新書推薦：
《
中国年画 1950-1990 THE NEW CHINA: NEW YEAR PICTURE 英文版
》
售價：HK$
236.0
《
革命与反革命：社会文化视野下的民国政治（近世中国丛书）
》
售價：HK$
93.2
《
画楼：《北洋画报》忆旧（年轮丛书）
》
售價：HK$
337.5
《
大国脊梁：漫画版
》
售價：HK$
80.2
《
跟着渤海小吏读历史：大唐气象（全三册）
》
售價：HK$
189.0
《
心智的构建：大脑如何创造我们的精神世界
》
售價：HK$
81.4
《
美国小史（揭秘“美国何以成为美国”，理解美国的经典入门读物）
》
售價：HK$
81.4
《
中国古代北方民族史丛书——东胡史
》
售價：HK$
87.8
|
| 內容簡介： |
|
本书不是一本关于数据分析的技术书籍，没有复杂枯燥的算法、工具和系统介绍，但对于企业管理人员深入认识数据分析在企业决策中的作用，避免一些导致数据分析项目失效的错误认识，提升业务决策中利用机器智能的效果，提供了数据思维以及方法论的指导。本书分为三个部分，分别阐述在结合人的心智和机器智能过程中，如何避免一些数据分析错误的认识，实现人机共生的机会以及实现人机共生的主要方法。
|
| 關於作者： |
第一部分 人机共生的12个谬误之最
谬误1 大数据无所不能 3
谬误2 数据越多，洞察力越丰富 16
谬误3 首先，我们需要一个数据湖和许多工具 25
谬误4 数据分析仅仅是分析的一个挑战：第1部分——最后一英里 30
谬误5 数据分析仅仅是分析的一个挑战：第2部分——组织结构 34
谬误6 重组不会对分析产生不利影响 38
谬误7 知识管理很简单 43
谬误8 智能机器能够解决任何分析问题 47目录
译者序
前言
致谢
作者简介
第一部分 人机共生的12个谬误之最
谬误1 大数据无所不能 3
谬误2 数据越多，洞察力越丰富 16
谬误3 首先，我们需要一个数据湖和许多工具 25
谬误4 数据分析仅仅是分析的一个挑战：第1部分——最后一英里 30
谬误5 数据分析仅仅是分析的一个挑战：第2部分——组织结构 34
谬误6 重组不会对分析产生不利影响 38
谬误7 知识管理很简单 43
谬误8 智能机器能够解决任何分析问题 47
谬误9 一切都必须在内部完成 59
谬误10 我们需要更多、更广泛以及更华丽的报表 64
谬误11 分析投资意味着巨大的投资回报率 70
谬误12 分析是一个理性的过程 76
结论 81
第二部分 为人机共生创造重大机会的13个趋势
趋势1 云与移动技术的小行星撞击 85
趋势2 物联网的两面性 93
趋势3 一对一营销 102
趋势4 知识环的监管泛滥 107
趋势5 向现收现付或基于产出的商业模型迁移 118
趋势6 多客户端应用中的隐藏价值 127
趋势7 数据资产、可替代的数据和智能数据的竞争 130
趋势8 市场和共享经济最终着陆于数据和分析 138
趋势9 知识管理2.0——仍然是一个难以捉摸的幻影吗？ 141
趋势10 工作流平台和流程自动化分析用例 149
趋势11 2015～2025年：人机交互的兴起 157
趋势12 敏捷，敏捷，敏捷 164
趋势13 （人机共生）2 = 全球合作大于1+1 168
结论 187
第三部分 人机共生的实现方法 189
观点1 关注业务问题和客户收益 200
观点2 筹划知识环 207
观点3 根据问题树明智地选择数据 211
观点4 机器支持心智的有效边界 219
观点5 合理的心智相容意味着锦囊妙计 224
观点6 正确的工作流：嵌入在流程中的灵活平台 231
观点7 为终端用户提供优质服务：解决“最后一英里”问题 235
观点8 正确的用户互动：用户体验的艺术 240
观点9 综合的知识管理意味着速度和成本节约 247
观点10 商业模型：现收现付或单位定价 253
观点11 知识产权：人机共生的知识对象 255
观点12 创建审计跟踪和风险管理系统 258
观点13 正确的心理学：聚集人的心智 260
观点14 用例组合的治理：控制和投资回报率 263
观点15 用例的交易和共享 267
结论 269
参考文献 270
用 例 清 单
创新分析：新兴行业增长指数 6
交叉销售分析：机会仪表盘 10
订阅管理：“800位用例” 14
创新侦查：寻找合适的创新 23
虚拟数据湖：Stream Financial公司的一个用例 27
InsightBee：最后一英里 31
为灵活性构建市场智能解决方案套件 40
知识产权：管理增值知识产权警报 50
投资银行分析：标识（Logo）库 54
管理间接采购市场智能：高效采购 62
Insight Bee采购智能：采购风险的有效管理 68
品牌认知分析：数字领域中的评估意见 74
财富管理：为独立财务顾问使用InsightBee 86
物联网分析：使用传感器数据的基准测试机 95
Insight Bee：通过现收现付的市场智能 105
虚拟分析师：智能定价与动态贴现 112
Insight Bee销售智能：主动识别新的销售机会 125
客户分析：协助进入市场战略 134
社会洞察力：亚洲语言社交媒体洞察力 136
管理研究流程：工作流和自助服务 144
资产管理自动化：基金便览 151
投资银行：自动化日常任务 155
人机接口：游戏控制者 162
财务基准分析：环境指标 173
行业部门更新：营销展示 177
投资银行：全球远岸研究职能 179
财务基准分析：指标报表 183
能源零售商：竞争性的定价分析 194
知识产权：识别和管理知识产权风险 196
市场和客户智能：市场库存 198
客户流失分析：B2B经销商网络 203
预防性维护：网络故障分析与预测 205
供应链框架：瓶颈识别 209
支出分析：类别计划工具 215
预测性分析：交叉销售支持 217
卓越绩效分析：效率指标 221
金融服务：投资银行工作室 232
销售支持：基于账户的营销支持 238
InsightBee：Every Interaction公司的UX设计研究 245
|
| 目錄：
|
目录
译者序
前言
致谢
作者简介
第一部分 人机共生的12个谬误之最
谬误1 大数据无所不能 3
谬误2 数据越多，洞察力越丰富 16
谬误3 首先，我们需要一个数据湖和许多工具 25
谬误4 数据分析仅仅是分析的一个挑战：第1部分——最后一英里 30
谬误5 数据分析仅仅是分析的一个挑战：第2部分——组织结构 34
谬误6 重组不会对分析产生不利影响 38
谬误7 知识管理很简单 43
谬误8 智能机器能够解决任何分析问题 47
谬误9 一切都必须在内部完成 59
谬误10 我们需要更多、更广泛以及更华丽的报表 64
谬误11 分析投资意味着巨大的投资回报率 70
谬误12 分析是一个理性的过程 76
结论 81
第二部分 为人机共生创造重大机会的13个趋势
趋势1 云与移动技术的小行星撞击 85
趋势2 物联网的两面性 93
趋势3 一对一营销 102
趋势4 知识环的监管泛滥 107
趋势5 向现收现付或基于产出的商业模型迁移 118
趋势6 多客户端应用中的隐藏价值 127
趋势7 数据资产、可替代的数据和智能数据的竞争 130
趋势8 市场和共享经济最终着陆于数据和分析 138
趋势9 知识管理2.0——仍然是一个难以捉摸的幻影吗？ 141
趋势10 工作流平台和流程自动化分析用例 149
趋势11 2015～2025年：人机交互的兴起 157
趋势12 敏捷，敏捷，敏捷 164
趋势13 （人机共生）2 = 全球合作大于1+1 168
结论 187
第三部分 人机共生的实现方法 189
观点1 关注业务问题和客户收益 200
观点2 筹划知识环 207
观点3 根据问题树明智地选择数据 211
观点4 机器支持心智的有效边界 219
观点5 合理的心智相容意味着锦囊妙计 224
观点6 正确的工作流：嵌入在流程中的灵活平台 231
观点7 为终端用户提供优质服务：解决“最后一英里”问题 235
观点8 正确的用户互动：用户体验的艺术 240
观点9 综合的知识管理意味着速度和成本节约 247
观点10 商业模型：现收现付或单位定价 253
观点11 知识产权：人机共生的知识对象 255
观点12 创建审计跟踪和风险管理系统 258
观点13 正确的心理学：聚集人的心智 260
观点14 用例组合的治理：控制和投资回报率 263
观点15 用例的交易和共享 267
结论 269
参考文献 270
用 例 清 单
创新分析：新兴行业增长指数 6
交叉销售分析：机会仪表盘 10
订阅管理：“800位用例” 14
创新侦查：寻找合适的创新 23
虚拟数据湖：Stream Financial公司的一个用例 27
InsightBee：最后一英里 31
为灵活性构建市场智能解决方案套件 40
知识产权：管理增值知识产权警报 50
投资银行分析：标识（Logo）库 54
管理间接采购市场智能：高效采购 62
Insight Bee采购智能：采购风险的有效管理 68
品牌认知分析：数字领域中的评估意见 74
财富管理：为独立财务顾问使用InsightBee 86
物联网分析：使用传感器数据的基准测试机 95
Insight Bee：通过现收现付的市场智能 105
虚拟分析师：智能定价与动态贴现 112
Insight Bee销售智能：主动识别新的销售机会 125
客户分析：协助进入市场战略 134
社会洞察力：亚洲语言社交媒体洞察力 136
管理研究流程：工作流和自助服务 144
资产管理自动化：基金便览 151
投资银行：自动化日常任务 155
人机接口：游戏控制者 162
财务基准分析：环境指标 173
行业部门更新：营销展示 177
投资银行：全球远岸研究职能 179
财务基准分析：指标报表 183
能源零售商：竞争性的定价分析 194
知识产权：识别和管理知识产权风险 196
市场和客户智能：市场库存 198
客户流失分析：B2B经销商网络 203
预防性维护：网络故障分析与预测 205
供应链框架：瓶颈识别 209
支出分析：类别计划工具 215
预测性分析：交叉销售支持 217
卓越绩效分析：效率指标 221
金融服务：投资银行工作室 232
销售支持：基于账户的营销支持 238
InsightBee：Every Interaction公司的UX设计研究 245
|
| 內容試閱：
|
前言感谢你购买这本书。
2015年，在研究和分析领域工作15年之后，我们决定创立采用人机共生概念的Evalueserve公司。我相信，人类大脑的感知力与自动化的结合是至关重要的，因为无论是人的心智还是机器，在未来都没有独立处理复杂的分析任务的能力。
John Wiley & Sons的编辑小组在2015年11月与我联系，询问我是否愿意写一本关于人机共生方法如何帮助管理信息密集流程的书籍——这是一个全世界公司都越来越感兴趣的话题。我从客户、朋友和同事那里获得了非常积极的反馈意见，并决定开始实施。
本书面向销售、营销、采购、研发、供应链等主流业务的中高层管理人员，尤其是B2B和B2C行业的管理人员，即读者对象是数据分析的潜在受益者和终端用户，以及可能需要在现在或将来根据分析结果做出决策的人。这本书并不是针对数据科学家的技术文档——尽管如此，我坚信，即使是那些专家也可以从分析中理解获得投资回报的主要问题。
本书不会研究特别高级且罕见的分析用例，针对这些用例已经有专门的教科书。相反，本书正在寻找有效的方式，为管理和改善决策以及获得积极的投资回报提供实际的帮助。
阅读本书后，你应该已经了解分析领域人机共生价值链的关键问题，并能够向数据科学家、IT专家和供应商询问正确的问题。在你为一个新提案花费数百万美元之前，应该了解可用的选择和方法。你将会学到一些有用的东西来揭示分析世界。
本书还提出了一种新颖的方法，即用例方法（Use Case Methodology ，UCM），以提供一套有形和经过测试的工具，使你的生活更轻松。
本书采用39个详细的用例和大量的生活实例说明人机共生的应用。相信你会从中发现自己的一些经验。你会发现，你绝非世上唯一在试图理解和学习数据分析的人。
正是以下这两段对话，让我想用这些点子来解决世界各地的分析问题。
一家B2B公司的高级生产经理对我说的第一句话就是：
“Marc，这次会议是关于大数据的吗？如果是的话，我这就走。供应商说我必须安装一个数据湖，并且雇佣大量稀缺且昂贵的统计学家和数据科学家。董事会说我必须在大数据方面做一些事情。但这实在是价格高且复杂，毫无道理。我只是想确保一线人员能及时获得他们需要的东西。我不断听到其他公司的反馈，在数据分析项目初步开展以后，他们不能适应这些分析项目，业务人员一直在抱怨工作进度慢，首席财务官也在询问许多关于大数据方面财务支出的问题。”
在一场与某家资产管理公司的首席运营官（COO）确定项目范围的会议期间，这位COO说：
“我们每年都为养老基金和其他机构投资者做数千个推销活动。我们拥有超过25种不同的数据来源，具有定量数据和定性信息以及许多区域性数据。但是，我们仍然在手动聚集所拥有的资产，并通过电子邮件完成法律部门的签发程序。一定有比这更聪明的办法。”
为什么数据分析的争议颇多，挑战很大？为什么管理者会因为过于夸张且陌生的新举措和流程而感到厌烦，以及因为没有更好的方式来完成工作而感到沮丧（尽管所有的变化都涉及更好、更大和更机智的分析）呢？典型的直线经理希望以正确的格式在合适的时间为合适的人提供正确的决策支持。个人和公司全力以赴地吸收信息的能力并没有跟上分析用例和可用数据的迅速增长。此外，现有的和新的合规性要求正在以惊人的速度累积，特别是在重点监管行业，例如金融服务和医疗保健。
分析本身并不是真正的问题。在大多数情况下，组织内部的业务运筹才是问题：对工作流进行定义并有效地执行，即对内部调整、IT项目的操作复杂性以及其他阻碍进展的组织性障碍的决策。这些复杂情况会拖慢进程，或者使项目脱离最初的目标，从而导致分析的实际受益人（例如大客户经理，或者实地采购经理）不能及时得到所需。
许多其他问题困扰着分析界：“数据湖”和“神经网络”这些非直观术语的扩散、数据分析心理的时常忽视，由此促使公司过度执着于数据力量，并且将实际操作过于复杂化，以及过度的市场炒作导致技术无法实现承诺。
基于与数百个Evalueserve公司的客户以及前同事在战略咨询领域的交流，一般管理人员对于简化框架的需求越来越迫切，使得信息密集型的决策支持过程更加经济且有效。简单流程总是优于复杂和不透明的流程——分析领域也不例外。
我想揭示分析的真谛。据观察，大数据和人工智能等术语在媒体中正受到高度关注，以至于最为基本的日常分析主题被忽视，例如，问题定义、数据收集、数据清理、数据分析、可视化、传播以及知识管理等主题，我将从这个观察出发进行论述。将大数据应用于每个分析问题就像采用一种高度精确的厨具，例如一种精细平衡的寿司刀，并尝试将其应用于每一项任务。虽然在好几个领域出现了非常有用的大数据用例，但是它们在数十亿的分析用例中仅占5%。
其他95%的用例是什么？小数据。有这么多分析用例需要小数据来产生很大影响，这实在是不可思议。在所有表明这一问题的用例中，我最喜欢的一个用例是，仅依靠800位数据信息就为一家投资银行每年节省了一百万美元的重复投资。第一部分将详细讨论这个用例。
的确，并不是每一个用例都是这样，但是我想说明一点，企业有很多机会利用非常简单的工具来分析现有的数据，并且投资回报率与数据集大小之间几乎没有相关性。
本书专注于端对端的支持决策或产生基于信息的输出的信息密集流程，例如推销员的宣传或者研究以及数据产品，无论是对内部接受者，还是外部客户。这包括所有类型的数据和信息：定性和定量；金融、商业和运营；静态和动态；大量和少量；结构化和非结构化。
人机共生的概念通过人类思维与机器的结合改善了生产率、上市时间和质量，或者创造了以前不存在的新功能。本书并不涉及物质产品的生产，也不关注工业4.0模式中对实物机器或者机器人的使用。此外，本书将研究全面的端对端分析价值链，这远远超出了解决分析问题或获得某些数据的范围。最后，会讨论如何确保分析协助人们赚钱，并满足客户需求。
第一部分将研究分析领域的当前状况，澄清那些混淆正确看法的12个谬误。令人惊讶的是，这些谬误在媒体甚至高级管理层都已经根深蒂固。希望第一部分能为你提供工具，用以应对营销炒作、达到高级管理层的期望，以及理解该领域的术语。第一部分还包含前面提过的800位数据的用例。相信你已经迫不及待地想要阅读细节了。
第二部分将研究影响分析和推动积极变化的主要趋势。这些趋势对于该领域的大多数用户和决策者来说基本上是一个好消息。它大幅简化了流程，由此降低了IT支出，缩短了开发周期，并增强了用户界面，为可盈利的新用例建立了基础。这一部分主要研究以下重要问题：
物联网、云技术和移动技术发生了什么？这将如何推动新的数据、新的用例和新的交付模式？数据资产、替代数据和智能数据的增长速度有多快？终端用户快速变化的期望到底是什么？人机应该如何相互支持？现代工作流管理和自动化让事情加快了吗？现代用户体验设计如何改善影响？类似“现收现付”这样的商业模型与分析如何相关？监管环境如何影响分析计划？第三部分将介绍人机共生中的最佳实践。这一部分将通过用例方法（UCM）来分析端对端的价值链，重点关注如何完成任务。你将发现如何设计和管理个人用例的实用建议，以及如何管理用例的组合。
本书还会解决一些关键问题：
什么是分析用例？我们应该如何考虑客户的利益？用例的正确分析方法是什么？我们需要哪种程度的自动化？我们如何在合适的时间以合适的形式满足终端用户？我们如何准备应对合规性的必然检查？我们从哪里可以获得外部帮助，什么是实际成本和时限期望？我们如何重用用例，以缩短开发周期并提高投资回报率？然而，仅仅关注个别用例是不够的，还应该放眼整体用例组合的管理。因此，这一部分还将回答以下问题：
我们如何寻找用例，并对其划分优先顺序？需要什么层次的监管以及如何设置？在用例组合中，我们如何发现用例之间的协同效应，并重用它们？我们如何确定它们实际上提供了预期的价值和投资回报率？我们如何管理并治理用例组合？在第三部分的最后，你应该能够解决人机共生的主要问题，这涉及单个用例，也包括用例组合。
本书使用了大量通俗用语来解释问题，避免过多的专业用语。其中一些表达可能有些唐突，但是我希望这些表达使阅读变得有趣，让对逻辑要求很高的分析主题轻松化。如果在阅读本书的过程中读者能被逗笑几次，那么我的目的就达到了。
我很开心能和读者一起畅游人机共生的世界，感谢大家选择我作为向导。让我们开始吧！
致谢衷心感谢Evalueserve公司的忠实客户、员工和合作伙伴，没有他们的贡献，这本书是不可能完成的；感谢四个外部贡献者与合作伙伴：来自Every Interaction 的Neil Gardiner，来自Acrea的Michael Müller，来自State of Flux的Alan Day，以及来自Stream Financial的Stephen Taylor；感谢我们的品牌代理机构Earnest在品牌创造方面的思想领导力；感谢Evalueserve团队，感谢我们的合作伙伴MP Technology、Every Interaction、Infusion、Earnest和Acrea的所有团队，感谢你们创建并定位了InsightBee以及其他人机共生平台；感谢本书所有用例的创作者、所有者及其各自的运营团队；感谢帮助维持项目正常运行的Jean-Paul Ludig；感谢 Derek和Seven Victor在本书编写过程中提供的巨大帮助；感谢Evalueserve公司的市场团队；感谢Evalueserve公司董事会和管理团队替我分担了大量运营工作，让我得以写完这本书；感谢John Wiley & Sons给我这个机会；感谢Ursula Hueby这些年来保证Evalueserve公司的物流正常运行；感谢我们的前任首席运营官Ashish Gupta，感谢他作为朋友从一开始就帮助我创立公司；感谢Alok Aggarwal和我共同创立公司；感谢他的妻子Sangeeta Aggarwal介绍我们相识；最重要的是，感谢我的贤妻Gabi这些年来一直支持我，并积极参与了Evalueserve公司的所有重要活动，成为我在日常生活中和进行重要思维实验时的重要合作伙伴，同时鼓励我深入探讨这些人机共生分析各类参与者的心理。
Marc Vollenweider
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
