数据分析即未来：企业全生命周期数据分析应用之道

#小曾曾读书笔记# 《数据分析即未来：企业全生命周期数据分析应用之道》这是一本特别适合企业中高层领导看的书，书本讲解了在企业生命周期内，数据分析应该承担什么样的角色、如何做好这个角色、以及可能遇到的各种问题。它不是一本抠细节的教程向的指南，而是侧重于战略和体系的数据分析白皮书。 《大数据时代》曾说，大数据时代相比于小数据或者无数据时代，有显著的三个变化： 分析数据从抽样扩充为全体， 从追求精确度转化为追求准确度， 从深挖因果关系转化为聚焦相关关系。 很多企业标榜数据驱动业务，但是这种驱动往往只体现在整个运行环节的很小一部分，同时又在更迭飞快的时代去抠绝对精准的数据导致错过时间窗口。 数据分析应该是贯穿业务动作的始末：从假设开始，到设计方案，收集数据，清洗整理，描述数据，分析数据，提炼动作，到落地执行，产品复用…… 贯彻MVP最小可行性产品原则，实现小步快跑、快速迭代。 数据分析最重要的是什么？是： 高效持续地为业务赋能，提升业务价值！ 本书可读性：优；实操性：良。 系统梳理本书的核心知识点： 1、业界通常将企业的数据分析应用能力从低到高划分为三个阶段，分别是解释型分析阶段、预测型分析阶段和生产型分析阶段，三个阶段的数据分析能给企业带来的业务价值是不断提升的，但同时对企业数据分析应用人才队伍能力的要求也是不断升高的。 2、数据分析能力模型 解决问题：懂业务流程，会细分问题，提出落地的解决方案； 批判性思考：从不同角度客观看待问题，审视是否全面； 阐述分析结果：优秀的可视化和演示的能力，书面表达能力； 善于合作：推进项目，争取资源，合作共赢，善于口头表达。 3、对分析师团队能力构成提出四方面的明确要求：定量化数据分析能力、完善的数据管理能力、良好的业务沟通与成果可视化能力和敏锐的业务理解能力。 4、数据科学和分析的区别：数据科学可以帮助甚至支持自动化实现对数据的分析，但是分析是一种以人为中心的策略，它充分利用各种工具，包括那些在数据科学中发现的工具，来理解事物现象之间的真正本质。 5、数据分析师应该不断发问，深挖细节，几个典型问题举例： 如果这样那又会如何？ 如果有了结论我们能做些什么？ 这个分析结果将如何改变流程或工作流？ 这个指标是做什么的？ 为什么？ 6、在企业不同生命周期阶段需要数据分析师和数据部门具有以下5种能力，形成敏捷迭代的数据流程，为业务赋能： 问题理解：梳理业务，提出问题，调查原因； 数据探查：数据准备，数据提取，数据总结； 模型开发：数据可视，统计分析，预警预测； 成果落地：应用结果，提炼行动，落地反馈； 产品管理：提炼产品，职责分工，测试复用。 7、评判数据分析问题是否合理的FINER五原则： 是否可行：具体，能否回答，数据沉淀； 是否有趣：是否有回报，领导是否关心； 是否新颖：是否被研究过，能否被回溯； 合乎道德：在规定、法律法规的范围内； 业务相关：解决后业务流程是否能优化。 8、衡量组织分析成熟度的五个维度： 战略协同：目标一致，部门协同 信息管理：明确用表，规整信息 高级分析：高级模型，沉淀产品 数据隐私和安全：合规、安全 数据管理：储存合理，质量保证 9、评估分析模型的表现，或者数据做的分析项目的成果，可以考虑几个指标： 模型/项目外自主决策数量：越多说明模型或者项目结果不好； 错误率：召回率、准确率、误差、准确度等等； 业务价值：上线落地后为业务带来的实际价值，增加了多少收入，降低了多少成本，提升了多少满意度，降低了多少客诉； 速度和敏捷性：提高了多少效率。 10、回顾项目的时候可以参考的方向点（加上个人理解） 项目的概览：用STAR原则，即背景-任务-行动-结果，来进行描述； 项目的亮点：自己找数据集做的项目，相比于网上其他人的不同之处在哪里；公司内部的项目，受到领导推崇业务赞赏的点在哪里； 项目的难点：在项目实施过程中，遇到了哪些问题，自己又是如何解决的，这些问题的本质是什么问题； 项目的缺点：项目尚需改进的地方在哪里，站在当下角度回看这个项目，你会做什么让这个项目变得更好； 项目的复用：项目沉淀了多少或成功或失败的经验，有哪些东西是可以在下一个项目中继续使用的。 11、分析胜任力模型 业务知识：运营工作流、IT政策、组织和团队的角色，以及组织的结构。 分析思维：问题设计、统计和分析的方法、结果解释、将分析洞察投入生产和运营，以及宣传分析产品。 数据管理：数据整理、数据质量、数据治理和数据建模。 数据探索：数据探查和特征描述，数据之间的关系和连接，以及基础的业务工作流。 数据可视化：讲述故事、可视化技术、可操作性（actionability）以及可视化设计原则。 技术素养：工具的选择和使用、安全和隐私、工具的敏捷性和流畅性、系统性思维和企业系统架构。 战略思维：创新和设计思维、战略协同、数据驱动的决策制定、专业精神和道德操守。 领导力：变革领导力、指导和培养、协同领导力、冲突管理、影响力、团队领导力，还有财务能力。 分析产品管理：质量过程、资源组合管理、业务影响评估、产品维护和持久性、需求管理和知识管理。 12、站在未来的视角看待当下：了解不同行业；终身学习；批判性思考；思维敏捷；学会提问和解决问题；学会沟通。

如果分析既不推动变化也不产生成果，那么就不会有多大意义，结果充其量是有趣的。分析成果是否对改变现实世界有某种影响，是衡量分析是否有价值的试金石。 分析，即解决问题的策略。

做任何事情之前先想清楚道跟法，先有框架，再去专研，这本书对框架的搭建非常有帮助，强烈推荐

写的不错，视角和观点很好，有高度有深度，还能结合实际操作

1.学习不同行业的知识（以及你主要工作领域之外的兴趣点），同时对自己的业务保持更深入的了解。 2.成为一个单人学习型组织（one-person learning organization[1]），也就是说，要善于处理不同类型的数据和概念，同时充分借鉴过去的知识和经验。 3.培养像“内部改革者”一样思考的能力。 4.在工作和个人生活的各个方面都表现出敏捷性和灵活性。 5.学习创造力的艺术，以及思考、构建和解决问题的新方式。 6.通过语言的、非语言的、书面的方式来沟通想法，也包括可视化的沟通方式。

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。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。 数据分析的基础是什么？目的是什么？方法是什么？读了你就清楚了。

这是一本翻译国外的书籍。整体上翻译的还是不错的。 就内容而言，这本书更多的是从“道”的方面去阐述数据分析，而非具体的数据分析的“术”，所以它面向的应该是公司的管理者或者数据分析团队负责人，而不是想进入行业、想学习具具体数据分析技能的朋友们。 这篇文章主要讲了几个大的部分： 第一部分是数据分析基础，包括数据分析是什么？为什么数据分析很重要，以及我们需要搭建怎样的组织和平台去开展数据分析？这些也是从管理者的视角去出发阐述的。这一部分就比较偏理论和管理了。 第二部分会讲数据分析的生命周期管理，也就是说数据分析的几个主要的流程和步骤。从探索问题，数据探查，分析过程和成果落地等几个流程去阐述数据分析的全流程。这一块和数据分析的关系比较大一些，但是也只是去阐述了基本的流程和概念，并不涉及到具体的操作层面，所以整体上还是偏理论一些，告诉我们是什么和一些方法论，更多的还是站在管理者的视角。 最后一部分讲的是数据分析在未来的应用，这一部分更多是从管理者的视角去阐述，我们为什么需要数据分析？它的重要性，以及我们怎样去培养数据分析的人才？数据分析人才的胜任力模型等，搭建公司的数据分析人才体系，这些其实更多也是站在管理者的角度来写的。 所以总结下来而言，这是一篇稍微比较基础的，面向管理者的，去了解数据分析全貌和流程的一本书籍。整体偏理论，实操性不强。尤其对于如果是入行，想学习数据分析技能的朋友就更不合适了，所以只推荐作为了解即可。

本书标题的数据分析指的是整个数据应用落地的过程，涉及的团队除了数据分析师，还有数据开发、数据产品、质量保障、算法开发等。 全书围绕如何构建企业级数据分析能力，讲了很多\道\层面的内容，包括企业数据战略、数据人才能力模型、数据分析组织架构等，内容非常专业也很高屋建瓴，建议书友可以先快速翻翻。 书中作者建议把所有的数据分析产出物都当做产品，将产品思维应用到数据分析过程中来。这点感触比较深，目前越来越多的数据分析师沦为取数机器，用户提什么就给什么，很少会深入分析用户需求背后的逻辑，导致自己的职业生涯越走越窄，多学点产品思维是个非常不错的选择。

本书融合了数据科学、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。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。

数据分析的书籍读了不少，没有发现这本书有太多出彩的地方