关键字： 分析，分析，业务，数据，指标，信息，基础结构，投资者，运营，启动
请注意： 此摘要是为 we.st 构建的有关增长的最佳书籍的 一部分 。 访问我们的网站以探索更多摘要以及数百种其他资源，以建立您的职业和公司。
在这篇文章的末尾有指向其他评论，摘要和资源的链接。
在当今世界，数据正在改变每个行业。 数据就是未来，而了解如何使用和实现数据的公司与没有数据的公司相比，具有巨大的优势。 为了在瞬息万变的环境中取得成功，公司中的每个人都应立即获得做出最佳决策所需的信息。 以数据取胜为企业如何通过数据的战略分析如何继续发展壮大提供了建议。
手机的问世极大地增加了每个人对数据的需求和渴望。 人们期待数据。 他们习惯于立即回答他们的问题。 在这种数据丰富的环境中，避免常见的偏见和感知错误很重要。 在公司内部，数据团队可以成为减少偏差和促进数据素养的重要力量。 团队应该教他们的同事很好地使用数据； 他们还应该帮助人们学习更清晰地交流数据。
指标可以对流程产生深远的影响并反映公司的竞争优势，但这还不是全部。 一个公司不仅仅是其指标。 公司还需要定义明确的值。 它需要合适的人：有知识诚实的人； 有好奇心的人； 会使用指标回答问题的人。
《 与数据共赢 》的合著者都具有重数据行业的背景。 Tomasz Tunguz是Redpoint Ventures的风险投资家，他的博客为初创企业提倡以数据为依据的建议。 坦率地相信团队合作和积极的企业文化的Frank Bien是商业智能平台Looker的首席执行官。 建议那些有兴趣了解作者的职业以及如何从事这种合作的人阅读介绍。
Tunguz和Bien借鉴了许多自己和其他知名公司的经验：Venmo利用数据改进产品； Warby Parker破坏了数十亿美元的市场； ThredUp每天处理数千个项目的能力。
以数据取胜为企业提供了建议，以帮助他们渡过美好的新世界。 作者对建立数据驱动型公司的建议进行了逐步分解，包括：创建通用词典；重振团队文化；以及 使会议步入正轨； 并进行高质量的演示。 本非技术性概述充分说明了数据的战略性使用如何为任何公司带来竞争优势。
广告业过去倾向于电视节目“ 狂人”中描述的那种创造性的方法。 如今，数学驱动的策略远不止是创造力。 广告专家不是数学狂人 ，而是数学人：信息技术提供了开展活动的工具； 算法指导决策； 几乎所有工作都是在计算机上执行的。 自疯人时代以来，情况已有所改变。
数据已经改变了各种各样的领域，而不仅仅是广告。 数据是未来，公司必须了解如何使用数据并随之发展。
在拥有可操作数据的公司中，数据驱动着每个员工的行为。 例如，Uber没有库存。 整个业务都是基于数据的。 该公司比老式的出租车公司更高效地调度驾驶员，并且通过易于识别问题驾驶员的反馈系统保持很高的满意度。 数据=已实施。
即时数据已变得至关重要，并且对即时信息的需求正在增长。 我们希望我们的问题立即得到回答（！）。 由于过去人们获取公司信息的时间过长，因此历史上一直将数据用作衡量过去业绩的工具。 但是，拥有良好数据基础架构的公司可以产生信息并根据当前指标制定决策。 这些公司可以确保数据可以立即到达所需的位置，并在需要它的人面前。 效率低下的供应链（接触数据的人员，流程和程序）导致数据速度缓慢，在这种情况下，人们正在寻找数据而不是提供数据。 过去这是一个问题，但是今天，我们的数据非常丰富，而且总是有更多收获。
但是，数据量比以往更加困难和耗时。 小型公司可能没有数据分析人员，因此创建和运行查询和报告可能会变得势不可挡。 如果无法获得足够的数据，公司就会习惯于根据意见做出决策。 这绝不是经营业务的最佳方法，并且可能标志着公司需要建立新的数据供应链。
一些企业的整个团队致力于确保数据的测量，描述和使用方式的一致性。 他们指导公司中的其他人员，并授权他们创造性地使用数据。 数据团队通过帮助每个人更好地了解如何使用数据而不是意见来促进公司发展，从而使数据访问民主化。
数据存在一些我们时代特征的问题。
从词源上讲，好奇的人们会对了解弗莱施曼人（Fleischmanns）感兴趣，他们是捷克移民，他们移民到美国，并以今天仍在超市中出售的烘烤酵母而闻名。 弗莱施曼人每天都做面包，到了最后，他们总是剩下一些面包，然后送给穷人。 等待这种免费面包的人们的队伍被称为面包线 。 如今，数据贫乏的人们面临着很多难题。 人们等待着他们需要的信息，就像穷人等待着面包一样。 优先处理一些数据请求； 其他请求正在等待。 数据线会导致多个问题：
- 人们必须等待数据。 这减慢了决策过程，反过来又减慢了公司发展速度。
- 人们变得不耐烦，有时无需等待数据即可做出决定。 不知情的猜测很少会导致良好的结果。
- 牵线搭桥会消耗数据管理团队的精力，阻碍他们的潜力，并浪费他们的才能。
数据模糊性也是一个问题。 数据杂乱无章时，响应时间和准确性会降低。 最终，公司可能对数据失去信心。
数据碎片化是另一个问题。 当人们无法获得所需的数据时，他们会找到一种捕获数据并创建自己的数据库的方法。 流氓分析师和影子数据库通常会忽略常规验证和更新过程，从而使信息处于孤岛状态。
最后，数据争吵给公司带来了重大问题。 数据分段可能会导致未对齐区域。 如果信息不一致，人们就会开始不信任彼此的观点。 他们不同意。 他们争辩； 他们打架。 公司中的所有人都必须在同一页面上。 他们必须使用相同的指标和相同的词典。
传统上，商务智能系统具有三层：存储数据的数据库； 数据仓库从数据库中收集数据并将其聚合； 可视化层设置格式并为最终用户提供报告。 这是一个令人毛骨悚然的旧系统，因为每次提出不同的问题时都必须为新报告编写新查询。
早在一家起步的公司时，Google拥有大量数据，但他们负担不起Oracle的数据库费用。 为了解决这个问题，他们购买了自己的服务器并在其中分配了数据。 该策略行之有效，并且，我敢肯定，您知道，Google是当今数据管理的典范。 该公司产生了淫秽的数据，Google员工将这些数据用于各种研究和分析。
Facebook还认真对待数据分析，Facebook开发了许多不同的技术来为员工提供访问数据的权限。 HiPal是一个界面，可让分析师更轻松地搜索数据。 不熟悉SQL（结构化查询语言（SQL））的用户可以使用这些公司技术进行与SQL相同的分析。 其他公司，例如LinkedIn，也使用类似的数据基础架构。
Looker是一种新型的数据接口。 它创建了整个组织要使用的所有内容的单个版本，从而显着提高了数据完整性。
极限数据收集是新常态。 所有大公司都拥有这些高性能数据库。 它们非常快，存储价格便宜，并且有足够的空间和功能。 有了这些进步，就需要更新整个分析方法。 可以收集大量信息，并且精明的工作人员习惯于访问数据。 他们需要复杂的工具来满足复杂的信息需求。 而且，使用这些工具越容易，就会有更多的人使用它们。
如今，有许多数据可供探索，人们可以自由探索。 这是现代世界的数据结构。
关于数据技术历史的快速教训 ：该数据库是由IBM雇员Edgar Cook于1970年发明的。 Oracle Systems成为数据库的主要开发人员，并在其数据库中存储数据方面赚了很多钱。 在1990年代，其他公司推出了软件，该软件使数据库的使用变得更加容易，并最大程度地减少了数据库费用。
通常，公司使用数据来查看过去发生的情况。 新方法是对数据进行操作并使用它来了解事件的发生。
过去，衣服和布料很昂贵，甚至贵族也买了旧衣服。 人们称Strazzaroli为高档二手衣服。 但是随着工业革命的兴起，衣服变得更便宜了，斯特拉扎罗利（Strazzaroli）失去了谋生手段。 快速前进到现代寄售公司RealReal。 他们使用实时报告来查看仓库中的内容以及价值链中的所有事物。 公司中的每个人都可以访问相同的信息； 每个人都可以实时对数据做出反应。 设计，营销，财务，运营-每个人都可以使用即时信息使公司受益。
ThredUp是另一家二手服装经销商。 除了跟踪和处理商品外，ThredUp还使用数据来预测在任何给定时间需要哪种衣服。 管理数据有助于他们在启动后迅速扩展。
公司花太多时间在琐事上。 会议占用了每个人的时间。 这是生产力的损失。 但是，正确的数据可以减少会议时间，因为它可以帮助人们专注于正确的问题。
营销自动化软件提供商HubSpot跟踪五个指标以评估其销售人员的绩效。 销售人员可以访问自己的仪表板，以查看他们如何朝着目标前进。 前面讨论过的Looker还创建了一个跟踪销售业绩的工具。 销售人员可以看到他们要达到配额的距离有多近，并可以监视即将投入生产的产品。 客户服务解决方案提供商Zendesk使用NPS客户调查生成数据，从而帮助他们保持了惊人的增长。
数据是任何成功的现代业务的重要组成部分。 它在库存采购，响应客户要求，在适当的时候增加销售人员以及提高反应速度方面发挥着重要作用。
本章提供了大量来自作者的建议：
- 在公司中拥有相同的指标很重要。 考虑使用类似于数据字典的形式进行标准化和标准化。 您需要有一个通用的词典。
- 坦率地说-或至少要实现这一理想。 人们不应该保持敏感。 放开你的自我； 接受批评。
如果不使用数据进行备份，则决策实际上可以是任意的。 我们拥有的信息越多，我们做出的决策就越好。
这组作者说，好奇心是人类的一种基本情感，也是将公司文化转变为数据驱动文化的最佳方式。 员工应该很好奇。 他们应该有能力查询自己感兴趣的信息，并且应该能够检验自己的假设。
当一家公司被数据驱动时，可以预见的是一些文化上的转变：
- 公司开始使用数据进行决策。
- 公司从所有人中获得了最好的想法，而不仅仅是高管。
- 该公司鼓励实验和惊喜。
实验很重要。 为了证明实验的价值，作者讨论了Intuit的工资管理产品Paycycle。 产品经理考虑过采用一项功能，使雇主可以立即削减支票，但研究表明客户对这种功能不感兴趣。 他们决定无论如何都要测试该功能，最终它变得非常受欢迎。 正确的文化始于好奇的员工。 它始于提出问题的人。
寻找好奇的人很重要，这从招聘过程开始。 但是招聘面试通常不会提供很多信息。 它们可能是偶然的。 相反，作者建议应该有一个系统的过程，其中可能包括确定候选人的理想素质，拟定解决这些素质的面试问题以及根据理想属性给候选人打分。 得分最高的候选人获胜。
招聘指标对于评估招聘行为很有用-例如，通过电话面试的合格应聘者数量，从首次与应聘者接触到签署报价之间的时间等。要监视满意度，您可以在面试后对应聘者进行调查，以了解其结果。他们想到了这一经历。 另一个重要的指标是录取率（接受工作的人所占的百分比）。 通过将招聘人数除以招聘目标，计算出达到目标的招聘人数。
归根结底，您需要适合公司文化的员工。 但是您如何衡量文化？ 使用调查和其他工具在管理层和员工之间建立有关公司的对话。 人们的目标是什么？ 他们喜欢这家公司吗？ 他们能提供什么反馈？ 这个过程一直持续到公司价值明确并可以记录为止。
澄清这些内容将使面试官更容易确定候选人的价值观在多大程度上合适。 例如，如果您的公司重视高质量的客户服务，则可以要求员工提供他们帮助客户的时间示例。
Google比其他人更进一步地提高了指标。 他们绝对衡量有关招聘过程的所有内容，并且为人力资源人员提供了大量反馈。 采访者通常会收到信息以改善他们的表现。
一旦您有好奇的员工，就期望他们会提出问题，这将启动数据驱动型公司的典型发展：
- 第一步：需要信息的人请来一位帮助创建和构建数据系统的工程师。 随着公司的发展，这成为工程师的负担。
- 第二步：团队从其他地方借用解决方案。 人们使用另一部门或另一公司的软件或其他工具。 为其他人的数据量身定做，这可能不适合。
- 第三步：团队获取原始数据并编写自己的查询。
Twilio有两种数据搜寻器。 一方面，数据团队了解有关数据基础架构以及如何使用它的所有知识。 他们喜欢拥有可以多次运行并交付给适当受众的报告。 另一方面，公司的其他成员希望使用一个简单的界面，使他们能够浏览数据。 满足这两个截然不同的选区是数据基础架构的关键任务。
IT购买权限的分散也是一个问题。 团队负责人和部门越来越多地购买软件，从而使数据团队脱离了循环。 （缺乏对技术部门的责任感被称为Shadow IT。）供应商很乐意为自己的管理客户提供义务并提供定制的解决方案，但这会导致数据分散，不同部门和部门的真相版本不同。
数据团队需要转换数据架构，以便为用户提供更多功能。 最终用户应决定使用哪些报告工具。 数据团队的作用是支持基础架构，以便用户可以分析数据。 云数据库应与本地公司数据库一起使用。
数据结构是公司内部信息的矩阵，每个人都必须可以使用，而对其进行标准化的一种方法是通过数据建模。 公司中的每个人都应该使用相同的号码并使用相同的语言。 一致性是如此重要。 科学家和工程师可能了解公司的数据架构，但并非所有人都能理解。 数据结构使信息对所有人可用。
第二次世界大战期间，一群数学家和统计学家在纽约举行了秘密会议，他们分析了军事数据并向华盛顿提出了建议（经常遵循）。 空军的一员是亚伯拉罕·瓦尔德（Abraham Wald），曾被美国空军要求为其设计飞机装甲。 返回飞机的数据显示，大多数子弹孔位于机枪尾翼和机翼周围，因此人们认为这是应该穿盔甲的地方。 （装甲很重，所以他们不能只是将它打在整架飞机上。它们必须是选择性的。）但是亚伯拉罕·沃尔德指出，机翼被击中的飞机是活着讲述这个故事的飞机。 作者讲这个故事来说明避免数据偏差的重要性。
有很多潜在的陷阱，许多类型的数据偏差可能会阻止您理解数据：
- 生存偏差-每当您从分析中删除数据时，都可能会遭受失真的结果。 关联不是因果关系； 仅仅因为两件事似乎在一起并不意味着一件事引起了另一件事。
- 锚定偏差-当有人向您建议一个值并影响您自己的估计时，就会发生这种情况。 例如，如果我询问甘地去世时是否已超过114岁，您的答案可能会与我询问他是否已超过35岁时有所不同。
- 可用性偏差-如果您看到某件事或从您认识的人那里了解到它是如何发生的，这似乎是很常见的事情。
您可能对有效性抱有幻想，并相信收集更多数据将有助于预测未来，但是有很多方法可能会导致无法正确解释数据。 小心。
新的Facebook员工参加了为期两周的数据训练营，以提高其数据素养。 这为每个人提供了讨论问题和机遇的共同背景。 他们了解可用的工具和数据集。 他们也有机会从事项目以扩展知识。 数据团队可以做很多事情来与员工会面，并提高整个公司的数据素养。 以这种方式应对公司文化是他们工作的重要组成部分。
描述性分析询问发生了什么； 诊断分析问为什么。 （仪表盘贯穿本书，是描述性分析的界面。）
描述性和诊断性分析着眼于过去，而预测性和描述性分析则着眼于未来。 预测分析使用历史数据来预测未来的结果。 分析师可以提出假设的“假设”问题来决定采取哪种方法。 规范分析建议根据数据建议采取的措施。 这需要大量数据和复杂的分析。
数据复杂之旅是由市场研究机构Gartner开发的模型。 数据复杂性描述了团队从描述性分析到诊断性分析以及从预测性到规范性分析的演变。 但是Gartner错过了诊断和预测分析之间的某些东西：探索性分析。 这有助于我们找到一个假设； 这问“为什么？”，使用确认分析来确定假设是否成立。
数据只有在您可以采取行动的情况下才有用。 无缘无故收集数据没有任何实际目的。 另一方面，直到完成分析后，您并不总是知道哪些指标是可操作的。 保持平衡是一件好事。
某些指标是经过尝试且正确的。 客户的生命周期价值（LTV）是随着时间的推移将从客户获得的总毛利的估计值。 客户获取成本（CAC）是一个客户平均所有销售和市场营销费用的总和。 LTV / CAC比率表明公司获得收入的效率。 但是有时可以根据情况定制新的度量标准，而创建新的度量标准可以发现新的机会。 mMedia网站Upworthy跟踪各种指标以评估哪些因素使它们的内容更受欢迎，但他们需要更多信息，因此他们发明了一种全新的指标来衡量用户的实际关注度（即，不考虑那些打开网页的时刻，而是读者去喂猫）。 。
设计实验。 确定可操作性。 数据应与可以做出的实际决策相关。 预定预期结果。 提前确定实验参数。 设计实验。 提出假设。 确定几个不同的数据点。 计算p值。 p值是假设不正确的概率。 提供了此计算的说明。 计划运行实验。 找出需要多长时间。 您需要多少个样本。 谁来做工作，以及如何组织。 不要忘记包括一个对照组来检查结果。 运行实验。 分析结果。 将它们与对照组进行比较。
纽约市向公众提供了大量数据。 一个人，本·惠灵顿（Ben Wellington）开始分析数据，并在他的博客中进行了报道，其中包括绘制城市自行车事故的地图。 他变得非常受欢迎，他将自己的成功归功于他的讲故事能力。
惠灵顿的课程包括使数据相关的重要性。 把它变成故事。 （我一直在告诉我的团队！）有些人认为数据有点无聊，仅靠数据本身并不足以激发他们。 通过使它成为一个故事，您可以赋予它情感上的吸引力。 当您向投资者求情时，讲出自己的故事尤为重要。 企业家向投资者推介创业公司需要表明他们已经找到了新的机会-表现出紧迫性。
传达数据的标准方法是通过演示。 首先定义演示的目标。 你想解释什么？ 您是否在试图说服某人？ 你想卖东西吗？ 评估目标受众。 投资者对风险特别感兴趣，因此讨论这些要点表明您了解投资者的观点。 （存在多种风险，请参见侧栏。）开发故事弧很重要。 在了解了投资者的希望和担忧的情况下，创建一个解决这些问题的故事情节。 旨在将其保持在10张幻灯片或10张以下。
演示可以从公司的宗旨或使命开始。 描述问题。 您的产品将解决什么问题？ 然后提供解决方案。 解释一下什么使它成为一个好主意，以及为什么有人以前没有做过。 产品演示很不错，但即使图片也不错。 演示中要包括的其他重要信息：市场规模，团队，业务模式，竞争和财务状况。
传达您对机会的看法，并通过数据加强看法。 提供解决方案。 解释公司的方法。 展示市场的反应。 参与度和获取指标将在这里有所帮助。 重要的是提供一个良好的市场规模估计。 风险投资家完全想知道这一点。 我们在这里谈论一个潜在的市场有多大？ 有关财务的讨论至少应包括收入，毛利率和现金流量。
当您进行演示时，人们会有疑问。 您拥有的数据越多，回答这些问题的准备就越充分。
一些不同种类的风险：
市场时机风险-这是该企业的正确时机吗？
商业模式风险-您是否有适合您产品的模型？
市场采用的风险-人们会使用您的新产品吗？
市场规模风险-您的解决方案是否足够大，足以使风险投资家满意？
执行风险-您的团队是否具备适当的工作技能？
技术风险-如果开发了新技术，是否会按计划完成？
资本化风险-是否有足够的资本可以拉开距离？
平台风险-是否有您无法控制的外部合作伙伴？
风险管理风险-公司愿意接受反馈吗？
财务风险-公司可以继续支付账单吗？
法律风险-诉讼或其他法律问题是否迫在眉睫？
公司中可能会有很多摩擦。 数据可以帮助减少这种摩擦。
人们需要理解和期待数据。 人们需要诚实守信； 决策过程与自我无关。 让最好的主意取胜，不要让政治影响选择。 公司需要明确定义的价值观。 它需要合适的人，需要好奇的人。
在这个勇敢的新世界中武装企业的最佳方法是数据，而全球对数据的需求也越来越高。 它确实正在改变每个行业。 将来，运营数据将为企业提供成功所需的竞争优势。 人们将立即获得做出最佳决策所需的信息。
指标可以对过程产生深远的影响。 他们可以改善企业的运营方式，从而使其具有竞争优势。 借助统一的数据结构和优秀的团队，公司正在改变其行业。
斯隆评论，《以数据取胜》评论
黑客中午回顾“以数据取胜”
凯利·萨顿（Kelly Sutton）回顾以数据取胜
混合面板专访《以数据取胜》作者
在亚马逊上购买数据赢家
可操作书籍免费赢得数据的摘要
通过Get Abstract Freemium赢得数据的摘要
Wiley Free赢得数据的描述
