智能數據 [Smart Data] 下載 mobi epub pdf 電子書 在線閱讀 2026

産品特色

編輯推薦

麵對巨量數據，還能找到寶石和金子嗎？
如果榖歌即將踏足你的市場，該怎麼辦？
成本高昂的IT工具真的能夠解決問題嗎？
羅蘭貝格專傢帶你突破大數據的價值瓶頸！

內容簡介

如今，很多企業被淹沒在數據洪流之中，數據並沒有給它們帶來太多好處。企業數字化競爭力的提升也並沒有像在公司戰略會議上渲染“大數據”這一概念時所描述的那樣快。其實，在大多數應用領域，數據量的多寡並不是衡量數據價值創造力的決定性標準。本書描繪瞭一條走齣“大數據帶來的失望”的更智慧的路綫，適用於那些已經意識到“起決定作用的不是數據量，而是正確地整閤數據，物盡其用”的企業。這一路綫被稱為“智能數據”。
智能數據的齣發點是：“在不增加技術、人員和資金投入的情況下，我們如何高效地利用客戶數據信息？”其本身就是一種切實可行的方法論。從這個方法論齣發，我們可以得齣一套不斷迭代更新的、在逐步摸索中的、基於假設的行為方式。智能數據的理念是，在你所在的行業內成為數字智能化非常高的企業，在麵對直接的數字化競爭時，藉助數據分析，能夠一步步地打造自身的競爭優勢。
一般來說，導緻數字變革宣告破産的，並非是技術力量的匱乏，而是源於企業內部的對抗、過於刻闆的組織構架和失誤的變革期管理。本書介紹瞭企業如何通過改革自身的管理、企業文化以及組織構架以成為智能數據時代的佼佼者。在大數據時代，少即是多——隻要是對的，那麼更少的數據將更有成效。今天的企業需要提高“數字素養”。

作者簡介

比約恩·布勞卿（Björn Bloching），羅蘭貝格管理谘詢公司的高級閤夥人、數字化部門全球主管，羅蘭貝格數字中樞創建者，經驗豐富的營銷專傢，領導著該谘詢公司的國際市場與銷售技術中心。 拉斯·拉剋（Lars Luck），麥德龍集團首席組閤戰略專傢，此前曾任羅蘭貝格管理谘詢公司閤夥人，領導“銷售和有針對性營銷”實踐小組。 托馬斯·拉姆什（Thomas Ramge），德國著名財經雜誌《brand eins》記者，報道領域涵蓋技術、IT及營銷領域。《經濟學人》特約編輯。著作頗豐，曾獲得德國《金融時報》頒發的卓著商業圖書奬。

目錄

引 言 以少博多的智能數據使用者
規模並不重要 // 001
成為行業“智者” // 004
智能數據理念梗概 // 005
新“數據閤同” // 007
第一部分 從大數據嚮智能數據轉變
第1 章 深陷數據過載的愁雲慘霧
流感預測器也鬧“流感” // 013
技術成熟度麯綫（Hype-Cycling） // 019
沒有“大爆炸”的大數據 // 022
以守為攻戰術 // 027
第2 章 數字化海嘯—完全不關注數據也行不通
沿價值鏈産生分化 // 033
機智，聯閤，進攻 // 036
到處都土崩瓦解！ // 041
投資者眼光 // 057
第3 章 智能數據冠軍—選擇正確的數據是成功的基礎
聰明的數據使用者 // 063
找對數據比擁有超多數據更有用 // 066
“3W”：為什麼？如何做？做什麼？ // 069
概率擊敗偶然 // 075
第二部分 智能數據的循環
第4 章 五步流程實現增值
提齣正確的問題 // 081
使用正確的數據 // 090
客戶需求理解 // 095
提齣自己獨特的銷售主張 // 111
正確地吸引客戶 // 114
結論：實現增值 // 122
第三部分 冠軍企業的智能數據應用領域
第5 章 更加智慧地接近客戶—在閤適的時間、
以閤理的價格、提供所需的産品
時尚策劃 // 127
策劃式配件 // 129
哈，這個賣傢是真正瞭解我的！ // 133
貿易方麵的分析小知識 // 137
在價格發現過程中，好貨也得便宜 // 140
物理網點銷售打敗網絡化銷售 // 142
第6 章 從貿易夥伴轉變為數據夥伴—通過中介共同提高
客戶潛力
一切對抗一切？ // 147
協同型客戶關係管理 // 150
瑞士法典 // 156
假名的力量 // 158
雙重選擇性加入？是的！ // 163
第7 章 智能優化選址、産品綫和産品
“錯誤的旗杆” // 167
在正確的地點采用正確的銷售模式 // 171
實時優化産品綫 // 176
第8 章 多渠道到底是什麼意思—為客戶和企業提供*好
的“客戶旅程”
多渠道發展—內外有彆 // 187
彈球機而不是保齡球 // 190
每人一個蘋果賬戶! // 193
客戶旅程中的渠道斷點 // 198
在綫産品展示廳 // 202
第四部分 企業的智能化之路
第9 章 能夠接受錯誤纔是正確的經營態度
彈道式思維 // 211
用不斷嘗試打敗加農炮理論 // 215
無計劃時代的企業管理 // 217
孔子說…… // 224
數據大狂歡 // 227
第10 章 使組織更加靈活—選擇正確的組織構架、流程
和技術
可以自由選擇工作崗位嗎？ // 229
智能數據的摺中路綫 // 232
數字化變革中的“四步走” // 233
迭代增量，小步快跑！ // 243
第11 章 智能化地引進人纔和開展培訓—正確選擇員工
戰略規劃官 // 246
數據科學傢 // 247
項目經理 // 251
變革管理經理 // 252
第五部分 贏得數據
第12 章 選擇客戶真正需要的數字化戰略
公眾眾口鑠金 // 257
隱私精神分裂癥 // 259
透明的“數據章魚”？ // 262
贏得數據 // 265
後NSA時代的人 // 271
全新模式 // 273

精彩書摘

客戶細分黑盒子
客戶細分的目的是，基於現有數據的特徵，將客戶識彆為盡可能同質的，或是盡可能彼此異質的群組（簇）。在將相似的要素進行分組或在發現數據中潛藏的模式方麵，存在著不同的操作方法，這些方法源自機器學習領域“無監督學習”範疇。*重要的幾個分類操作方法如下：
1. 分層聚類分析
這種操作方法是基於前期已經識彆齣來的數據特徵（例如通過識彆市場上同質化群組的社會人口統計學特徵、使用行為和觀念）測算齣被觀察者（個人或公司）之間的差異，並據此建立矩陣。這個矩陣也分為許多行，同數據庫中被觀察者的分類占比保持一緻。被觀察者之間的差異涵蓋瞭所有已識彆的數據特徵，並且可以通過不同的方法計算齣來。在分層聚閤的過程中，一對兒被觀察者在一個循環流程中被反復概括比對，就連*小的差異也會被發現。這個流程會一直不停地循環重復，直到所有的被觀察者都被納入某一個簇中。這個積聚的過程可以通過多種不同的算法實現。比較常見的算法包括單聯聚類法（即SL聚類，又稱鄰近算法）和凝聚層次聚類（沃德法）。根據算法之間不同的聚閤邏輯，會産生不同的聚閤結果。采用單聯聚類法可以識彆齣一些較小的邊緣群體，若采用凝聚層次聚類法，那麼簇的規模一般會比較均衡。
分層分析方法的優點是，不需要事先就知道簇數，而是藉助於統計學參數預估齣理想的簇數，從統計學的角度齣發，理想簇數的確定需要考慮到組內同質和組間異質之間的平衡問題。分層分析方法的缺點是，計算量非常大，且隻適用於小規模的數據量。很多時候，分層分析方法被用於分析通過社會調查形式獲得的數據。分層分析流程也適用於從大數據中進行隨機抽樣，目的是獲得穩定的分類並且確定簇的數量。後續，數據科學傢會采取分區操作，將聚閤結果擴展到整個數據庫。
2. 劃分聚類分析
在分層聚類分析過程中，不需要事先就確定簇的數量，這對模式探索型的聚閤分析流程來說是一大優點。然而，在劃分聚類分析中，必須要預先就確定好簇的數量。總體來看，劃分聚類分析的各種方法間存在共性，都是根據預先確定好的簇的數量選擇齣相應數量的對象，將每個對象的初始值作為單一簇的平均值或者中心點，然後反復調整聚類劃分，直到誤差函數*小化為止。其中，*著名且應用*廣泛的誤差函數是K均值（K-Means）算法：先根據既定的簇數隨機選擇齣相應數量的對象，將這些對象的初始值作為每個簇的平均值，對剩餘的每個對象，根據其與初始均值之間的差異程度，將其歸入相應的簇。然後再重新計算每個簇的誤差函數平均值。這個過程不斷重復，直到每個簇中各對象的差異不顯著（或者說誤差*小化）。劃分聚類分析中還有一種算法是K中位數（K-Medians）或者模糊C均值（Fuzzy C-Means）。K均值的*大好處是，它尤其適閤大規模的數據分析，因為它在算法方麵不像分層聚類分析那麼復雜。但是K均值算法的問題在於對異常值的敏感度過大，偶爾會導緻十分小的聚類被劃分齣來。
另外，該算法是基於隨機選取的初始值，因此在反復調整過程中，劃分結果不是很穩定。此外，結果缺乏可再現性也是缺點之一。分層聚類分析可以補償劃分聚類分析的缺陷，因此可以將分層聚類分析中産生齣的聚閤分類結果作為K均值分析方法的簇數起點值。
3. 密度聚類分析
密度聚類分析背後的邏輯是，將被觀察者視為一個空間內的點，盡管這些觀察者之間存在很多差異化特徵。首先我們要識彆齣這個空間內的高密度區和低密度區，並以此為基礎建立起簇。這種分析方法的核心流程就是所謂的“具有噪聲的基於密度的聚類方法”（Density-Based Spatial Clustering of Applications with Noise，簡稱DBSCAN）。根據這個空間內點之間的距離，我們會識彆齣密度*高的區域，並將這個高密區內的點作為核心點。還有一些點處於中等密度區域，我們將這些點稱為邊界點，被歸至周邊的簇。還有一些點，分布非常稀疏，我們將這些點稱為噪聲點。DBSCAN分析方法的優點之一，是不需要提前就確定簇的數量，這與分層聚類分析法有異麯同工之妙。與K均值分析法相比，DBSCAN方法具有一個關鍵優勢，即可以識彆非綫性聚類，並可以有效對抗異常值。但是當空間簇的密度不均勻、間距差相差很大時，DBSCAN聚類質量較差。DBSCAN是相對比較新的聚類分析方法（1996 年纔被提齣），目前已經發展成為機器學習領域*重要的算法之一。
4. 模糊聚類分析
目前既存的係統化聚類分析流程都是將一個因素明確地歸入某一個簇中，這是所謂的“硬流程”。模糊聚類分析屬於“軟流程”，即某一個因素可以被歸入一個以上的簇，換句話說，就是在識彆聚類從屬性的不同等級。模糊聚類分析中*有名的算法是模糊C均值（FCM）。首先假定每一個被觀察對象都能夠或者傾嚮於被歸入一個簇，那麼處於簇中心位置的被觀察者歸入這個簇的可能性高一些，處於簇邊緣的被觀察者納入這個簇的可能性相對低一些，或者說簇邊緣的被觀察者也有可能被納入其他簇。
從技術層麵上看，模糊聚類分析的邏輯與K均值算法類似。模糊聚類分析這一設想的目的是，實現一個被觀察對象被歸入不止一個簇中，這在某些特定的應用案例中更具現實價值。如果市場和客戶細分部門希望獲得明確的聚類結果（例如要去評估某一聚類集閤的市場潛力），在對客戶針對不同商品種類的消費行為和購買決策進行統計分析時，多維的聚類可能更有意義。例如，為瞭精準定位並營銷旅行社潛在客戶，我們可以利用模糊聚類分析方法，通過分析交易數據信息，從而去識彆客戶的旅行類型。此時，有些客戶或被歸入多個特徵組，例如海灘度假組、城市遊組等，這可以幫助我們為客戶提供多樣化的選擇。

前言/序言

“大數據”中的“大”到底有多大？近年來，技術分析員和IT（信息技術）供應商數量呈指數級增長；拍、澤、堯等量級單位不斷被刷新；若將數據儲存在CD或DVD光盤中，它們則會從地球一直堆到月球，甚至是火星。由於數據被認為是新的“原油”資源，所以這些指數越高越好。得益於日益廉價的存儲設備、更加快捷的處理器和越來越智能化的算法，我們有能力善用這些資源。屆時，數據信息嚮知識的轉化意味著流程優化、更優決策以及全新商業模式的誕生。
啊哈！
然而現在，很多企業被淹沒在數據洪流之中，數據並沒有給它們帶來太多好處。許多企業高管都有種不好的感覺，那就是，企業數字化競爭力的提升並沒有像在公司戰略會議上渲染“大數據”這一概念時所描述的那樣快。他們甚至悲觀地認為，“大數據”這一數字革命的時髦概念，前景並沒有那麼明朗，且弊大於利，令人心灰意冷。
“大數據”就如同一根魔法棒—我們抓取盡可能多的數據，然後，被人工智能操控的機器就可以告訴我們，我們應該通過什麼方法、在哪些環節、能夠在多大程度上去提高産品的附加值。更理想的是，大數據會告訴我們如何去創造一個全新的商業模式，正如貝寶（PayPal）聯閤創始人、臉譜網（Facebook）外部投資者彼得·蒂爾先生在“從0 到1 邏輯”中闡述的那樣。更有甚者，用技術人員的話說，“大數據”就等同於宇宙大爆炸。
數字技術總是開“空頭支票”，自賣自誇，承諾的多，做到的少。大數據分析逐漸喪失吸引力，在某種程度上，“大數據”概念的基本理念應對此負有一定的責任，因為在大多數應用領域，數據量的多寡並不是衡量數據價值創造力的決定性標準。
幾個月來， 在與經理人、IT負責人的交流中，我們發現，“大數據”所描繪的美好圖景在企業的經營現實麵前遭受重創。數據應用的慘敗帶來失望，伴隨失望而來的是迷茫，甚至是驚詫。與此同時，所有的參與者也意識到，完全不關注數據也行不通。
本書描繪瞭一條走齣“大數據帶來的失望”的更智慧的途徑。這一途徑不僅適用於仍堅信“從0 到1”理論的企業、“n +1 組織”，而且也同樣適用於那些既有成熟的商業運營模式，又想通過善用大數據分析手段提升業績的企業。這些企業不認為數據是一種特有的商業模式，而是將數據看作一種核心要素，幫助我們更好地瞭解客戶。相應地，這些企業也不會盯著堆積成山的數據（在這方麵，榖歌也許更擅長），更不會去盯著ERP係統（企業資源計劃係統，於1995 年被引進，至今仍在不斷被拓展功能）。
這種摺中路綫適用於這樣一類企業—它們已經意識到起決定性作用的不是數據量，而是正確地整閤數據，物盡其用。我們把這一路綫稱為“智能數據”。
我們在提及智能數據這個概念時，並不是在用另一個新詞去替代一個被濫用的流行語。智能數據既不是一個技術層麵的解決方案，也不是一部新的管理真經。
智能數據的齣發點是：“在不增加技術、人員和資金投入的情況下，我們如何高效地利用客戶數據信息？”其本身就是一種切實可行的方法論。從這個方法論齣發，我們可以得齣一套不斷迭代更新的、在逐步摸索中的、基於假設的行為方式。同數據資源一樣，健全的認識也是重要的資源。*終的目的是，在所有智能數據的應用領域，更好地瞭解客戶、聯係客戶，並藉此提升客戶長期貢獻度。
智能數據的路綫分為很多階段，從一開始，其發展方嚮就並非一成不變。因為沒有人能確切地知道，在未來的3~5 年間消費者真正需要什麼，也不知道哪些技術將獲得應用。毫無疑問，企業管理需要不時地調整發展方嚮。一些具有實驗性質的項目可以為我們提供藉鑒，告訴我們在未來如何更好地滿足客戶需求。個彆基於係統化行為方式的智能數據項目創建瞭一套自學習係統，越來越多的人和企業部門通過這套係統來學習如何更明智地應用客戶信息。一部分參與者（特彆是來自商業領域的參與者）在麵對智能數據帶來的技術和人員方麵的挑戰時，並不會持續不斷地進行嘗試和探索，這是導緻所謂的商業“宇宙大爆炸”並未發生的原因。
當這些明智的摸索取得成功時，智能數據項目就成為企業參與數據革命的起點和裏程碑。我們甚至也可以換一種理解—數字化變革是自然而然發生的，給我們的日常生活帶來幫助，就像智能手機不斷增多的功能一樣。

好的，這是一份為您的圖書《智能數據 [Smart Data]》撰寫的、不涉及該書內容的詳細圖書簡介。 --- 圖書名稱：《信息洪流中的導航者：精煉與洞察的藝術》 作者：[此處留空，或填寫一個虛構的作者名] 圖書簡介 在這個數據爆炸的時代，我們每個人都站在信息的海洋中央，試圖辨識齣浪花中的金沙。我們被海量的信息流裹挾著前行，效率的瓶頸不再是信息獲取的難度，而是篩選、消化和轉化海量輸入的能力。本書並非一本關於“如何采集更多數據”的指南，而是深度剖析“如何從已知中提煉價值”的實用哲學與操作手冊。 一、從“量”到“質”的範式轉移 當前的主流敘事往往聚焦於大數據（Big Data）的規模和采集速度，似乎數據量越大，商業洞察就越深刻。然而，本書挑戰瞭這一固有觀念。我們審視瞭無數企業在數據采集、存儲和整閤上投入巨額資源後，仍然陷於“數據沼澤”的睏境。問題的核心在於，盲目的數據積纍隻會增加處理的復雜度、存儲的成本以及解讀的風險。 《信息洪流中的導航者》旨在引領讀者完成一場認知上的遷移——從關注數據的“尺寸”轉嚮關注數據的“效用”。我們深入探討瞭“噪音”與“信號”的界限是如何模糊的，以及現代組織如何係統性地構建一套機製，將原始、未經淨化的數據，轉化為可操作、高價值的知識資産。 核心議題探討： 1. 數據疲勞的心理學解析： 我們將從認知科學的角度，解析為什麼麵對過載信息，決策者會傾嚮於采取最省力的、往往也是最錯誤的路徑。 2. “足夠好”的數據標準建立： 如何定義一個數據集在特定業務場景下是“足夠好”的，而不是無限追求“完美”和“全麵”，從而避免項目陷入永無止境的細節泥潭。 3. 消除冗餘的架構設計： 討論在數據管道的各個環節，如何主動識彆並移除那些對最終業務目標貢獻度低於閾值的數據點，從而構建更精簡、更快速的反饋係統。 二、洞察的煉金術：提煉與歸因的科學 信息的價值並非天然存在，而是通過精密的分析和恰當的歸因過程被“創造”齣來的。本書的第二部分聚焦於將提煉齣的關鍵信息轉化為具備前瞻性的洞察力。我們超越瞭基礎的描述性統計，深入探究因果推斷和情景建模。 我們詳細介紹瞭如何構建嚴謹的實驗框架（A/B測試的深化應用、反事實分析），以確定某一特定數據點變化背後的真實驅動力，而不是簡單地觀察相關性。這要求分析師具備高度的批判性思維，能夠質疑數據錶象，深入探究其背後的業務邏輯和用戶行為模式。 書中包含的深度技術與方法論解析： 最小可行數據集（MVS）構建法： 如何在項目初期，僅憑最小且最可靠的數據集，快速驗證核心假設，並將資源集中於最有潛力的分析方嚮。 偏差管理與模型魯棒性： 分析在數據簡化過程中可能引入的係統性偏差，並提供一係列技術手段，確保簡化後的模型在麵對真實世界的不確定性時仍能保持其解釋力和預測力。 敘事的力量： 強大的數據洞察隻有通過清晰、引人入勝的敘事纔能發揮最大效用。本書提供瞭一套結構化的方法，指導專業人士如何將復雜的分析結果轉化為高層決策者能夠立即理解和采納的商業故事。 三、構建“信息免疫係統”的企業文化 數據分析的最終成功，依賴於組織內對信息質量的共同承諾。本書的最後一部分著眼於企業文化的重塑，旨在建立一個對信息純淨度高度敏感的組織環境。這不僅僅是技術部門的責任，而是涉及采購、運營、營銷等所有環節的係統工程。 我們探討瞭如何通過跨職能協作，確保數據源頭輸入的規範性與一緻性。例如，如何設計運營流程，使得現場人員在數據輸入階段就避免瞭常見的分類錯誤或遺漏，從源頭堵住“垃圾”進入係統的通道。 文化與流程革新要點： 1. 問責製的明確化： 誰對特定數據集的準確性負責？本書提齣瞭一套清晰的“數據所有權”框架，確保每一個數據點都有明確的“守護者”。 2. 知識的活化而非囤積： 如何設計內部知識共享機製，確保被提煉齣的洞察能夠迅速在組織內傳播並被應用，避免“分析孤島”的形成。 3. 對復雜性的敬畏： 引導管理者認識到，最優雅的解決方案往往是最精簡的。鼓勵團隊挑戰“我們是不是應該再多看一個維度”的衝動，將焦點迴歸到核心的商業問題上。 結語 《信息洪流中的導航者》是一本麵嚮高管、數據科學傢、業務分析師以及所有被日常信息淹沒的專業人士的實踐指南。它承諾的不是更多的數據，而是更清晰的視野、更果斷的決策和更高效的組織行動。閱讀本書，意味著您將學會如何從無盡的噪音中精準捕獲決定性的信號，將數據轉化為真正的、可衡量的商業優勢。 --- 目標讀者： 戰略規劃師、首席信息官（CIO）、數據分析經理、業務綫負責人、專注於效率提升的谘詢顧問。