数据科学与大数据技术在商业领域的应用越来越受到企业界的关注。企业不但需要会熟练掌握数据分析和处理的技术人才，而且更需要拥有大数据思维的管理者，后者能从大数据分析结果中汲取可以获利的信息,将有用的信息和企业的中长期战略良好地衔接起来，进而为企业的发展争取竞争优势。

麦克·沃森、德里克·内尔森著的《管理数据分析(原理方法工具及实践)》正是为试图认识和了解大数据分析方法如何应用于企业运营管理的企业管理者、大学生、政府官员等，提供一个通俗易懂、生动有趣的简明介绍，是一本中级层次的普及读本。

想要利用大数据和数据分析获得利润吗？麦克·沃森、德里克·内尔森著的《管理数据分析(原理方法工具及实践)》是你理想的首选资源。无论你的行业或管理角色怎样，本书都将有助于你以最快的速度开始，并迅速产生价值。

现在，数据分析可以帮助组织做从盈利到拯救生命的任何事情。假如能正确运用它，你的组织将可能凭借数据分析获得巨大的机会和价值。

本书将展示如何来做数据分析。本书是专门为每一位想要从数据分析中获得利润，但不知道从哪里开始的经理，每一位想要向客户提供更好的结果的顾问和软件供应商，每一位负责评估分析产品或供应商的专家而设计的。

本书运用现实事例阐明了三种分析形式：描述数据和可视化数据的描述性数据分析，识别趋势和关系的预测性数据分析，利用已知信息和预期目标来优化决策的规范性数据分析。

本书介绍了当今最好的数据分析工具和技术，提供了足够的技术细节来帮助你做出最好的选择。本书适合于学习和研究商业数据分析、大数据在企业中应用的管理人员、高校学生、政府工作者，帮助他们了解如何用数据来解决问题。

本书荣获的赞誉

关于作者

序言

第1部分 概述

 第1章 什么是管理数据分析

1.1 关于数据分析含义的疑惑

1.2 十么是数据分析

 1.2.1 运用描述性数据分析的事例

 1.2.2 运用预测性数据分析的事例

 1.2.3 运用规范性数据分析的事例

1.3 什么是新的内容

1.4 哪种数据分析最好

1.5 什么是管理数据分析

 第2章 什么在推动数据分析蓬勃发展

2.1 数据是数据分析的原料

 2.1.1 什么是大数据

 2.1.2 大数据能替代科学吗

 2.1.3 在缺少大数据的条件下可以做数据分析吗

2.2 检验促进数据分析的发展

 第3章 数据分析思维方式

3.1 管理数据盲

 3.1.1 计算能力的错觉

 3.1.2 过滤谬论

 3.1.3 一点改进的益处

3.2 数据分析是一种思维方式

 3.2.1 80/20法则

 3.2.2 将可变性纳入到数据分析中

 3.2.3 不能仅使用会计数据

3.3 透彻思考数据

 3.3.1 并非所有的数字都是数据

 3.3.2 能否信任数据

 3.3.3 应该对数据做简单的测试

 3.3.4 就地取材

3.4 数据科学家的兴起

第2部分 数据分析工具

 第4章 机器学习

4.1 什么是机器学习

4.2 监督机器学习算法

 4.2.1 分类与k最近邻算法

 4.2.2 分类与决策树

 4.2.3 推荐系统

 4.2.4 回归分析

4.3 无监督机器学习算法

 4.3.1 聚类分析与k均值算法

 4.3.2 关联规则与购物篮算法

4.4 对模型过度拟合与欠拟合的评注

4.5 其他机器学习算法与总结

 第5章 描述性数据分析

5.1 基于数据库的描述性数据分析

 5.1.1 数据库基础

 5.1.2 数据建模

 5.1.3 学习SQL语言，更好地认识数据

 5.1.4 什么是NO_SQL

 5.1.5 结构化数据与非结构化数据

 5.1.6 数据仓库与数据集

 5.1.7 仪表盘和平衡计分卡：实用的及时报告

 5.1.8 运用OLAP和数据立方体拓展描述性数据分析

 5.1.9 何时打破关系数据库的规则

 5.1.10 实时数据与自动预警

5.2 运用数据可视化做描述性数据分析

5.3 运用描述性统计做描述性数据分析

5.4 重用机器学习做描述性数据分析

 第6章 预测性数据分析

6.1 回归预测

6.2 机器学习与集成模型

6.3 AB检测

6.4 模拟

 第7章 案例分析：《点球成金》与最优化

 第8章 规范性数据分析(又称最优化）

8.1 什么是最优化

8.2 最优化=目标、约束条件、选择+数据

 8.2.1 目标

 8.2.2 约束条件

 8.2.3 选择

 8.2.4 数据

8.3 TLC+D应用：每个人都爱吃比萨

 8.3.1  目标

 8.3.2 约束条件

 8.3.3 选择

 8.3.4 数据

 8.3.5 数学公式

8.4 最优化算法的类型

 8.4.1 精确算法

 8.4.2 近似算法

 8.4.3 启发式算法

 8.4.4 假设分析

第3部分 结论

 第9章 收益管理

 第10章 实施数据分析的终极技巧

10.1 它只是弓箭手，而不是弓箭本身

10.2 总结

非传统参考书目和扩展阅读

译后记

第一章 什么是管理数据分析

1.1 关于数据分析含义的疑惑

数据分析领域(及其常用同义词大数据)已经引发了许多企业管理者的无限遐想。

有些公司经常公开地声称：他们热衷于数据分析。通用电气(General Electric)最近宣布，为了充分利用自己的工业机器所产生的数据而大举进军“数据分析”。IBM和俄亥俄州立大学宣布成立数据分析研发中心，预计雇用多达500人来做数据分析研究工作。而谷歌则大力宣传自己内部的高级搜索功能的数据分析，并为其他公司提供跟踪自己网站的服务。这份所罗列的公司一览表及其他们所新公布的数据分析能力，将会继续更新发展。

对咨询公司和软件公司数据分析服务和产品所进行的推销越激动，越是会心存疑惑地认为，这些公司除了他们的营销信息里面包括“数据分析”这个词之外，并没有改变任何东西。但是，这样的怀疑观点并不能反驳如下的事实：很明显，对数据分析的需求是相当地多，否则这些公司不会尝试在第一时间跟进。

数据分析这个术语甚至进入了大众媒体。最常看到的情况是，它出现在大众媒体的商业部分甚至是报纸的首页。电影《点球成金》(基于同名书改编的电影)向我们展示了，聪明人如何使用统计数据来帮助奥克兰运动家职业棒球队以一种低成本方式来创建团队并赢得胜利，这可能是关于数据分析最能吸引公众眼球的精彩力作。那些密切关注政治的人士，也可能读到过美国前总统奥巴马竞选连任的原因就是大量运用数据分析来精准定位最有可能投票给他的选民。这些进军主流文化(体育和政治)的尝试促进了公众对数据分析的兴趣。

为了解决雇主的招聘需求和满足学生的就业意愿，一些大学开始提供数据分析相关的专业学位。你很可能已经在主流出版物中看到了关于对数据分析技能市场需求的探讨。

可是，数据分析到底是什么呢？公司和记者更愿意使用这个词，而不是告诉你它是什么。倘若没有定义，你怎样知道你所做的就是数据分析呢？你如何将数据分析应用于你的具体情况呢？你怎样知道，你的供应商确实卖给你一个数据分析解决方案呢？

然而，每当一个词具有如此好的内涵却难以给出定义时，就会出现那样的风险：当下一个流行词出现时，前一个流行词将被人们所遗忘。当首席执行官想要更多的数据分析项目时，经理就将这个数据分析词语放入到他们所有项目的标题上，此时本质上并没有改变他们所做的任何工作。供货商意识到，他们可以用数据分析来重新命名他们一直在做的事物，进而会卖得更好。如果某个批次的产品与数据分析这个词语有联系，则出售那些产品的公司就没有动力来澄清，如果它对你有利，为什么还要澄清数据分析这个术语呢？吸引人们这样做的部分原因在于，对很多人来讲，数据分析这个词语具有神秘色彩，而这使其听起来很复杂，进而带来了巨大回报，所以，我们最好这样做！

如果你想要正确地运用数据分析，那么如何知道从哪里开始？如何知道在何时、何地利用数据分析可以获得价值？实施某个数据分析项目、或者某个方案是否会比其他的项目或方案更好？

与数据分析同时出现使用的大数据这个术语，无疑增加了理解上的混乱。大数据术语也是一个没有很明确定义的术语。例如，大数据和大数据集有怎样的差异呢？还有，数据分析是否只适用于大数据？数据分析和大数据的意思是一样的吗？

这本书将为你排除困惑，并清晰地给出数据分析和大数据的定义。你将会看到，由这个新定义所产生的领域，因此你将对这样的术语有一个深刻的理解。

我们认为数据分析绝不仅仅是一个流行词汇或一种时尚潮流。数据分析经由有能力的人出色地实施，将会为你的公司或组织机构带来巨大的价值。数据分析适用于不同形态、不同规模的公司和组织机构。数据分析几乎适用于各种大公司、小公司，非营利组织机构和教育研究所，医疗保健和医药机构、政府机关、科学研究所、执法部门和军队。数据分析项目可以由组织机构的负责人、部门经理，甚至单独个体来牵头执行。但是，数据分析只有在你和你的组织的人知道它是什么，对它的内容可以清晰地沟通，并能正确运用它时，才能带来价值。

1.2 什么是数据分析

数据分析这个词由来已久，可是，现在是什么又让它流行起来呢？

硅谷的互联网公司起到了推波助澜的作用。这些公司运用“数据分析”这一术语意指跟踪谁在点击你的网站、他们访问了哪个页面、他们在买什么，等等。但是，很难想象，如果它的性能只是跟踪网站信息，那么它是如何迅速扩散到如此地步的。

销售报告系统(用行业术语来讲就是商业智能软件)的公司对数据分析这个术语的传播所起到的作用也不可小觑。这些公司声称，数据分析能以更简单和有效的方法来报告公司的数据。然而，如果它只是提供报告而已，那么数据分析也不会如此受欢迎。

我们认为，当哈佛商业评论发表了一篇名为“数据分析竞争法”的文章时，数据分析就迈人了主流的商业术语的范畴。此文是由托马斯·达文波特(Thomas Davenport)于2006年1月发表(同时出版了同名书籍)的。在这篇文章中，达文波特强调像亚马逊、万豪、哈拉斯娱乐公司以及第一资本金融公司是通过在一系列活动中开展各种行业强度分析，取得了所在领域的主导地位。

对于数据分析术语来说，这是一个引爆点。实际上，这篇文章表明，人们应用数据分析可以解决更广泛的问题。它不只是一个细分领域(例如跟踪网站访问者，或创建更好的报告)。它的益处远不止于此。

但是，我们仍然没有真正弄明白，数据分析的定义究竟是什么。达文波特的文章给出了企业解决具体问题的例子。例如，万豪酒店利用数据分析来设定房间的最优价格，而第一资本使用数据分析来测验不同的价格、促销方式和捆绑式服务吸引什么样的客户群体。但文章中只是将数据分析定义为“收集、分析和使用数据。”换句话说，依据这篇文章，数据分析就是通过分析数据做出更好的决策。这个定义，尽管是正确的和严谨的，但是没有给予更多的指导。管理者不总是谈论如何用数据来做决策吗？是的，可是如今可以利用的数据量更为庞大。但是，仅仅是利用大量数据来做出更多的决策，这件事并不能帮助我们定义数据分析。

达文波特文章的贡献并不在于它对分析的定义。相反，这篇文章开启了数据分析的蓬勃发展运动。也就是说，它提出了如下的想法：许多人利用各种不同的工具来解决众多问题，而所有这些工具都被称为“数据分析”。

这篇文章将数据分析的思想看成是一个探索的领域(如同计算机科学或化学领域)。作为佐证的是，许多大学已经开始提供数据分析专业学位。致力于数据分析的专业机构，诸如INFORMS，也开始促进和不断完善这一领域。（P2-4）

第一次听到“数据分析”成为流行语时，我们并没有受到很大的触动。毕竟。我们的职业就是做数据分析研究。我们在本科和研究生阶段，都专注于类似数学最优化、概率论和统计学的专题内容。我们的职业就是整天和数据打交道，分析数据，创建数据库和报表系统，利用各种工具(包括电子表格、数据库、报表工具、统计工具、最优化工具和专业工程工具)来测试、操作数据，同时以有意义的方式理解、认识数据，具体地说，是使我们公司和曾合作过的其他公司据此做出更明智的商业决策。

我们从来没有给自己所做的研究贴上“数据分析”的标签，但是如果有人真的在研究数据分析，那就是我们。

广受欢迎的数据分析术语．人气越来越高涨。这些词似乎很快就火了起来。它被人们频繁地运用，突然出现在各种市场营销活动中，甚至一些公司重新将自己标榜为“数据分析”专家。不可否认，最初我们陷入了常见的陷阱之中，抵制这个词语，认为这不过是“老树发新芽”。我们认为自己不应当被愚弄，数据分析只是我们以前称呼的数学而已。

可是，我们不久后发现，这不仅仅是一个新名词，而且是一个蓬勃发展的趋势。并且，这样的势头能迅速让我们放弃抵抗。一个软件供应商说，如果你要实施公司的解决方案，就必须会运用数据分析；一些硅谷的公司说，每家公司都必须运用数据分析，否则就不会成功。

当我们阅读了更多的文章，采访了更多的人后，我们发现，数据分析这个术语正在被各式各样的人以截然不同的方式运用着。我们也看到，一些软件公司和某些产品看起来绑架了数据分析术语，而且运用它时，仿佛除了他们所做的工作以外任何东西都不是数据分析。从专业角度来看，这和我们的认知不一样。尽管我们知道，我们所做的内容是数据分析，但是我们担心，正是因为有许多人运用这个术语时出现前后不一致的情况，所以人们很难理解它。

渐渐地，我们承认除了自己研究颇深的专题外，或许有更多其他的故事可以研究。关于数据分析，确定曾存在过许多新的领域。不过，在开始探索之前，我们不可以先限定它到底是什么。

换句话说，数据分析领域没有一个得到公认的好的定义和描述。如果有人想知道，数据分析发展的趋势如何，我们很难给出一个完整的答案。让事情变得更加困惑的是，大数据迅速出现，并成为数据分析的同义词。

我们认为，如果我们处于困惑之中，那么其他人也会如此。当管理者现在被要求运用数据分析和大数据做更多的事情时，他们就需要准确理解那些知识是什么。所以，我们决定写作这本书，目的是帮助管理者和分析师更好地认识数据分析及其发展趋势。

这本书是针对想要知道数据分析及其发展趋势是什么的人而专门设计的。写作本书的目的是帮助需要利用数据分析来提升自己的组织机构，让它们看清大肆宣传的广告，找到清晰的定义，从而更好地实施数据分析的解决方案；本书也面向咨询顾问和软件供应商，以使他们能够帮助其客户取得卓越成果；面向那些需要评估分析解决方案，但可能又不知道从哪里开始研究问题的人。我们希望看到，更多来自各类不同组织机构的人能更好地运用数据分析。我们从管理者需要了解数据分析的视角撰写这本书。由于数据分析是一门技术性很强的学科，所以我们引入了某些技术细节。但是，我们这样做，只是为了帮助管理者获得更好的直觉和洞察力。可是，数据分析的领域非常宽泛，以至于很难在一本书中做到面面俱到，因此我们不得不挑选一些专题并控制深度。当然，不同的人需求可能是不同的，我们尽力提供足够的信息和参考资料，让读者从一个更好的视角来探索更加感兴趣的专题。

我们希望各种各样的人都能从本书中获益：管理者能从更好的视角评估和运营项目；某些领域的专家能知道他们的专业如何更好地应用于其他专业。我们还希望本书能够激发或给予读者一些好的想法，以使所在的组织机构凸显出重要的差异。如果运用得当，数据分析将无所不能，小到帮助企业建立新的经营策略并节省资金，大到帮助医疗机构拯救生命。

最近一段时间，关于大数据的理论及各种应用的探索、研究越来越多，大数据已经开启了一个崭新的时代。

牛津大学教授维克托·迈尔·舍恩伯格在其著作《大数据时代》中说：“大数据是人们获得新的认知、创造新的价值的源泉，也是改变市场、组织机构以及政府与公民关系的方法。”

1.数据(含大数据)正在成为一种生产投入要素

数据(含大数据)正在成为一种生产资料，成为一种稀有资源。任何一个行业和领域都会产生有价值的数据，而对这些数据进行统计、分析和挖掘，则会创造出意想不到的价值和财富。

由于大数据具有巨大的潜在影响力，许多国家或国际组织都将大数据视作战略资源，并将大数据提升为国家战略。比如，2012年3月,美国奥巴马政府宣布“大数据研发计划”，并设立2亿美元的启动资金，希望增强海量数据的收集和分析萃取能力，认为这事关美国的国家安全和未来竞争力。迄今为止，美国在大数据方面实施了三轮政策，开放了50多个门类的政府数据确保商业创新。

欧盟正在力推《数据价值链战略计划》，以此来为320万人增加就业机会。日本积极谋划利用大数据改造国家治理体系，对冲经济下行风险,联合国推出的“全球脉动”项目，希望利用“大数据”预测某些地区的失业率或疾病爆发等现象，以提前指导援助。

我国2014年3月将“大数据”首次写进《政府工作报告》。2015年8月19日，国务院总理李克强主持召开国务院会议，议题之一就是讨论研究《关于促进大数据发展的行动纲要》，强调制定大数据行动纲领，要突出围绕“政府大数据建设”和“创造健康发展的大数据环境”这两项核心内容展开。

2015年9月，国务院发布了《促进大数据发展行动纲要》。这个纲要指出，大数据将成为推动经济转型发展的新动力。大数据产业正在成为新的经济增长点，将对未来信息产业格局产生重要影响．

2016年3月17日，《中华人民共和国国民经济和社会发展第十三个五年规划纲要》(以下简称《“十三五”规划纲要》全文发布。”十三五”规划纲要》指出,实施国家大数据战略，把大数据作为基础性战略资源，全面实施促进大数据发展行动，加快推动数据资源共享开放和开发应用，助力产业转型升级和社会治理创新。

2.大数据在实践中的应用——分析和处理

既然大数据是人们获得新认知、创造新价值的源泉，那么我们怎样利用大数据创造价值呢？换句话说，我们需要什么样的工具来挖掘大数据的潜在价值呢？

实际上，大数据并非仅仅是数据量巨大，一个非常重要的现实问题是如何对大数据进行分析，采用什么样的方法或者分析技术来处理大数据。  如果从学科研究方法和市场需求框架来看，当前我国对大数据进行研究主要有三种不同的类型：一是以数理统计为主导方法，致力于基础性数据挖掘、分析和建模；二是以计算机科学为主导方法，致力于工学设计、计算原理和数据处理工作；三是以商业需求为导向的应用，致力于提供商业问题解决方案。实际上，从学科归属来看，数据科学是研究大数据的科学，但研究的内容并不局限于大数据，还有数据存储与管理、数据安全、数据分析、数据可视化等。

如果从大数据的来源和技术发展框架来看，大数据的研究和处理涉及三个大的领域：一是大数据集合，一般是指为解决一个决策问题而涉及的所有可能的数据，通常数据量巨大、数据来源和类型多样；二是大数据技术，包括大数据资源的获取、存储管理、分析挖掘、可视化展现等技术；三是大数据应用．是指对大数据集采用大数据技术来挖掘价值成果，通过揭示自然界和人类社会的现象与规律，来支持决策活动，是一种全新的科学决策方法。

由于大数据技术是多学科、多技术领域交叉融合而形成的，所以大数据应用也体现出多学科融合的特点，这种交叉融合进一步促进了数据科学的发展。可以说，大数据应用的最显著的特点，就是与各行业领域的深度交叉与融合．它已经深刻改变了我们的生活，不仅涉及全新的方法和技术，更体现出一种全新的思维和观念，不断创造着新的价值。

最近几年，关于大数据技术引人注目的应用领域，我们引用周涛等(来自《大数据》2017年第l期《CCF大专委2017年大数据发展趋势预测》一文)的研究成果——近5年来，有4年互联网和金融始终居于前三位领域，而2017年则呈现出新的特征：城镇化与制造业中的数据应用随其后．进入前五。具体信息如表1所示。

3.对管理数据分析的思考

首先，从原书名“Managerial Analytics”谈起。此书名的核心词是“analytics”，其修饰词是“managerial”(管理的)，因此，本书内容主要是限定在与管理有关的“analytics”。

下面，我们以一种学术界常见的追根溯源的方式来探究“analytics”。通常，可以将“analytics”翻译成“分析学，解析学，分析论”，analytics作为一个术语出现，可追溯到亚里士多德和他的演绎推理研究。依据梅里亚姆一韦伯斯特词典(Merriam-Webster Dictionary，美国权威的辞书出版机构的词典)，analytics是“逻辑上的分析学”，此种定义并没有一个明确说明的终极目标，这样的解释是一个非常宽泛的含义。因此，分析学并不是一个崭新的术语。

这里要提及“analysis”一词的翻译，学习英语的人都认识这个词语,就是“[名]分析，分解；梗概，要略；[数]解析；验定”之意。  在大数据时代背景下，analytics一词是否被赋予了新的含义呢？

当前，如果从学术界角度来考察“analytics”，一般是指INFORMS学术组织(www.informs.org)对其所赋予的新的含义：Analytics is defined as thescientific process of transforming data into insight for making better decisions,翻译成中文大意是说，分析学被定义成将数据转变成用于更好决策的洞察力的科学过程。所以，可以发现，这个新定义的研究对象是数据(data),对数据的加工过程则是一种科学的过程，其中特别强调了“科学的过程”,最终的目标是为人们的决策提供某种参考借鉴的依据，而且突出了“更好决策”的高级目标。

国外有一本期刊《Analytics》，将analytics定义为：利用数学、运筹学、统计学来影响商业决策。

鉴于analytics的学术含义，国内有一些人将“analytics”翻译成数据分析就非常顺理成章了。查询国内最近几年来已经引进翻译的涉及“analytics”方面的书籍，有中译本《数据分析竞争法——企业赢之道》(2009年出版)，作者是托马斯·达文波特(Thomas H．Davenport)和珍妮·哈里斯(Jeanne G．Harris)(原书2007年出版)，还有《精益数据分析》(2015年出版)，作者是阿利斯泰尔·克罗尔(Alistair Croll)和本杰明·尤科维奇(Ben Yoskovitz)(原书2013年出版)。

顺便说一句,国内对“Business Analytics”的翻译，一般译成“商务数据分析”，或“商业数据分析”。在国际范围内，已经有多所大学的管理学院或商学院陆续创建新专业“商务数据分析”。关于Business Analytics(BA)的解释如下：Business analytics is the practice of iterative，methodical exploration of an organization's data with emphasis on statistical analysis。例如,美国南加州大学的马歇尔商学院．就专门开设商业数据分析(Business Analytics)的硕士项目。在项目介绍中，第一句话就是，商业数据分析是现在全美增长最迅速的领域。旧金山州立大学成立了类似项目，学制只需一年半，其中一年学习知识，半年学校帮助寻找实习机会。此外，新西兰奥塔哥大学的商学院(Otago Business School)研究生也设有商业数据科学方向(Master0f Business Data Science)。

因此,我们将“Managerial Analytics”译成“管理数据分析”就十分自然了。

4.传统分析学和大数据分析学的比较

本小节暂时脱离一下数据分析的主题，考察大数据时代背景下的分析学和以往分析学的差异。

为了清楚认识当前分析学的含义，这里将当前大数据时代背景下的分析学称为大数据分析学(big data analytics)，有时在应用背景十分明确的条件下,也经常简称为分析学。这两个术语意思相同，可以相互交换使用，而将以往的分析学称为传统分析学。

对于大数据分析学和传统分析学的差异，可从研究对象的数据特征、总体特征、技术方法、方法论等几个层面加以厘清。在传统数据分析学中，研究问题是先于分析而提出的,然后搜集数据，来寻找那些预先设计的问题的答案。通常,样本是从已知总体中抽取，据此在关系数据库环境下实施分析。

就大数据分析学而言,通常是在诸如Hadoop的平台上来执行整个已知或未知总体的数据分析。此外，大数据分析学所研究的数据一般是流动的而非静止的，要么针对以前提出的问题，要么探索我们可能没有提问过的问题,如表2所示。

5.关于本书的翻译

回顾过去几十年来国内外企业的发展，在不考虑企业具体行业背景的情况下，对于决定企业成败的主要数据／信息管理技术(也涉及理念),我们可以大致总结出从20世纪80年代的企业资源计划、20世纪90年代的客户资源管理、21世纪初的电子商务，到现在的大数据分析这样几个历程,如图1所示.

当前,数据科学与大数据技术在商业领域的应用越来越受到企业界的关注。实际上,企业不但需要会熟练掌握数据分析和处理的技术人才，而且更需要拥有大数据思维的管理者，后者能从大数据分析结果中汲取可以获利的信息,将有用的信息和企业的中长期战略良好地衔接起来，进而为企业的发展争取竞争优势。

本书的出版，正是为试图认识和了解大数据分析方法如何应用于企业运营管理的企业管理者、大学生、政府官员等，提供一个通俗易懂、生动有趣的简明介绍，是一本中级层次的普及读本。

本书第一译者于2013年10月加入了哈尔滨工业大学经济与管理学院的“商务管理数据分析”新专业课程建设小组，从那时起就一直关注和学习BA方面的知识，后来将学习心得整理成两个专题，第一个专题是“Data Science and Dig Data”，放置在《统计学专业英语(第3版)》(哈尔滨工业大学出版社，2015年4月出版)，第二个专题是“Statistical Methods and Data Science”，放置在《统计学专业英语教程》(电子工业出版社，2016年8月出版)。

最后，译者特别感谢曾经参与本书的前期学习和翻译的老师和同学，他们是黑龙江中医药大学的郭倩老师、哈尔滨绥化学院的王伟老师、黑龙江农垦职业学院的张馨元老师，以及哈尔滨工业大学经济与管理学院金融专硕研究生温雅欣。这里特别要感谢管理学院的胡运权教授、于渤教授以及学院院长叶强教授多年来给予译者的教诲和关怀，使得翻译这项辛苦的工作得以完成。哈尔滨工业大学经济与管理学院的王忠玉负责翻译第4、5、8、9、10章，哈尔滨工业大学经济与管理学院博士研究生王琼负责翻译第1、2、3、6、7章，王忠玉对全书进行了统稿。另外，也要感谢曾经参与本书译稿讨论的一些同学，他们是王天元、王初旭、邢结、黄炜、周子涵、张宇昂、李慧凝、朱垣檠、董赫、牟思涵、郑天慧、范晓菲、徐雪，还有高旭彤、张天爱、潘殊杉。

译者虽然精心专研和翻译管理数据分析书籍，但仍可能存在纰漏和错误，希望广大读者指正。联系方式：wangzhy@hit.edu.cn。

王忠玉、王琼

“随着大量的、丰富多彩的数据源源不断涌现的新时代来临，关于数据分析的书籍日益增多，其中绝大多数的书籍，要么专注于分析技术层面，要么聚焦于基础商业流程及商业分析层面。当一位管理者想要学习基本技术及其应用时，势必要师从于一位拥有良好沟通能力的数据科学家。本书为管理者提供了一个自己学习相关概念的机会，因此，本书应该摆在那些领导和从事管理数据分析工作的管理人员的书架上。从非技术角度来讲，本书涵盖了数据分析最重要的方法论及概念。每一种方法论都恰当地结合举例说明和实用案例，理解它们不需要任何技术知识。如果我想要在数据分析领域创业，那么这将是我在每天清晨阅读的第一本书。”

——迭戈·克拉比耶(Diego Klabian)，工业工程与管理学教授。数据分析理学硕士项目主任，西北大学

“这本《管理数据分析》针对数据分析给出了极好的介绍和概述，对于刚接触这一领域的人来说，非常容易理解，而对于有更多知识背景的读者来说，则提供了一个十分有用的框架：本书是从实践者的角度来写作的，书里面充满了简洁而相关的例子、作者表述了当前数据分析工具的可能边界，并引导读者提出好的问题，避免落入常见陷阱。当读者管理自己的数据分析项目时，知道如何识别隐含的假设。”

——迈克尔·费米尔(Michae Freimer)博士，Demand Signal首席科学家

“对于不同的读者来说，‘数据分析’术语意味着不同的事物。在连接市场营销的大肆宣传与技术细节之间的缺口方面，沃森和内尔森筑起了桥梁，从而使读者更容易评估以数据分析为基础的解决方案，更好地理解这些方案的潜力。”

——欧文·勒斯蒂格(Irv Lustig)博士，最优化数学软件、商业数据分析和数学科学经理，IBM研究中心