登入帳戶  | 訂單查詢  | 購物車/收銀台( 0 ) | 在線留言板  | 付款方式  | 聯絡我們  | 運費計算  | 幫助中心 |  加入書簽
會員登入 新註冊 | 新用戶登記
HOME新書上架暢銷書架好書推介特價區會員書架精選月讀2023年度TOP分類閱讀雜誌 香港/國際用戶
最新/最熱/最齊全的簡體書網 品種:超過100萬種書,正品正价,放心網購,悭钱省心 送貨:速遞 / EMS,時效:出貨後2-3日

2024年03月出版新書

2024年02月出版新書

2024年01月出版新書

2023年12月出版新書

2023年11月出版新書

2023年10月出版新書

2023年09月出版新書

2023年08月出版新書

2023年07月出版新書

2023年06月出版新書

2023年05月出版新書

2023年04月出版新書

2023年03月出版新書

2023年02月出版新書

『簡體書』数据新基建 数据战略 增长 变现 三部曲

書城自編碼: 3495422
分類: 簡體書→大陸圖書→管理市場/營銷
作 者: 伯纳德?,马尔[Bernard,Marr]张溪梦,安德鲁?
國際書號(ISBN): 9787D28540941
出版社: 机械工业出版社
出版日期: 2020-05-01

頁數/字數: /
書度/開本: 16开 釘裝: 精装

售價:NT$ 1247

我要買

share:

** 我創建的書架 **
未登入.



新書推薦:
背影2
《 背影2 》

售價:NT$ 386.0
她的罪名
《 她的罪名 》

售價:NT$ 279.0
巨变与突围:碰撞中的清帝国:1644—1840
《 巨变与突围:碰撞中的清帝国:1644—1840 》

售價:NT$ 437.0
变态心理揭秘
《 变态心理揭秘 》

售價:NT$ 279.0
非洲三万里(2024版)
《 非洲三万里(2024版) 》

售價:NT$ 381.0
不思而美:一个人的心灵简史带你美学漫步 让美成为修正生活的意志 从细节中看见大江大河 助你找到更多打开自己的可能
《 不思而美:一个人的心灵简史带你美学漫步 让美成为修正生活的意志 从细节中看见大江大河 助你找到更多打开自己的可能 》

售價:NT$ 325.0
成为作家
《 成为作家 》

售價:NT$ 269.0
工作文化史 古代卷
《 工作文化史 古代卷 》

售價:NT$ 381.0

建議一齊購買:

+

NT$ 365
《 华为能,你也能:IPD产品管理实践 》
+

NT$ 248
《 多卖三倍 》
+

NT$ 439
《 敏捷营销 》
+

NT$ 274
《 品牌思维:世界一线品牌的7大不败奥秘(跨时代品牌管理书) 》
+

NT$ 612
《 广告学(工商管理经典译丛·市场营销系列) 》
+

NT$ 288
《 公共关系学(第三版) 》
編輯推薦:
《首席增长官》
全面引爆产品迭代、用户和收入增长的哲学!
增长黑客之父Sean Ellis作序推荐;LinkedIn联合创始人、Greylock 合伙人Reid Hoffman,经纬中国创始管理合伙人邵亦波,点融网CTO孔令欣,《增长黑客》作者、圣骑咨询创始人范冰 联袂推荐!
用更快的速度、更低的成本,使企业获得指数级增长,是一个企业的核心竞争力。数据驱动增长正在成为企业发展的必需理念,聘用首席增长官、增长团队和增长黑客将是未来商业发展的趋势,其巨大价值将逐渐呈现。
LinkedIn前美国商业分析部高级总监、GrowingIO创始人兼CEO张溪梦,首次开讲数据驱动增长方法论,并总结为8字型框架,旨在解决企业关于增长的痛点,帮助企业进入DT时代后,实现数据驱动增长思维的转型,真正帮企业将大数据分析以及大数据的应用落地。
精装、全彩,208幅原创插图清晰展示对5大岗位、4大行业、Facebook、LinkedIn、Pinterest、Airbnb、Dropbox、链家等来自硅谷和国内标杆公司的精彩解析!
《数据战略》
1.每一个老板和首席数据官都应该关注数据战略,因为通过数据
內容簡介:
数据变现》
现在,各类组织都积累了大量的信息,既有结构化数据信息也有非结构化数据信息,它们对来自网络流量、销售流程、内部分析和各种其他来源的数据进行了收集和存储,但目前大多数组织都不具备能够让这些数据驱动财务业绩增长的方法、工具和技术。本书讲解的是通过利用决策架构、数据科学和引导分析的成熟技术,帮助各类组织提高收入或降低成本的方法。
本书提供了一个决策架构的方法论,帮助分析师和组织通过重复的流程、数据分析和数据变现的策略,增加收入或节省成本。此外,本书还提供为商业分析构建数据的技巧,以及一个便于理解聚合策略、数据质量和数据转换的自动化操作,这一操作可将组织的非结构化信息转化为可用的商业数据。
增长是企业永恒的主题,是商业的本质。
人口红利和流量红利的窗口期正在关闭,曾经流量为王所带来的成功经验正在失效,所造成的思维逻辑和方法论亟待更新。在互联网下半场,企业要如何保持增长?传统企业是否能跟上数字化转型的脚步,找到新兴业务的增长模式?为什么可口可乐公司用首席增长官取代了首席营销官职位?数据变现》
现在,各类组织都积累了大量的信息,既有结构化数据信息也有非结构化数据信息,它们对来自网络流量、销售流程、内部分析和各种其他来源的数据进行了收集和存储,但目前大多数组织都不具备能够让这些数据驱动财务业绩增长的方法、工具和技术。本书讲解的是通过利用决策架构、数据科学和引导分析的成熟技术,帮助各类组织提高收入或降低成本的方法。
本书提供了一个决策架构的方法论,帮助分析师和组织通过重复的流程、数据分析和数据变现的策略,增加收入或节省成本。此外,本书还提供为商业分析构建数据的技巧,以及一个便于理解聚合策略、数据质量和数据转换的自动化操作,这一操作可将组织的非结构化信息转化为可用的商业数据。
《首席增长官》
增长是企业永恒的主题,是商业的本质。
人口红利和流量红利的窗口期正在关闭,曾经流量为王所带来的成功经验正在失效,所造成的思维逻辑和方法论亟待更新。在互联网下半场,企业要如何保持增长?传统企业是否能跟上数字化转型的脚步,找到新兴业务的增长模式?为什么可口可乐公司用首席增长官取代了首席营销官职位?
数据驱动增长正在成为企业发展的必需理念,首席增长官、增长团队和增长黑客将是未来商业的趋势,其巨大价值将逐渐呈现。
本书内容包括首席增长官的崛起及向首席增长官进阶的三个阶段(第1~2章)、增长框架的学习引擎模型和用户增长模型(第3~4章)、不同岗位和不同行业做增长的方案(第5~6章),帮助读者搭建一个完整的增长知识体系。本书适合企业的管理者、市场营销、互联网运营、产品经理、客户服务、分析师、工程研发等读者阅读,无论是一线员工还是中、高层管理者,都可以从本书找到感兴趣的内容。传统行业的读者,更能通过本书迅速了解互联网工作的全貌,掌握必备的实战技能。
《数据战略》
数据正在彻底改变所有人做生意的方式。然而,目前所有数据被分析和使用的比例不到0.5%。商业领袖和管理者不能对数据漠不关心或保持怀疑,因为视数据为战略资产的公司才会生存并茁壮成长。
本书是创建一个强大的数据战略的必读的指南,书中解释了如何确定战略性数据需求,用什么方法来收集数据,*重要的是,如何将数据转化为组织改善商业决策和绩效的见解,为需要从大数据、分析和万物互联中获利的组织提供了工具和战略,是每一位旨在利用自己的业务数据的价值以获得竞争优势的读者的基本读物。
本书包含各种案例研究和真实的例子,介绍了如何弄清战略数据资产和数据受众群体;如何收集所需的数据,制定全新的数据收集方法;如何通过预测分析和机器学习获得最大收益;如何拥有适当的技术、数据基础设施和关键数据能力;如何确保拥有有效的安全和管理体系,避开经济、法律和声誉问题。
關於作者:
《数据变现》
安德鲁罗曼韦尔斯( Andrew Roman Wells)是 Aspirent公司的首席执行官, Aspirent是一家专注于分析的管理咨询公司。他有为许多公司建立分析解决方案的丰富经验,从财富 500强到小型非营利组织。安德鲁重点帮助组织利用他们的数据做出重要决策,通过变现策略带动收入。他已经构建分析解决方案超过 25年,并很乐意与更多的读者分享这些实用的方法、工具和技巧。
张溪梦(Simon Zhang),GrowingIO 创始人兼CEO
张溪梦曾在硅谷有13年数据分析经验,创办 GrowingIO 之前在 LinkedIn 任美国商业分析部高级总监,亲手建立了 LinkedIn 近百人商务分析和数据科学团队,支撑 LinkedIn 所有与营收相关业务的高速增长。2013年,Data Science Central 评选其为世界前十位前沿数据科学家。
2015年5月,张溪梦回国创办了基于用户行为的新一代数据分析产品 GrowingIO。GrowingIO 首推国内领先的分析工具 运营咨询 持续增长数据服务体系,帮助企业构建数据运营闭环,用数据驱动企业增长。《数据变现》
安德鲁罗曼韦尔斯( Andrew Roman Wells)是 Aspirent公司的首席执行官, Aspirent是一家专注于分析的管理咨询公司。他有为许多公司建立分析解决方案的丰富经验,从财富 500强到小型非营利组织。安德鲁重点帮助组织利用他们的数据做出重要决策,通过变现策略带动收入。他已经构建分析解决方案超过 25年,并很乐意与更多的读者分享这些实用的方法、工具和技巧。
除了担任高管之外,安德鲁还是一位亲力亲为的顾问,从他在安永会计师事务所担任咨询顾问、建立报告解决方案之初起就一直是。他在硅谷完善了自己的技能,为两家成功的初创公司工作,专注于客户分析和使用预测方法来推动绩效。安德鲁在企业界也担任过管理角色,在Capital One金融公司担任商业智能总监期间,帮助推动了多项专利分析创新。从咨询到创业公司,再到企业界,安德鲁在通过分析推动增长方面拥有广泛的经验。他为许多行业和公司建立了解决方案,包括可口可乐公司、洲际酒店集团、家得宝公司、Capital One公司、富国银行、惠普公司、时代华纳公司、美林公司、应用材料公司等。
安德鲁和妻子苏珊娜住在亚特兰大,他喜欢摄影、跑步和国际旅行。他是迈克尔安德鲁斯定制服装公司( Michael Andrews Bespoke)的合伙人。他还获得了美国佐治亚大学工商管理学士学位,专注于金融和管理信息系统。
凯茜威廉斯江(Kathy Williams Chiang)是一位成熟的商业分析从业者,擅长引导分析、分析数据集市开发和商业规划。目前任伟门数据管理(Wunderman Data Management)公司商业洞察部副总裁。
江女士与 Aspirent一起完成了多个跨国客户的众多分析咨询项目,其中包括洲际酒店集团和可口可乐公司等。她还曾在多个国家的公司工作,包括特立尼达和多巴哥电信服务公司、视力品牌照明公司、贝尔南方国际和波特曼海外公司。
江女士在设计和开发分析工具及能够开启并推动行动的管理仪表板方面经验丰富,她在数据探索、分析、可视化和展示方面的技能非常娴熟,并在电信、酒店和消费品行业开发了涵盖客户体验、营销活动、收入管理和网站分析的解决方案。
江女士是新奥尔良人,她以优异的成绩获得了路易斯安那州立大学的化学学士学位(绩点 4.0),以及杜兰大学的 MBA学位,同时也是 Phi Beta Kappa和门萨的成员。作为中美关系正常化后首批进入中国的美国人之一,江女士在具有挑战性的条件下在中国东北生活了两年,在那里教英语、学普通话,并且游览了中国多个地方。在她的职业生涯中,她曾在美国、加勒比地区、英国、拉丁美洲国家 地区和中国工作。
《首席增长官》
张溪梦(Simon Zhang),GrowingIO 创始人兼CEO
张溪梦曾在硅谷有13年数据分析经验,创办 GrowingIO 之前在 LinkedIn 任美国商业分析部高级总监,亲手建立了 LinkedIn 近百人商务分析和数据科学团队,支撑 LinkedIn 所有与营收相关业务的高速增长。2013年,Data Science Central 评选其为世界前十位前沿数据科学家。
2015年5月,张溪梦回国创办了基于用户行为的新一代数据分析产品 GrowingIO。GrowingIO 首推国内领先的分析工具 运营咨询 持续增长数据服务体系,帮助企业构建数据运营闭环,用数据驱动企业增长。
《数据战略》
伯纳德马尔( Bernard Marr),国际知名的商业畅销书作家,多家公司和多个政府机构的主题发言人兼战略顾问。他是商业数据领域的全球人士,被 LinkedIn(领英)公认为全球前五大*具商业影响力人士之一。
伯纳德经常为世界经济论坛( World Economic Forum)撰稿,也曾为《福布斯》杂志和 LinkedIn Pulse定期撰写专栏文章,他的专家评论经常出现于 BBC新闻、天空新闻和 BBC世界等电视媒体和广播,以及《泰晤士报》《金融时报》《CFO期刊》《华尔街日报》等知名刊物中。
伯纳德 马尔撰写了大量开创性的书籍和数百篇引发轰动的报告及文章,其中包括国际畅销书 Big Data in Practice: How 45 successful companies used big data analytics to deliver extraordinary results(《大数据在实践中: 45家成功的公司如何使用大数据分析来提供非凡的结果》)、 Big Data: Using SMART big data, analytics and metrics to make better decisions and improve performance(《智能大数据 SMART准则:数据分析方法、案例和行动纲领》)、Key BusinessAnalytics:The 60business analysis tools every manager needs to know(《关键业务分析:所有管理者都需要了解的 60种业务分析工具》)、The Intelligent Company(《智能公司》)以及 Dummies(傻瓜学)系列丛书中的 Big Data for Small Business(《大数据专家:小企业也能用好大数据》)。
伯纳德马尔曾与许多世界知名机构合作并提供咨询服务,其客户包括埃森哲咨询、阿斯利康制药、英格兰银行、巴克莱银行、 BP(英国石油)、思科、 DHL(敦豪快递)、Fujitsu(富士通)、Gartner(高德纳咨询)、HSBC(汇丰银行)、IBM、Mars(玛氏)、英国国防部、微软、北大西洋公约组织、 Oracle(甲骨文)、英国内政部、 NHS(英国国家医疗服务署)、法国 Orange电信、Tetley(泰特利茶业),T-Mobile、 Toyota(丰田汽车)、英国皇家空军、 SAP、Shell(壳牌石油)、联合国以及沃尔玛等。
目錄
《数据变现》
目录
中文版序言
译者序
序言
致谢
关于作者
第 1篇 简介
第 1章 简介 2
1.1 决策 3
1.2 分析之旅 6
1.3 解决问题 7
1.4 调研显示 9
1.5 如何使用这本书 12
1.5.1 第 1篇:简介 12
1.5.2 第 2篇:决策分析 13
1.5.3 第 3篇:变现策略 13
1.5.4 第 4篇:敏捷分析 14
1.5.5 第 5篇:实施启用 14
1.5.6 第 6篇:案例研究 15
1.6 开始吧 15
第 2章 分析循环:推动优质决策 16
2.1 分析循环概述 17
2.1.1 开启 20
2.1.2 诊断 23
2.1.3 行动 26
2.1.4 测量 26
2.1.5 数据 28
2.2 信息用户层级 29
2.3 下一步 31
第 3章 决策架构方法论:弥补缺陷 32
3.1 方法论概述 33
3.2 探索发现 37
3.3 决策分析 39
3.4 变现策略 41
3.5 敏捷分析 41
3.5.1 数据开发 分析结构 42
3.5.2 数据科学 决策理论 43
3.5.3 引导分析 44
3.6 实施启用 47
3.7 总结 50
第 2篇 决策分析
第 4章 决策分析:构建决策 52
4.1 分类树 53
4.2 提问分析 57
4.3 关键决策 60
4.4 数据需求 64
4.5 行动杠杆 66
4.6 成功指标 68
4.7 再访分类树 71
4.8 总结 74
第 3篇 变现策略
第 5章 变现策略:让数据产生收益 76
5.1 业务杠杆 78
5.2 变现策略框架 81
5.3 决策分析和敏捷分析 84
5.3.1 确定假设和确立选项 84
5.3.2 提问分析 85
5.3.3 关键决策 86
5.3.4 行动杠杆 87
5.3.5 成功指标 88
5.3.6 数据开发 89
5.3.7 数据科学 决策理论 90
5.4 竞争和市场信息 94
5.5 总结 96
第 6章 变现指导原则:做实 97
6.1 优质数据 99
6.2 针对性 101
6.3 整体性 102
6.4 可行性 104
6.5 决策矩阵 105
6.6 以数据科学为基础 106
6.7 变现价值 107
6.8 信心因素 109
6.9 可测量 111
6.10 动机 111
6.11 组织文化 112
6.12 推动创新 114
第 7章 产品盈利能力变现策略:个案研究 116
7.1 背景 116
7.2 业务杠杆 118
7.3 探索发现 120
7.4 决策 120
7.4.1 分类树 120
7.4.2 提问分析 121
7.4.3 关键决策 122
7.4.4 成功指标 123
7.4.5 行动杠杆 125
7.5 数据科学 126
7.6 变现框架需求 126
7.7 决策矩阵 128
第 4篇 敏捷分析
第 8章 决策理论:理性 131
8.1 决策矩阵 132
8.2 概率 134
8.3 前景理论 137
8.4 选择架构 138
8.5 认知偏误 140
第 9章 数据科学:智能化 143
9.1 指标 144
9.2 阈值 147
9.3 趋势和预测 149
9.4 相关分析 150
9.5 细分 153
9.6 聚类分析 155
9.7 速度 159
9.8 预测和解释模型 161
9.9 机器学习 162
第 10章 数据开发:有条不紊 164
10.1 数据质量 164
10.1.1 完备性 166
10.1.2 一致性 167
10.1.3 重复 167
10.1.4 符合性 168
10.1.5 准确性 168
10.1.6 完整性 168
10.1.7 及时性、可用性和历史 169
10.2 脏数据,怎么办? 170
10.3 数据类型 170
10.3.1 元数据 170
10.3.2 数据世界 171
10.4 数据组织 173
10.4.1 数据移动 173
10.4.2 粒度 174
10.4.3 为分析构建 175
10.5 数据转换 177
10.5.1 ETL业务规则转换 178
10.5.2 分析和报告业务规则转换 178
10.5.3 指标转换 178
10.6 总结 181
第 11章 引导分析:使其相关 182
11.1 然后呢 182
11.2 引导分析 185
11.2.1 数据之声 185
11.2.2 客户之声 187
11.2.3 客户签名 193
11.2.4 业务之声 194
11.3 总结 198
第 12章 用户界面(UI):清晰 199
12.1 UI简介 199
12.2 视觉调色板 200
12.3 少即是多 201
12.3.1 数据墨水比例 204
12.3.2 少即是多但别过头 208
12.4 只看一眼 210
12.5 模式感知的格式塔原则 213
12.6 融会贯通 214
12.6.1 色彩 214
12.6.2 视觉调色板的元素 218
12.6.3 优良格式塔少即是多 220
12.7 总结 222
第 13章 用户体验(UX):使其可用 223
13.1 效能负荷 223
13.1.1 认知负荷 224
13.1.2 工作记忆 224
13.1.3 注意力 225
13.1.4 运动负荷 226
13.1.5 选择过载 227
13.2 顺流而下 228
13.2.1 渐进呈现和决策架构 229
13.2.2 按需提供数据将数据连接到决策 230
13.2.3 模块化 231 13.3 命题密度 232
13.4 简单性:复杂性的另一面 234
13.5 总结 235
第 5篇 实施启用
第 14章 敏捷方法:变得敏捷 237
14.1 敏捷开发 237
14.2 商海弄潮 238
14.3 敏捷分析 239
14.3.1 团队运动 239
14.3.2 卡桑德拉效应 240
14.3.3 分析瘫痪 240
14.3.4 你想要什么?你有什么 241
14.3.5 一图诉千言 242
14.3.6 不是每个孩子都美丽 242
14.3.7 早日见面,经常见面 243
14.4 总结 243
第 15章 实施启用:获得采用 244
15.1 测试 244
15.1.1 企业项目 244
15.1.2 小型项目 247
15.1.3 版本控制 247
15.2 采用 248
15.2.1 训练 248
15.2.2 推出 249
15.3 总结 252
第 16章 分析型组织:组织起来 254
16.1 决策架构团队 254
16.1.1 基于项目还是业务功能型 255
16.1.2 团队能力 256
16.1.3 治理 259
16.1.4 合作 260
16.1.5 训练 261
16.2 决策架构角色 261
16.3 行业专家 264
16.4 分析型组织的心态 265
第 6篇 案例研究
第 17章 案例研究:迈克尔 安德鲁斯定制 268
17.1 探索发现 268
17.1.1 收入增长 268
17.1.2 客户获取 269
17.1.3 客户吸引 269
17.1.4 客户留存 269
17.1.5 客户类型 270
17.1.6 客户生命周期 271
17.1.7 业务分析 272
17.1.8 经营绩效 273
17.1.9 客户表现 274
17.1.10 获取 275
17.1.11 留存 276
17.1.12 变现业务杠杆 278
17.1.13 假设 278
17.1.14 下一步 280
17.2 决策分析 280
17.2.1 提问分析 280
17.2.2 分类树 281
17.2.3 关键决策 283
17.2.4 行动杠杆 285
17.2.5 成功指标 285
17.2.6 决策架构 287
17.3 变现策略第一部分 288
17.4 敏捷分析 289
17.4.1 数据分析 289
17.4.2 数据开发 292
17.4.3 分析结构 295
17.4.4 转换 296
17.4.5 数据科学 298
17.4.6 MAB客户细分 303
17.5 变现策略第二部分 307
17.5.1 单次客户 307
17.5.2 首年客户 309
17.5.3 多年客户 310
17.5.4 变现策略需求 310
17.5.5 决策矩阵 312
17.6 引导分析 317
17.6.1 绩效仪表板 318
17.6.2 客户属性仪表板 319
17.6.3 客户细分仪表板 322
17.6.4 客户吸引仪表板 322
17.6.5 客户留存仪表板 325
17.7 闭幕 328
参考文献 329
《首席增长官》
目录
推荐序
前 言
致 谢
第1章 首席增长官的崛起
1.1 什么是首席增长官 1
1.1.1 可口可乐设立首席增长官 1
1.1.2 越来越受欢迎的首席增长官 2
1.2 为什么会出现首席增长官 4
1.2.1 市场:红利消退、增长放缓、竞争加剧 5
1.2.2 客户:从被动接受信息到主动选择产品 8
1.2.3 技术:为用户生命周期提供数据洞察力 9
1.2.4 管理:从职能型组织向增长型组织进化 11
1.3 首席增长官是做什么的 12
1.3.1 首席增长官的定位 13
1.3.2 首席增长官的角色 14
1.3.3 首席增长官的职责 16
1.4 案例:LinkedIn增长的秘密武器 17
1.4.1 六年间40倍增长 17
1.4.2 首席增长官的力量 18
1.4.3 增长是对商业本质的洞察 20
1.4.4 LinkedIn的增长策略 22
1.4.5 用数据驱动用户增长 23
1.4.6 公司自上而下对数据驱动文化的认同 24
第2章 从增长黑客到首席增长官
2.1 首席增长官进阶的三个阶段 26
2.2 增长黑客 27
2.2.1 增长黑客概念的提出 27
2.2.2 增长黑客的能力模型 30
2.3 增长团队 31
2.3.1 增长团队的组织架构 31
2.3.2 增长团队的组建和分工 34
2.4 首席增长官 36
2.4.1 问题和解决方案匹配时期 37
2.4.2 最小可行性产品时期 37
2.4.3 产品和市场匹配时期 37
2.4.4 渠道和产品匹配时期 38
2.4.5 成熟期 39
第3章 增长框架
3.1 增长框架的概述 41
3.1.1 学习引擎模型 41
3.1.2 用户增长模型 44
3.2 正确的增长目标:北极星指标 46
3.2.1 北极星指标的重要性 46
3.2.2 关于北极星指标的两个案例 47
3.2.3 制定北极星指标的六个标准 49
3.3 高效的衡量技术:数据采集 51
3.3.1 什么是用户行为数据 51
3.3.2 埋点采集数据 54
3.3.3 无埋点采集数据 57
3.3.4 一站式数据采集解决方案 59
3.4 科学的学习方法:数据分析 61
3.4.1 数据分析的战略思维 62
3.4.2 数据分析的三大思路 65
3.4.3 数据分析的八种方法 69
第4章 用户增长模型
4.1 获取用户 77
4.1.1 受众 77
4.1.2 获客成本 78
4.1.3 用户旅途 79
4.1.4 案例解读 86
4.2 激活用户 88
4.2.1 激活的概念和意义 88
4.2.2 激活系统四大组成部分 89
4.2.3 To C 端用户激活案例 92
4.2.4 To B 端用户激活案例 95
4.3 用户留存 98
4.3.1 什么是真正的用户增长 98
4.3.2 留存分析框架 99
4.3.3 新用户留存分析 100
4.3.4 产品功能留存分析 106
4.4 用户营收 109
4.4.1 营收的两种方式 109
4.4.2 用户付费:以转化为核心 111
4.4.3 广告收入:以黏性为核心 114
4.5 用户推荐 117
4.5.1 推荐体系的组成 117
4.5.2 衡量推荐的两大指标 121
4.5.3 推荐的经典案例:Airbnb 122
第5章 各岗位的数据驱动增长实战
5.1 市场营销:渠道、流量、转化 125
5.1.1 市场营销人员的工作重心 125
5.1.2 优化获客渠道 125
5.1.3 监测投放链接 132
5.1.4 优化落地页面 136
5.2 产品研发:数据驱动产品优化和迭代 139
5.2.1 从产品研发流程谈起 139
5.2.2 产品分析的基本概念 141
5.2.3 产品数据分析流程 145
5.2.4 产品数据分析方法 149
5.3 运营:用数据分析做运营增长,你需要做好这四个方面 153
5.3.1 流量运营:多维度分析,优化渠道 153
5.3.2 用户运营:精细化运营,提高留存 156
5.3.3 产品运营:用数据来分析和监控功能 157
5.3.4 内容运营:精准分析每一篇文章的效果 158
5.3.5 运营实战案例 160
5.4 数据分析师:用数据驱动增长 165
5.4.1 数据分析师的发展历史 166
5.4.2 数据分析师的组织架构 167
5.4.3 数据分析师的增长技能 169
5.4.4 数据分析师的实战案例 173
5.5 客户成功:以留存续约为核心 174
5.5.1 客户成功经理的诞生背景 174
5.5.2 客户成功经理的工作职责 176
5.5.3 客户成功经理的数据看板 178
5.5.4 客户成功经理的实战案例 180
第6章 不同行业的数据驱动增长实战
6.1 电商:电商精益化运营的五大关键指标和三个关键思路 183
6.1.1 电商行业的五大关键指标 183
6.1.2 商品运营:流量优化和品类优化 184
6.1.3 用户运营:提高用户留存和复购 188
6.1.4 产品运营:提高转化效率 190
6.2 在线旅游:如何提升购买转化率 192
6.2.1 用户旅途概述 193
6.2.2 渠道优化 194
6.2.3 落地页优化 198
6.2.4 搜索优化 201
6.2.5 用户整合 205
6.3 互联网金融:如何促进高成单、高转化 206
6.3.1 互联网金融平台的增长 206
6.3.2 互联网金融平台的三大增长模型 208
6.3.3 互联网金融用户的四大行为特征 211
6.3.4 精细化运营的三大步骤 213
6.3.5 理财业务:提升整体成交额 213
6.3.6 贷款业务:提升注册转化率 222
6.4 互联网 :打通线上线下数据,驱动链家增长 226
6.4.1 什么是增长 226
6.4.2 增长遇到的挑战 227
6.4.3 链家如何打通线上线下数据 229
6.4.4 如何用线上数据分析驱动增长 234
后 记
《数据战略》
赞誉
致谢
作者简介
第 1章 为何说当下业务无不是数据业务  1
1.1 大数据和物联网的惊人增长  1
1.2 数据驱动的勇敢新世界  2
1.3 我们是否正在逼近人工智能  7
1.4 数据正在如何彻底改变我们的商业世界  10
1.4.1 数据在商业中的基本作用  10
1.4.2 智能工厂与工业 4.0  14
1.4.3 自动化及其对就业的现实威胁  16
1.4.4 区块链技术:是否是数据和企业的未来  18
1.5 所有业务都必须成为数据业务  19
1.5.1 一切以数据战略为起点  20
1.5.2 你的公司是否需要首席数据官  21
注解  23
第 2章 战略性数据需求的确定  25
2.1 以数据提高企业的决策质量  26
2.1.1 利用数据更好地了解客户和市场  27
2.1.2 在一个意想不到的场景,让数据为你而动  29
2.2 利用数据改善运营  30
2.2.1 通过数据获得内部效率  31
2.2.2 亚马逊:如何以数据优化业务流程并增加销售额  33
2.2.3 优步:如何以数据优化运输  34
2.2.4 罗尔斯罗伊斯:如何以数据驱动制造业成功  35
2.3 商业模式的转型:将数据作为企业资产  37
2.3.1 如何以数据提升企业价值  37
2.3.2 将数据转化为新的收入源泉  38
2.4 只有正确的数据才是有意义的,并非所有数据都是有价值的  40
2.5 为数据提供强有力的商业案例  42
注解  43
第 3章 使用数据改善商业决策  44
3.1 明确你的关键性业务问题  44
3.1.1 好问题带来更好的答案  46
3.1.2 针对顾客、市场和竞争者的问题  47
3.1.3 有关财务的问题  52
3.1.4 有关内部运营的问题  55
3.1.5 有关人员的问题  57
3.2 数据的可视化及沟通洞见  60
3.2.1 是否每个人都应有权访问数据  61
3.2.2 告别电子表格,迎接数据可视化时代  63
3.2.3 以视觉与文字的融合发挥最大效果  64
3.2.4 虚拟现实和数据可视化的未来  65
注解  66
第 4章 使用数据改善企业运营  67
4.1 利用数据优化运营流程  68
4.1.1 数据如何改善制造过程  68
4.1.2 如何以数据强化仓储和配送  70
4.1.3 如何以数据增强业务流程  71
4.1.4 如何以数据强化销售及营销流程  75
4.2 以数据改善顾客供应  78
4.2.1 为客户提供更优服务  78
4.2.2 提供更好的产品  81
注解  84
第 5章 数据的货币化  85
5.1 增加企业价值  86
5.2 数据本身成为企业核心资产  87
5.3 由企业数据处理能力创造的价值  90
5.4 向顾客或利益相关者出售数据  91
5.5 理解用户生成数据的价值  96
第 6章 数据的取得与收集  98
6.1 了解不同类型的数据  99
6.1.1 对大数据的定义  100
6.1.2 结构化数据的定义  101
6.1.3 非结构化数据和半结构化数据的定义  103
6.1.4 内部数据的定义  105
6.1.5 外部数据的定义  106
6.2 更多的新型数据  108
6.2.1 活动数据  108
6.2.2 对话数据  109
6.2.3 照片和视频数据  110
6.2.4 传感器数据  111
6.3 内部数据的收集  111
6.4 外部数据的访问  113
6.5 如果你需要的数据尚不存在  116
注解  117
第 7章 将数据转化为洞见  118
7.1 分析技术的进化方式  119
7.2 了解不同类型的分析技术  120
7.2.1 文本分析  121
7.2.2 情感分析  122
7.2.3 图像分析  122
7.2.4 视频分析  123
7.2.5 语音分析  124
7.2.6 数据挖掘  124
7.2.7 业务实验  125
7.2.8 视觉分析  126
7.2.9 相关性分析  126
7.2.10 回归分析  127
7.2.11 情景分析  128
7.2.12 预测 时间序列分析  129
7.2.13 蒙特卡罗模拟法  129
7.2.14 线性规划  130
7.2.15 同期群分析  130
7.2.16 因子分析  131
7.2.17 神经网络分析  132
7.2.18 元分析 文献分析  133
7.3 高级分析:机器学习、深度学习和认知计算  133
7.4 以不同分析技术的结合追求成功最大化  137
第 8章 技术和数据基础架构的创建  139
8.1 大数据即服务:能成为企业的一站式解决方案吗  140
8.2 收集数据  143
8.3 存储数据  146
8.3.1 了解云基础 分布式存储系统  146
8.3.2 Hadoop概述  148
8.3.3 Spark:Hadoop的替代品  149
8.3.4 数据湖和数据仓库的简单介绍  150
8.4 数据的分析和处理  151
8.5 提供数据访问服务  155
8.5.1 倡导数据管家的概念  156
8.5.2 数据的沟通  157
注解  159
第 9章 打造组织的数据能力  160
9.1 大数据技能短缺及其对企业的影响  160
9.2 建立内部技能和竞争力  163
9.2.1 五种基本的数据科学技能  163
9.2.2 招募新人才  166
9.2.3 为现有人员提供培训并提高其工作技能  168
9.3 将数据分析业务外包  170
9.3.1 与数据服务供应商合作  170
9.3.2 Kaggle:众包数据科学家  172
注解  175
第 10章 不要让数据成为负债:数据治理  177
10.1 数据所有权和隐私方面的考虑  178
10.1.1 拥有还是外购  178
10.1.2 确保拥有合理权限  179
10.1.3 将数据最少化作为好的实践  180
10.1.4 理解隐私问题  182
10.2 数据的安全问题  187
10.2.1 数据泄露的重大影响  187
10.2.2 物联网的威胁  190
10.3 践行良好的数据治理  192
注解  194
第 11章 数据战略的执行和完善  196
11.1 把数据战略付诸实践  196
11.1.1 态度是关键  196
11.1.2 数据战略为什么会失败  198
11.2 创建数据文化  201
11.3 重新审视数据战略  203
11.3.1 调整企业需求  204
11.3.2 持续演进的技术图景  204
11.3.3 遥望未来  207
注解  210

 

 

書城介紹  | 合作申請 | 索要書目  | 新手入門 | 聯絡方式  | 幫助中心 | 找書說明  | 送貨方式 | 付款方式 香港用户  | 台灣用户 | 海外用户
megBook.com.tw
Copyright (C) 2013 - 2024 (香港)大書城有限公司 All Rights Reserved.