普通企业用户能够直接访问更大的数据量和范围，同时无须消耗过多的 IT资源。向自助式分析的转变将是未来几年的一大趋势。大部分 IT角色将转变为企业级分析和为分析构建数据环境。这种新的范式将加快创新速度，因为新技术和更方便的数据访问将为分析师赋能。
随着工具变得越来越好，企业用户可以直接访问比以往更多的信息，但他们也正面临新的问题：数据质量没那么完美，该如何处理？从前这一点被掩盖在净化过的报告解决方案下面。用户现在必须学习数据清理技术以及认识到维护数据标准和数据质量的重要性。
随着这些工具功能的增强，有一个好处是用户界面（ UI）和用户体验设计（ UX）一功能得到了改善。分析解决方案的可用性往往取决于理解数据的能力，以及呈现数据的界面。我们现在看到了更漂亮的仪表板，但并未为具备可用性或是引导用户理解故事进行必要的准备。随着越来越多的分析师和管理人员开始创建自己的报告解决方案，他们往往会构建一个只是帮助他们“阅读新闻”的信息解决方案，而非建立一个能够帮助他们做出决策、推进行动的诊断。
而我们会发现，有一个缺陷是与数据科学和决策理论有关的，它们尚未在分析解决方案中得到很好的部署。我们从几年前开始将这些学科知识融入实践中，现在这些学科知识已经成为不可或缺的组成部分。这些技术包括：选择架构、理解认知偏误、决策树、聚类分析、细分、阈值和相关性。
很少有解决方案提供变现策略，允许管理者权衡各种行为的经济价值。通过将这种方法添加到解决方案中，我们注意到，提供给客户的可量化价值有了相当大的提高，并且这些分析解决方案也在被更多地使用。
弥补这些缺陷，并把它们整合起来是一个反复试验的过程。有些工具在某些情况下会起作用，而在其他情况下不行；有的工具则完全不工作。经过几次迭代，我相信我们的方法论已经做好了被更广泛地接受的准备，这个方法论真正的独特之处在于，汇集了多种学科知识和最佳实践，帮助组织建立分析解决方案来实现数据变现。在此，我们谦逊地与您分享我们的经验、工具、方法和技巧。
译 者 序
“数据驱动”在大数据时代是一个耳熟能详的词，坊间关于如何利用数据挖掘与分析来推动业务的书也可谓浩如烟海。这些著作或高谈理念舌灿莲花，或深究细节剥丝抽茧，而本书则是其中的另类。作者以经过多年实际商业项目考验的方法论贯穿始终，将企业如何通过数据驱动决策以实现商业变现的整个流程清晰地展现出来，从为什么需要数据驱动决策开始，到如何通过设计、构建和实施推广解决方案从而真正实现，条分缕析，层层深入，带领读者在数据之旅中度过引人入胜的愉快时光，掩卷之余，不由感叹作者能够用不长的篇幅实现这个看似不可能的任务：完整而精细地描绘出数据驱动变现的蓝图，并使得读者有坚实的信心去实现它。
我所在的学术机构原本就致力于数据挖掘分析和大数据处理在本学科的应用，然而在科研教学中往往有种无力感：尽管自觉对数据处理相关的知识和技能都很熟悉了，却依然很难为对这个领域不大熟悉的师友或学生讲清楚这些工作的价值和难度，以及他们如果有兴趣涉猎，究竟该如何入手。直到开始着手翻译本书，我才终于有种醍醐灌顶之感。就如罗素在《西方哲学史》提及“洞见”时所言，“先在雾里走遍了一座山，直到每一条道路、山岭和山谷一一地都已经非常熟悉了，然后再在光天化日之下，从远处来清晰地整个地观看这座山。 ”“经过了长期的劳动之后，真理或者美就显现在，或者仿佛是显现在一阵突如其来的光荣里。”用来形容对于本书这种相见恨晚的感受真是再贴切不过。在翻译过程中，本书所提供的方法论、技巧和知识不仅帮助我开拓了眼界，提升了教学质量，也同样推进了我的科研工作，帮助我所在的机构成功申报省级工程技术研究中心，并成功申请一项跨国合作科研项目。相信本书能帮助不仅是师生而是更多读者理解数据分析的思想和具体实现路径。
本书针对的是比学术界更为复杂、变化更为快速的商业界。书中通过不同行业的多个实际案例，由浅入深地带领读者逐渐熟悉整个方法论，掌握构建解决方案所需的诸多学科知识，以及了解如何克服部署实施时可能遇到的现实困难。读者不但可以学到决策科学、认知心理学的前沿发现、设计原则、数据库技术和统计学公式……还会被告知，要么你自己就是一位有耐心的老板，要么你就得确保能够得到至少一位高管的力挺，否则再好的方案也可能没有机会在公司中推行实施；为变革所涉及的其他部门带来切实便利，与为解决方案找到热心的优质用户帮你做推广，这二者缺一不可。在我看来，最为难能可贵之处是，作者没有满足于在长期从事的咨询工作中游刃有余，而是将真实的体验和成熟的经验加以总结梳理，通过本书分享出来。
那么对于原本的目标读者—企业的高管或经理，本书的定位究竟如何呢？它不单纯带来新知，也不拘泥于具体的技术细节，而是帮助你测量和评估自身和所在企业当前与理想状态—数据驱动决策并进而实现商业变现 —的距离，明确如何才能构建一支足堪大任的团队，并带领或者指挥他们去实现这一目标，以及在这个过程中需要注意什么；或者如果现在还做不到，那么问题出在哪里，该如何弥补短板。
我认为另一个可能从中受益的读者群体，是企业中的数据业务领导者或推动者。本书并未过多涉及具体的技术实现，倒是对于数据可视化分析解决方案的开发者该怎样与其他部门交流以及引导广义上的用户着墨不少，争取高层支持和基层接受的秘密就在书中。
希望每一位中国读者都能够和我一样，读好、用好本书，切实从中受益。
高敬文
于暨南大学 2019年 11月 15日
Specter 2020-03-26
帮助企业将数据转化为变现策略和分析解决方案的完整指南。