數據分析即未來：企業全生命週期數據分析應用之道

#小曾曾讀書筆記# 《數據分析即未來：企業全生命週期數據分析應用之道》這是一本特別適合企業中高層領導看的書，書本講解了在企業生命週期內，數據分析應該承擔什麼樣的角色、如何做好這個角色、以及可能遇到的各種問題。它不是一本摳細節的教程向的指南，而是側重於戰略和體系的數據分析白皮書。 《大數據時代》曾說，大數據時代相比於小數據或者無數據時代，有顯著的三個變化： 分析數據從抽樣擴充爲全體， 從追求精確度轉化爲追求準確度， 從深挖因果關係轉化爲聚焦相關關係。 很多企業標榜數據驅動業務，但是這種驅動往往只體現在整個運行環節的很小一部分，同時又在更迭飛快的時代去摳絕對精準的數據導致錯過時間窗口。 數據分析應該是貫穿業務動作的始末：從假設開始，到設計方案，收集數據，清洗整理，描述數據，分析數據，提煉動作，到落地執行，產品複用…… 貫徹MVP最小可行性產品原則，實現小步快跑、快速迭代。 數據分析最重要的是什麼？是： 高效持續地爲業務賦能，提升業務價值！ 本書可讀性：優；實操性：良。 系統梳理本書的核心知識點： 1、業界通常將企業的數據分析應用能力從低到高劃分爲三個階段，分別是解釋型分析階段、預測型分析階段和生產型分析階段，三個階段的數據分析能給企業帶來的業務價值是不斷提升的，但同時對企業數據分析應用人才隊伍能力的要求也是不斷升高的。 2、數據分析能力模型 解決問題：懂業務流程，會細分問題，提出落地的解決方案； 批判性思考：從不同角度客觀看待問題，審視是否全面； 闡述分析結果：優秀的可視化和演示的能力，書面表達能力； 善於合作：推進項目，爭取資源，合作共贏，善於口頭表達。 3、對分析師團隊能力構成提出四方面的明確要求：定量化數據分析能力、完善的數據管理能力、良好的業務溝通與成果可視化能力和敏銳的業務理解能力。 4、數據科學和分析的區別：數據科學可以幫助甚至支持自動化實現對數據的分析，但是分析是一種以人爲中心的策略，它充分利用各種工具，包括那些在數據科學中發現的工具，來理解事物現象之間的真正本質。 5、數據分析師應該不斷髮問，深挖細節，幾個典型問題舉例： 如果這樣那又會如何？ 如果有了結論我們能做些什麼？ 這個分析結果將如何改變流程或工作流？ 這個指標是做什麼的？ 爲什麼？ 6、在企業不同生命週期階段需要數據分析師和數據部門具有以下5種能力，形成敏捷迭代的數據流程，爲業務賦能： 問題理解：梳理業務，提出問題，調查原因； 數據探查：數據準備，數據提取，數據總結； 模型開發：數據可視，統計分析，預警預測； 成果落地：應用結果，提煉行動，落地反饋； 產品管理：提煉產品，職責分工，測試複用。 7、評判數據分析問題是否合理的FINER五原則： 是否可行：具體，能否回答，數據沉澱； 是否有趣：是否有回報，領導是否關心； 是否新穎：是否被研究過，能否被回溯； 合乎道德：在規定、法律法規的範圍內； 業務相關：解決後業務流程是否能優化。 8、衡量組織分析成熟度的五個維度： 戰略協同：目標一致，部門協同 信息管理：明確用表，規整信息 高級分析：高級模型，沉澱產品 數據隱私和安全：合規、安全 數據管理：儲存合理，質量保證 9、評估分析模型的表現，或者數據做的分析項目的成果，可以考慮幾個指標： 模型/項目外自主決策數量：越多說明模型或者項目結果不好； 錯誤率：召回率、準確率、誤差、準確度等等； 業務價值：上線落地後爲業務帶來的實際價值，增加了多少收入，降低了多少成本，提升了多少滿意度，降低了多少客訴； 速度和敏捷性：提高了多少效率。 10、回顧項目的時候可以參考的方向點（加上個人理解） 項目的概覽：用STAR原則，即背景-任務-行動-結果，來進行描述； 項目的亮點：自己找數據集做的項目，相比於網上其他人的不同之處在哪裏；公司內部的項目，受到領導推崇業務讚賞的點在哪裏； 項目的難點：在項目實施過程中，遇到了哪些問題，自己又是如何解決的，這些問題的本質是什麼問題； 項目的缺點：項目尚需改進的地方在哪裏，站在當下角度回看這個項目，你會做什麼讓這個項目變得更好； 項目的複用：項目沉澱了多少或成功或失敗的經驗，有哪些東西是可以在下一個項目中繼續使用的。 11、分析勝任力模型 業務知識：運營工作流、IT政策、組織和團隊的角色，以及組織的結構。 分析思維：問題設計、統計和分析的方法、結果解釋、將分析洞察投入生產和運營，以及宣傳分析產品。 數據管理：數據整理、數據質量、數據治理和數據建模。 數據探索：數據探查和特徵描述，數據之間的關係和連接，以及基礎的業務工作流。 數據可視化：講述故事、可視化技術、可操作性（actionability）以及可視化設計原則。 技術素養：工具的選擇和使用、安全和隱私、工具的敏捷性和流暢性、系統性思維和企業系統架構。 戰略思維：創新和設計思維、戰略協同、數據驅動的決策制定、專業精神和道德操守。 領導力：變革領導力、指導和培養、協同領導力、衝突管理、影響力、團隊領導力，還有財務能力。 分析產品管理：質量過程、資源組合管理、業務影響評估、產品維護和持久性、需求管理和知識管理。 12、站在未來的視角看待當下：瞭解不同行業；終身學習；批判性思考；思維敏捷；學會提問和解決問題；學會溝通。

如果分析既不推動變化也不產生成果，那麼就不會有多大意義，結果充其量是有趣的。分析成果是否對改變現實世界有某種影響，是衡量分析是否有價值的試金石。 分析，即解決問題的策略。

做任何事情之前先想清楚道跟法，先有框架，再去專研，這本書對框架的搭建非常有幫助，強烈推薦

寫的不錯，視角和觀點很好，有高度有深度，還能結合實際操作

1.學習不同行業的知識（以及你主要工作領域之外的興趣點），同時對自己的業務保持更深入的瞭解。 2.成爲一個單人學習型組織（one-person learning organization[1]），也就是說，要善於處理不同類型的數據和概念，同時充分借鑑過去的知識和經驗。 3.培養像“內部改革者”一樣思考的能力。 4.在工作和個人生活的各個方面都表現出敏捷性和靈活性。 5.學習創造力的藝術，以及思考、構建和解決問題的新方式。 6.通過語言的、非語言的、書面的方式來溝通想法，也包括可視化的溝通方式。

融合了數據科學、設計思維和組織理論，全方位闡釋如何高效達成高水平企業級數據分析能力。本書旨在爲數據分析生命週期提供一個全面和實用的指南，並着重於爲組織打造行之有效的數據分析能力。 數據分析的基礎是什麼？目的是什麼？方法是什麼？讀了你就清楚了。

這是一本翻譯國外的書籍。整體上翻譯的還是不錯的。 就內容而言，這本書更多的是從“道”的方面去闡述數據分析，而非具體的數據分析的“術”，所以它面向的應該是公司的管理者或者數據分析團隊負責人，而不是想進入行業、想學習具具體數據分析技能的朋友們。 這篇文章主要講了幾個大的部分： 第一部分是數據分析基礎，包括數據分析是什麼？爲什麼數據分析很重要，以及我們需要搭建怎樣的組織和平臺去開展數據分析？這些也是從管理者的視角去出發闡述的。這一部分就比較偏理論和管理了。 第二部分會講數據分析的生命週期管理，也就是說數據分析的幾個主要的流程和步驟。從探索問題，數據探查，分析過程和成果落地等幾個流程去闡述數據分析的全流程。這一塊和數據分析的關係比較大一些，但是也只是去闡述了基本的流程和概念，並不涉及到具體的操作層面，所以整體上還是偏理論一些，告訴我們是什麼和一些方法論，更多的還是站在管理者的視角。 最後一部分講的是數據分析在未來的應用，這一部分更多是從管理者的視角去闡述，我們爲什麼需要數據分析？它的重要性，以及我們怎樣去培養數據分析的人才？數據分析人才的勝任力模型等，搭建公司的數據分析人才體系，這些其實更多也是站在管理者的角度來寫的。 所以總結下來而言，這是一篇稍微比較基礎的，面向管理者的，去了解數據分析全貌和流程的一本書籍。整體偏理論，實操性不強。尤其對於如果是入行，想學習數據分析技能的朋友就更不合適了，所以只推薦作爲了解即可。

本書標題的數據分析指的是整個數據應用落地的過程，涉及的團隊除了數據分析師，還有數據開發、數據產品、質量保障、算法開發等。 全書圍繞如何構建企業級數據分析能力，講了很多\道\層面的內容，包括企業數據戰略、數據人才能力模型、數據分析組織架構等，內容非常專業也很高屋建瓴，建議書友可以先快速翻翻。 書中作者建議把所有的數據分析產出物都當做產品，將產品思維應用到數據分析過程中來。這點感觸比較深，目前越來越多的數據分析師淪爲取數機器，用戶提什麼就給什麼，很少會深入分析用戶需求背後的邏輯，導致自己的職業生涯越走越窄，多學點產品思維是個非常不錯的選擇。

本書融合了數據科學、設計思維和組織理論，全方位闡釋如何高效達成高水平企業級數據分析能力。本書旨在爲數據分析生命週期提供一個全面和實用的指南，並着重於爲組織打造行之有效的數據分析能力。

數據分析的書籍讀了不少，沒有發現這本書有太多出彩的地方