譯者序 

　　數(shù)據(jù)分析已經(jīng)有多年的發(fā)展歷史了。從20世紀90年代早期的商務(wù)智能報表、多維分析等信息獲取類工具分析企業(yè)運營的問題、預測業(yè)務(wù)發(fā)展趨勢，到最近10多年機器學習在工業(yè)界的大量成功應(yīng)用，尤其是大數(shù)據(jù)技術(shù)的興起，數(shù)據(jù)產(chǎn)生的速度和數(shù)據(jù)量前所未有，數(shù)據(jù)分析的方法和工具能力日新月異，企業(yè)對數(shù)據(jù)加工的深度和利用率獲得前所未有的提升。從數(shù)據(jù)中探查業(yè)務(wù)相關(guān)的信息和知識，并實現(xiàn)數(shù)據(jù)的價值，數(shù)據(jù)分析普遍成為各行各業(yè)企業(yè)競爭的工具。 

　　數(shù)據(jù)分析是機器智能的基礎(chǔ)。就目前的數(shù)據(jù)收集、加工水平來看，數(shù)據(jù)分析并不是萬能的。業(yè)務(wù)數(shù)據(jù)還存在著質(zhì)量問題，機器學習的算法對含噪聲數(shù)據(jù)的處理效果并不理想。另外，盡管數(shù)據(jù)量增加迅速，但與業(yè)務(wù)領(lǐng)域有關(guān)的全量數(shù)據(jù)收集還比較困難，數(shù)據(jù)孤島還廣泛存在。在企業(yè)界，最近幾年頗有影響的深度學習算法在圖像識別、語音處理、語義理解等領(lǐng)域取得了引人注目的成績，機器智能在某些領(lǐng)域的表現(xiàn)超過人類，為人類的思維提供了有價值的信息和知識，輔助人類更好地解決問題。但必須看到，機器智能基本還限制在模擬人的智能的層次，應(yīng)用范圍還有一定的局限。人類對自身大腦的結(jié)構(gòu)和思維機理認識還在探索中。在這種情況下，人的思維或心智，尤其是在常識推理、創(chuàng)新性設(shè)計、基于情感的價值判斷等領(lǐng)域，機器智能還望塵莫及。而機器在統(tǒng)計推理、大規(guī)模計算等方面遠超過人類，可以幫助人們發(fā)現(xiàn)一些有用的信息和模式。人的心智和機器智能結(jié)合（后文稱為人機共生）將會大大提升業(yè)務(wù)決策的質(zhì)量。因此，如何結(jié)合機器智能與人的思維能力來改善企業(yè)各層人員的決策能力就成為一個重要的問題。 

　　本書分為三個部分，分別闡述在結(jié)合人的心智和機器智能過程中如何避免數(shù)據(jù)分析的錯誤認識、實現(xiàn)人機共生的機會以及主要方法。 

　　首先針對人機共生（mind+machine）的問題，總結(jié)了在業(yè)界流行的一些常見偏見，它們會阻礙人們充分利用數(shù)據(jù)分析。這些對數(shù)據(jù)分析的謬誤性認識，存在于很多企業(yè)中。這些認識包括對大數(shù)據(jù)分析的過度崇拜、數(shù)據(jù)量的大小對分析結(jié)果的影響、數(shù)據(jù)治理、數(shù)據(jù)分析團隊、組織重組對數(shù)據(jù)分析的影響、知識管理對分析用例投資回報率的影響、機器智能的能力高估、數(shù)據(jù)分析項目的風險等方面。對于成功的數(shù)據(jù)分析項目，如何避免這些問題、培養(yǎng)正確的數(shù)據(jù)思維和數(shù)據(jù)價值觀，作者都給出了詳細的討論。 

　　機器智能和人的心智各有所長，互為補充，因此人機共生是未來數(shù)據(jù)分析的最好方式，這在很多行業(yè)的應(yīng)用中都得到了證明。第二部分討論了為人機共生帶來有利機會的13個趨勢，從云計算與移動應(yīng)用、物聯(lián)網(wǎng)的應(yīng)用、知識環(huán)的監(jiān)管、多客戶端應(yīng)用、數(shù)據(jù)隱私保護、共享經(jīng)濟、知識管理、工作流與自動化、人機交互、外包合作等方面討論了促進人機共生的手段。對于需要開展數(shù)據(jù)分析的企業(yè)而言，這些手段對充分利用上述這些前所未有的機會，提升數(shù)據(jù)分析項目的成功率，實現(xiàn)數(shù)據(jù)的變現(xiàn)價值，都具有重要的參考價值。 

　　針對上述問題，第三部分采用用例的方法，列舉了實現(xiàn)人機共生的15種典型的方法，涉及人機共生的分析用例方法、知識環(huán)的規(guī)劃、基于問題樹的數(shù)據(jù)選擇、工作流的正確使用、終端用戶的服務(wù)、用戶體驗的指導原則、成功的知識管理規(guī)則、心智的相容、知識產(chǎn)權(quán)與知識對象、用例組合的治理、用例的交易與共享等方法，這些方法為企業(yè)如何利用機器智能、提升人的決策能力，給出了比較實用的啟發(fā)。 

　　本書不是一本關(guān)于數(shù)據(jù)分析的技術(shù)書籍，沒有復雜枯燥的算法、工具和系統(tǒng)介紹，但對于企業(yè)管理人員深入認識數(shù)據(jù)分析在企業(yè)決策中的作用、避免一些導致數(shù)據(jù)分析項目失效的錯誤認識、提升業(yè)務(wù)決策中利用機器智能的效果，提供了數(shù)據(jù)思維以及方法論的指導。本書是作者多年實踐的領(lǐng)悟以及經(jīng)驗總結(jié)，比較適合關(guān)注、領(lǐng)導數(shù)據(jù)分析項目的管理人員，或者對數(shù)據(jù)分析有興趣的人士閱讀參考。 

　　本書翻譯過程中王景韜、齊梓熙、趙洪博、朱榮斌、于召鑫、黃黎明、胡遠文等同學幫助校對了部分書稿，在此表示感謝。由于譯者水平有限，原書語言也有一定難度，難免存在不妥之處，請讀者不吝指出。 

　　趙衛(wèi)東 

　　2017年10月 

　　復旦大學 

　　前言 

　　感謝你購買這本書。 

　　2015年，在研究和分析領(lǐng)域工作15年之后，我們決定創(chuàng)立采用人機共生概念的Evalueserve公司。我相信，人類大腦的感知力與自動化的結(jié)合是至關(guān)重要的，因為無論是人的心智還是機器，在未來都沒有獨立處理復雜的分析任務(wù)的能力。 

　　JohnWiley&Sons的編輯小組在2015年11月與我聯(lián)系，詢問我是否愿意寫一本關(guān)于人機共生方法如何幫助管理信息密集流程的書籍——這是一個全世界公司都越來越感興趣的話題。我從客戶、朋友和同事那里獲得了非常積極的反饋意見，并決定開始實施。 

　　本書面向銷售、營銷、采購、研發(fā)、供應(yīng)鏈等主流業(yè)務(wù)的中高層管理人員，尤其是B2B和B2C行業(yè)的管理人員，即讀者對象是數(shù)據(jù)分析的潛在受益者和終端用戶，以及可能需要在現(xiàn)在或?qū)�來根�?jù)分析結(jié)果做出決策的人。這本書并不是針對數(shù)據(jù)科學家的技術(shù)文檔——盡管如此，我堅信，即使是那些專家也可以從分析中理解獲得投資回報的主要問題。 

　　本書不會研究特別高級且罕見的分析用例，針對這些用例已經(jīng)有專門的教科書。相反，本書正在尋找有效的方式，為管理和改善決策以及獲得積極的投資回報提供實際的幫助。 

　　閱讀本書后，你應(yīng)該已經(jīng)了解分析領(lǐng)域人機共生價值鏈的關(guān)鍵問題，并能夠向數(shù)據(jù)科學家、IT專家和供應(yīng)商詢問正確的問題。在你為一個新提案花費數(shù)百萬美元之前，應(yīng)該了解可用的選擇和方法。你將會學到一些有用的東西來揭示分析世界。 

　　本書還提出了一種新穎的方法，即用例方法（UseCaseMethodology，UCM），以提供一套有形和經(jīng)過測試的工具，使你的生活更輕松。 

　　本書采用39個詳細的用例和大量的生活實例說明人機共生的應(yīng)用。相信你會從中發(fā)現(xiàn)自己的一些經(jīng)驗。你會發(fā)現(xiàn)，你絕非世上唯一在試圖理解和學習數(shù)據(jù)分析的人。 

　　正是以下這兩段對話，讓我想用這些點子來解決世界各地的分析問題。 

　　一家B2B公司的高級生產(chǎn)經(jīng)理對我說的第一句話就是： 

　　“Marc，這次會議是關(guān)于大數(shù)據(jù)的嗎？如果是的話，我這就走。供應(yīng)商說我必須安裝一個數(shù)據(jù)湖，并且雇傭大量稀缺且昂貴的統(tǒng)計學家和數(shù)據(jù)科學家。董事會說我必須在大數(shù)據(jù)方面做一些事情。但這實在是價格高且復雜，毫無道理。我只是想確保一線人員能及時獲得他們需要的東西。我不斷聽到其他公司的反饋，在數(shù)據(jù)分析項目初步開展以后，他們不能適應(yīng)這些分析項目，業(yè)務(wù)人員一直在抱怨工作進度慢，首席財務(wù)官也在詢問許多關(guān)于大數(shù)據(jù)方面財務(wù)支出的問題。” 

　　在一場與某家資產(chǎn)管理公司的首席運營官（COO）確定項目范圍的會議期間，這位COO說： 

　　“我們每年都為養(yǎng)老基金和其他機構(gòu)投資者做數(shù)千個推銷活動。我們擁有超過25種不同的數(shù)據(jù)來源，具有定量數(shù)據(jù)和定性信息以及許多區(qū)域性數(shù)據(jù)。但是，我們?nèi)匀辉谑謩泳奂�所擁有的資產(chǎn)，并通過電子郵件完成法律部門的簽發(fā)程序。一定有比這更聰明的辦法。” 

　　為什么數(shù)據(jù)分析的爭議頗多，挑戰(zhàn)很大？為什么管理者會因為過于夸張且陌生的新舉措和流程而感到厭煩，以及因為沒有更好的方式來完成工作而感到沮喪（盡管所有的變化都涉及更好、更大和更機智的分析）呢？ 

　　典型的直線經(jīng)理希望以正確的格式在合適的時間為合適的人提供正確的決策支持。個人和公司全力以赴地吸收信息的能力并沒有跟上分析用例和可用數(shù)據(jù)的迅速增長。此外，現(xiàn)有的和新的合規(guī)性要求正在以驚人的速度累積，特別是在重點監(jiān)管行業(yè)，例如金融服務(wù)和醫(yī)療保健。 

　　分析本身并不是真正的問題。在大多數(shù)情況下，組織內(nèi)部的業(yè)務(wù)運籌才是問題：對工作流進行定義并有效地執(zhí)行，即對內(nèi)部調(diào)整、IT項目的操作復雜性以及其他阻礙進展的組織性障礙的決策。這些復雜情況會拖慢進程，或者使項目脫離最初的目標，從而導致分析的實際受益人（例如大客戶經(jīng)理，或者實地采購經(jīng)理）不能及時得到所需。 

　　許多其他問題困擾著分析界：“數(shù)據(jù)湖”和“神經(jīng)網(wǎng)絡(luò)”這些非直觀術(shù)語的擴散、數(shù)據(jù)分析心理的時常忽視，由此促使公司過度執(zhí)著于數(shù)據(jù)力量，并且將實際操作過于復雜化，以及過度的市場炒作導致技術(shù)無法實現(xiàn)承諾。 

　　基于與數(shù)百個Evalueserve公司的客戶以及前同事在戰(zhàn)略咨詢領(lǐng)域的交流，一般管理人員對于簡化框架的需求越來越迫切，使得信息密集型的決策支持過程更加經(jīng)濟且有效。簡單流程總是優(yōu)于復雜和不透明的流程——分析領(lǐng)域也不例外。 

　　我想揭示分析的真諦。據(jù)觀察，大數(shù)據(jù)和人工智能等術(shù)語在媒體中正受到高度關(guān)注，以至于最為基本的日常分析主題被忽視，例如，問題定義、數(shù)據(jù)收集、數(shù)據(jù)清理、數(shù)據(jù)分析、可視化、傳播以及知識管理等主題，我將從這個觀察出發(fā)進行論述。將大數(shù)據(jù)應(yīng)用于每個分析問題就像采用一種高度精確的廚具，例如一種精細平衡的壽司刀，并嘗試將其應(yīng)用于每一項任務(wù)。雖然在好幾個領(lǐng)域出現(xiàn)了非常有用的大數(shù)據(jù)用例，但是它們在數(shù)十億的分析用例中僅占5%。 

　　其他95%的用例是什么？小數(shù)據(jù)。有這么多分析用例需要小數(shù)據(jù)來產(chǎn)生很大影響，這實在是不可思議。在所有表明這一問題的用例中，我最喜歡的一個用例是，僅依靠800位數(shù)據(jù)信息就為一家投資銀行每年節(jié)省了一百萬美元的重復投資。第一部分將詳細討論這個用例。 

　　的確，并不是每一個用例都是這樣，但是我想說明一點，企業(yè)有很多機會利用非常簡單的工具來分析現(xiàn)有的數(shù)據(jù)，并且投資回報率與數(shù)據(jù)集大小之間幾乎沒有相關(guān)性。 

　　本書專注于端對端的支持決策或產(chǎn)生基于信息的輸出的信息密集流程，例如推銷員的宣傳或者研究以及數(shù)據(jù)產(chǎn)品，無論是對內(nèi)部接受者，還是外部客戶。這包括所有類型的數(shù)據(jù)和信息：定性和定量；金融、商業(yè)和運營；靜態(tài)和動態(tài)；大量和少量；結(jié)構(gòu)化和非結(jié)構(gòu)化。 

　　人機共生的概念通過人類思維與機器的結(jié)合改善了生產(chǎn)率、上市時間和質(zhì)量，或者創(chuàng)造了以前不存在的新功能。本書并不涉及物質(zhì)產(chǎn)品的生產(chǎn)，也不關(guān)注工業(yè)4.0模式中對實物機器或者機器人的使用。此外，本書將研究全面的端對端分析價值鏈，這遠遠超出了解決分析問題或獲得某些數(shù)據(jù)的范圍。最后，會討論如何確保分析協(xié)助人們賺錢，并滿足客戶需求。 

　　第一部分將研究分析領(lǐng)域的當前狀況，澄清那些混淆正確看法的12個謬誤。令人驚訝的是，這些謬誤在媒體甚至高級管理層都已經(jīng)根深蒂固。希望第一部分能為你提供工具，用以應(yīng)對營銷炒作、達到高級管理層的期望，以及理解該領(lǐng)域的術(shù)語。第一部分還包含前面提過的800位數(shù)據(jù)的用例。相信你已經(jīng)迫不及待地想要閱讀細節(jié)了。 

　　第二部分將研究影響分析和推動積極變化的主要趨勢。這些趨勢對于該領(lǐng)域的大多數(shù)用戶和決策者來說基本上是一個好消息。它大幅簡化了流程，由此降低了IT支出，縮短了開發(fā)周期，并增強了用戶界面，為可盈利的新用例建立了基礎(chǔ)。這一部分主要研究以下重要問題： 

　　物聯(lián)網(wǎng)、云技術(shù)和移動技術(shù)發(fā)生了什么？ 

　　這將如何推動新的數(shù)據(jù)、新的用例和新的交付模式？ 

　　數(shù)據(jù)資產(chǎn)、替代數(shù)據(jù)和智能數(shù)據(jù)的增長速度有多快？ 

　　終端用戶快速變化的期望到底是什么？ 

　　人機應(yīng)該如何相互支持？ 

　　現(xiàn)代工作流管理和自動化讓事情加快了嗎？ 

　　現(xiàn)代用戶體驗設(shè)計如何改善影響？ 

　　類似“現(xiàn)收現(xiàn)付”這樣的商業(yè)模型與分析如何相關(guān)？ 

　　監(jiān)管環(huán)境如何影響分析計劃？ 

　　第三部分將介紹人機共生中的最佳實踐。這一部分將通過用例方法（UCM）來分析端對端的價值鏈，重點關(guān)注如何完成任務(wù)。你將發(fā)現(xiàn)如何設(shè)計和管理個人用例的實用建議，以及如何管理用例的組合。 

　　本書還會解決一些關(guān)鍵問題： 

　　什么是分析用例？ 

　　我們應(yīng)該如何考慮客戶的利益？ 

　　用例的正確分析方法是什么？ 

　　我們需要哪種程度的自動化？ 

　　我們?nèi)绾卧诤线m的時間以合適的形式滿足終端用戶？ 

　　我們?nèi)绾螠蕚鋺?yīng)對合規(guī)性的必然檢查？ 

　　我們從哪里可以獲得外部幫助，什么是實際成本和時限期望？ 

　　我們?nèi)绾沃赜糜美�，以縮短開發(fā)周期并提高投資回報率？ 

　　然而，僅僅關(guān)注個別用例是不夠的，還應(yīng)該放眼整體用例組合的管理。因此，這一部分還將回答以下問題： 

　　我們?nèi)绾螌ふ矣美�，并對其劃分�?yōu)先順序？ 

　　需要什么層次的監(jiān)管以及如何設(shè)置？ 

　　在用例組合中，我們?nèi)绾伟l(fā)現(xiàn)用例之間的協(xié)同效應(yīng)，并重用它們？ 

　　我們?nèi)绾未_定它們實際上提供了預期的價值和投資回報率？ 

　　我們?nèi)绾喂芾聿⒅卫碛美�組合？ 

　　在第三部分的最后，你應(yīng)該能夠解決人機共生的主要問題，這涉及單個用例，也包括用例組合。 

　　本書使用了大量通俗用語來解釋問題，避免過多的專業(yè)用語。其中一些表達可能有些唐突，但是我希望這些表達使閱讀變得有趣，讓對邏輯要求很高的分析主題輕松化。如果在閱讀本書的過程中讀者能被逗笑幾次，那么我的目的就達到了。 

　　我很開心能和讀者一起暢游人機共生的世界，感謝大家選擇我作為向?qū)�。讓我們開始吧！