第1章导论
　　开篇案例
　　Amazon超越电商
　　在过去的10年时间（2011～2021年）里，Amazon（亚马逊）公司的股票已经有了接近100倍的上涨幅度。作为一家早已领导电子商务领域的企业，还能有这样的增长完全出人意料。支撑这一奇迹的当然不是传统的零售业务本身，而是得益于从大数据挖掘出了最大限度的价值。如果问及全球对商务数据运用最成功的案例，答案可能非Amazon莫属。
　　在电子商务（electronic commerce）交易和为企业提供数字化服务的过程中，Amazon对海量数据进行处理，其间接价值远远超过了交易行为本身。作为一个信息平台，Amazon不仅从每个用户的购买行为中获得信息，还将这些用户在其网站上的所有行为都记录下来：最初是页面停留时间、用户是否查看评论、每个搜索的关键词、浏览的商品，现在则是在人工智能支撑下完整的用户画像，以及由此衍生而来的智能化、云端化服务能力。这种对数据价值的高度敏感和重视，以及强大的挖掘能力，使得Amazon早已摆脱对传统零售业务和模式的依赖。
　　早年Amazon*席技术总监Werner Vogels（沃纳?沃格尔斯）在德国汉诺威国际信息及通信技术博览会上关于大数据的演讲，已描述了Amazon在大数据时代的商业蓝图。长期以来，Amazon一直通过大数据分析，尝试定位客户和获取客户反馈。“在此过程中，你会发现数据量越大，结果越好。为什么有的企业在商业上不断犯错？那是因为它们没有足够数量的数据对运营和决策提供支持。一旦进入大数据的世界，企业的手中将握有无限可能。”
　　在传统的商业活动中，受到重视的数据通常来自三个环节：营销部门的市场销售数据，财务部门的资金负债、经营损益、税务资料，以及人事部门的人力资源成本。这些数据通过纯人工，或结合计算机辅助的方式，转化为企业的经营策略。这种工业化时代的典型思维，依赖的是经验和直觉。
　　然而，互联网时代每天涌现的数据量之大［每天创造的数据量已经达到PB（1PB=250B）］级，以至于不可能再单纯依靠人类的大脑来分析这些数据。只有通过智慧系统的自动分析，才可能得到有意义的结果。这些结果以极快的产生速度，以及所包含的隐秘内在联系，又对传统的运营和决策方式，形成了超越维度的打击。因此，商务数据分析相关的知识与技能，包括原理、方法和实战案例，是任何一所面向未来的商学院必须开设的课程，也是新时代的商业管理者有必要了解和掌握的。
　　1.1数据与商务活动
　　1.1.1大数据时代的新商务
　　传统意义上的商务活动，主要包括企业对企业（business-to-business，B2B）和企业对消费者（business-to-consumer，B2C）两种形式，此外也存在作为辅助的消费者对消费者（consumer-to-consumer，C2C）活动。传统美式邮购商店搬上计算机网络的形式，成为电子商务的先驱，然而，面向开放的、不定客户群的B2C形式（从美国知名的购物平台Amazon开始）是电子商务时代开始的标志。但是，当时计算机系统的存储和计算速度有限，产生的数据量也不多，而封闭的、以*立服务器和个人电脑为中心的模式，又使得数据在各个参与者之间不能互通，因此，虽然出现了早期的商务数据分析，但广泛的数据分析需求并没有出现。
　　随着互联网技术（Internet technology，IT）进一步发展，和允许用户上传内容与自定义界面的Web2.0被广泛应用，互联网上开始出现大量包含潜在商业价值却无法用传统方法提炼的散在信息。在2008年左右，“大数据”的概念被最早提出（最早的名词来自咨询公司麦肯锡，而技术上的定义则是来自研究机构Gartner和存储设备公司易安信），这种“无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，需要新处理模式才能具有更强的决策力、洞察力和流程优化能力的海量、高增长率和多样化的信息资产”，其潜在价值已经受到重视。然而，由于当时计算机硬件、软件和网络基础设施依然存在限制，大数据仅能在少数拥有大型服务器的计算中心得到存储和分析，一般的商务活动参与者无法获得，因此也并没有创造出什么商业上的奇迹。
　　这种情况在2012年左右发生了根本的转变。硬件和算法的发展为大数据的处理提供了可能的计算能力；在网络基础设施方面的突破，使得大数据分析的门槛大大降低，无须再部署复杂的本地服务器和局域网系统。云计算从概念变成现实；Web3.0时代的到来，使得个性化信息成为互联网的新核心，大数据量的处理成为互联网产业的核心竞争力；支付技术的数字化、信息流的跨平台化，使得商务数据分析在运营和决策领域，刹那间占据了戏剧性的优势。以占有或运用大数据为核心竞争力的企业，也在这一时期成为*耀眼的明星，如Amazon、Facebook、Salesforce，国内的阿里巴巴、腾讯、字节跳动等。与之相适应的，分散、不确定的客户信息得以整合，以信息为基础的商业模式得到了蓬勃发展，例如，从海量商务数据中衍生出新的共享经济（sharing economy）模式。
　　数据分析同样给传统行业带来了巨大的变革：管理者发现，以往凭借人力和经验运转的日常工作流程，其实都蕴含着丰富的数据资源，从中能够挖掘出有价值的信息，以节约成本，提升品质，优化资源，提高市场价值，从而取得竞争优势。
　　案例1-1
　　解决养虾病害难题
　　病害一直是虾类养殖面临的巨大困扰，病毒、细菌、真菌、寄生虫、天敌都可以造成养殖虾的大量死亡，以至于养殖虾在很多地区是农业中少有的高风险、高收益行当。基于数据科学方法，嘉吉公司（Cargill）的动物营养部门开发了一款名为iQuatic的移动数据跟踪应用，成功帮助全球养虾人改善了养殖条件，降低了虾的养殖死亡率。
　　iQuatic能够基于环境因子，如温度、pH值和营养物质来预测虾池中的生物量，农民通过监测装置将应用程序中的数据上传到云端，然后通过云端的数据分析系统，可以在实时控制界面上，直观地看到池塘的状态，获得关键的预测和预警信息，更好地管理虾的健康和提高产量。同时，可与其母公司推出的自动虾池系统iQShrimp协同工作，主动管理虾池风险，并获得生物学家的专业服务。
　　为了构建这个应用程序，嘉吉公司派遣了工程师和企业高管来到养虾场一线——*初是在厄瓜多尔，后来在更多的国家，了解农民是如何从池塘中获取数据的。“我们让农民成为我们团队的一部分”。如今，iQuatic已经成为水产领域综合性的智慧管理系统，成为嘉吉公司面向未来竞争的重要核心竞争力。
　　
　　开放和包容，是大数据时代新商务的方向。通过数据的开放化、透明化、互动化，商务数据分析打破了传统的地域和文化界限，使优势互补、合作共赢成为未来的潮流，成为人类命运共同体的一股推动力量。
　　1.1.2商务数据的价值与应用
　　随着数据分析，特别是大数据的广泛运用，以及数据相关服务利用门槛的极度降低，现在，任何成规模的竞争性商业活动中，不使用数据分析的参与者会面临越来越大的困难。小到便利店的门店选址和店内布局、零售商品品类的选择，大到重型装备的生产周期、研发投入的分配和日程，在商务数据分析中，都可以给出具有一定客观标准且具备灵活性甚至实时性的答案，传统的管理和决策模式或不能做到，或难以精确，或缺乏弹性（如以大量的标准化文件规范管理）。
　　案例1-2
　　欧莱雅——美妆外衣下的数据科技公司
　　欧莱雅、阿玛尼、兰蔻、圣罗兰、科颜氏、赫莲娜、植村秀、美宝莲、碧欧泉、修丽可 你应当知道法国欧莱雅公司的名字，或者至少听到过它旗下的一些品牌。在你心里，欧莱雅是一家什么样的企业，核心竞争力又来自何处呢？如果你把它仅仅联系到五光十色的化妆品，理解为一家产品驱动的传统零售企业，那你就错了。
　　欧莱雅的品牌矩阵如此庞大，然而却又能如此迅速地奔跑。在已经如此大的规模基数上，在2019年，欧莱雅公司在中国市场取得了35%的增长，而全球电商业务的增长达到了52.4%，这是一个非常惊人的成绩。以上这些的关键并非遥遥领先的产品，或更优秀的人才团队、更丰富的管理经验——这些是欧莱雅的对手，如宝洁、联合利华集团同样具备的；欧莱雅的真正优势在于它的数字化水平，在于强大的商务数据分析能力。
　　拥有大量数据分析技术和基于数据的营销专家组成的庞大数字化团队，2.2万名员工已经或正在接受数字培训计划，旗下拥有全球领先的增强现实（augmented reality，AR）和人工智能（artificial intelligence，AI）科技企业Modiface，建设私域流量（private traffic），通过数据分析实现一个高度完善的用户忠诚度计划，所有这些完全不像一家传统的快速消费品公司。从某种意义上说，欧莱雅其实是一家伪装成美妆企业的科技公司。整合跨平台和线下积累的数据资源，以前沿的数字科技加以分析，使得欧莱雅能够为用户提供高度针对性的信息，设计针对大众和细分市场的明星单品与色号，覆盖传统渠道不能触及的乡镇市场消费者，体验全新的零售店级虚拟试妆 ，所有的这些帮助欧莱雅从传统巨头中脱颖而出。
　　在营销策略中，数据分析已经成为不可或缺的一部分；在商务活动的其他方面，数据分析同样扮演着举足轻重的角色。数据个性化需求已经从基础的个性化**，扩展到个人全视域和场景的细节分析，如信息饥饿感，对于次要目标和无关信息的容忍度，对于信息的甄别能力等。同时，由于数据分析运用的时间还很短，它仍然有相当多发展和改进的空间。一方面是万物互联和研究人类认识的进展，不断提供新的数据源和分析依据；另一方面，数据运用的边界，数据运用中的公共利益和道德伦理问题，也提出了新的命题和挑战。所有这些，一方面对技术的进一步改进不断提出需求；另一方面，也不断扩展着技术与管理融合的边际，对管理科学领域的研究者和学习者来讲，学习相关的知识既是时代的需要，也是眼前可见的最重要机遇和挑战之一。
　　1.2商务数据分析概论
　　1.2.1什么是商务数据分析
　　一般情况下，我们所说的数据分析，是指通过研究（来自内部或外部的）大量数据、经由统计和定量分析，探索规律和用户需求，产生基于事实的解释和预测，从而指导管理，推动决策过程，满足一定的功能需求或实现价值增长。根据方法和目的，我们可以将数据分析划分为描述性分析（descriptive analysis）、诊断性分析（diagnostic analysis）、预测性分析（predictive analysis）和规范性分析（prescriptive analysis）。
　　描述性分析是*基础也*常见的，它可以给分析人员和决策者提供图表与报告，描述研究对象的外在特征（如统计信息），这也是很有用的，但它不能解释事物发生的原因，也不能预测未来的发展。
　　诊断性分析建立在描述性数据的基础之上，通过筛选、过滤、挖掘和相对的隔离，提取出问题发生的原因。精心设计一套诊断指标，可以使这种分析常态化，大大降低日后诊断的难度和工作量。
　　顾名思义，预测性分析的目的是对尚未发生的状况做出尽可能准确的预测。包括事件发生的可能性，发生的时间以及程度，可量化指标的数量。基于商务活动的不确定性，预测模型在商务数据分析领域特别重要。
　　规范性分析基于以上分析的结果，推进到更高的层次，建立起规范的模型，进而对可能采取的行动进行指导，如交通方案的设计与优化，数据辅助的医疗影像诊断等。优化（optimization）是规范性分析采用的一种常见方法，指试图识别出一个特定变量和另一个变量之间理想的关系水平。
　　很显然，商务行为的数据化、数据的标准化，是进行商务数据分析的前提。因此，在进行分析之前，我们需要了解对于一个电子化的商务管理模式（可以是电子商务活动，也可以是基于物理实体的商业体系），应该构建一个怎样的指标体系，这个体系中的关键因素又有哪些。如此，我们才能从浩如烟海的，包括消费者、供应商和内部运营的商务数据中，选择需要的分析对象和方向。