- 指标体系与指标平台(方法与实践)(精)
- - 作者：数势科技//大数据技术标准推进委员会|责编:杨福川//罗词亮
  - 出版社：机械工业
  - ISBN：9787111757764
  - 出版日期：2024/07/01
  - 页数：347
- 售价：43.6

内容大纲
    这是一部讲解企业如何利用指标推动数字化转型和实现数字化经营的著作，详细讲解了指标体系的设计方法、指标平台的产品设计和技术架构、指标在各行业落地应用的方法。
    本书由行业领先的数据智能产品提供商数势科技官方出品，融合了其创始人在百度、平安、京东等头部企业的技术研发经验和其团队服务近百家企业的实战经验，得到了来自清华大学、信通院、腾讯、京东、百度等10余位专家的鼎力推荐。
    具体地，本书主要讲解了以下五个方面的内容：
    （1）从指标驱动的数字化经营新模式开始，介绍指标管理对企业经营的重要意义。
    （2）指标体系的设计方法论，带着设计思维模拟指标拆解、设计、落地的全过程。
    （3）指标管理平台的产品设计与技术架构，介绍了作者团队在多年实践中总结出的“一处定义、全局使用”的指标平台建设方法。
    （4）深入零售、金融、制造、消费品、连锁加盟等行业，从不同行业的特点出发，介绍不同行业的指标体系建设、平台设计和应用的全景图，结合行业的最佳实践，为想要进行数据智能决策的企业提供参考。
    （5）探索两大趋势——数据民主化以及大模型在数据智能、指标管理中的应用，探索时下最先进的技术带给企业经营的无限价值。
作者介绍
数势科技成立于2020年，是行业领先的数据智能产品提供商，致力于推动企业数字化升级，实现数据价值普惠化。作为国家高新技术企业和北京“专精特新”企业，其总部位于北京，在上海、武汉、广州、深圳、成都等地设有办事处，团队产研人员占比80%以上，研究生及以上学历占比30%以上。公司拥有在大金融、高科技制造和泛零售等领域的专业洞察力及技术实力，为全球优秀企业提供基于大模型增强的数据智能产品，包括智能指标平台（SwiftMetrics）、智能分析助手（SwiftAgent）、智能标签平台（SwiftXDP）以及智能营销平台（SwiftMKT），提升企业的数字化决策能力，推动企业数字化升级。智能指标平台首家通过“中国信通院数据指标管理平台技术要求专项测试”，智能分析助手首批完成“中国信通院大模型驱动的智能数据分析工具专项测试”。公司是北京信创工委会会员单位，产品已完成麒麟操作系统、达梦数据库、人大金仓数据库等信创适配认证，并通过ISO 27001信息安全管理体系认证、ISO 20000信息技术服务管理体系认证。目前，数势科技已服务众多行业头部客户，代表客户有民生银行、江苏银行、广发银行、中金、平安、中信建投、国信证券、海通证券、沃尔玛儿山姆、宝洁、永辉、绝味食品、书亦烧仙草等。
目录
赞誉
序一
序二
前言
第1章  指标驱动的数字化经营
  1.1  重新认识指标：业务对象的数字孪生
    1.1.1  什么是指标
    1.1.2  什么是指标体系
  1.2  重新认识数字化：指标驱动的数字化经营
    1.2.1  企业经营模式的变迁
    1.2.2  什么是数字化经营
    1.2.3  推动数字化经营刻不容缓
  1.3  指标如何驱动数字化经营
    1.3.1  指标与企业数字化的关系
    1.3.2  指标驱动数字化经营的3项关键工作
第2章  指标体系设计方法
  2.1  指标体系设计目标
  2.2  指标体系设计思路
  2.3  自上而下的指标拆解
    2.3.1  自上而下的指标拆解流程
    2.3.2  北极星指标设计
    2.3.3  指标拆解
    2.3.4  过程指标设计
  2.4  自下而上的指标收集
    2.4.1  指标收集及口径梳理
    2.4.2  指标规范化定义
  2.5  数据分析驱动的指标设计
    2.5.1  引入数据分析方法的必要性
    2.5.2  数据分析驱动的指标设计方法
  2.6  指标体系全局框架设计
第3章  指标平台的产品设计
  3.1  指标平台的产品定位
    3.1.1  指标平台的必要性
    3.1.2  指标平台在数据平台中的定位
    3.1.3  构建指标平台的4个目标
  3.2  指标平台的3种实现方案
    3.2.1  方案一：BI工具升级为Metrics+BI平台
    3.2.2  方案二：在数据中台中增加指标管理系统
    3.2.3  方案三：基于Headless理念的Metrics Store
  3.3  构建指标平台的“四位一体”方法论
    3.3.1  “四位一体”方法论框架
    3.3.2  指标平台产品设计的3个关键目标
  3.4  指标平台的架构与功能
    3.4.1  指标平台架构设计
    3.4.2  指标平台产品功能
第4章  指标平台的技术架构
  4.1  指标平台的技术架构概览
  4.2  指标平台的技术特色
    4.2.1  丰富的数据连接器
    4.2.2  智能化的指标计算引擎

    4.2.3  多样化的指标服务输出方式
    4.2.4  先进的OLAP数据库底盘
  4.3  指标平台的核心技术
    4.3.1  核心智能加速引擎
    4.3.2  指标智能归因
    4.3.3  与大模型结合
第5章  零售业的经营分析指标体系
  5.1  经营分析指标体系：零售业的转型利器
    5.1.1  从商业的本质看零售业面临的挑战
    5.1.2  指标体系对回归商业本质的作用与价值
  5.2  经营分析指标体系的建设方法
    5.2.1  建设目标
    5.2.2  设计框架
    5.2.3  承载平台
    5.2.4  衍生数据产品
  5.3  经营分析指标体系的应用实践
    5.3.1  全国连锁零售商从0到1共建经营分析平台
    5.3.2  区域龙头零售商快速复制经营分析指标体系
第6章  金融业的4K指标体系
  6.1  金融业的挑战与痛点
  6.2  4K指标体系概述
    6.2.1  4K指标体系是什么
    6.2.2  4K指标体系能做什么
  6.3  4K指标体系如何解决经营分析问题
    6.3.1  4K指标体系在某头部金融机构的应用
    6.3.2  4K指标体系在某头部证券机构的应用
  6.4  金融业4K指标体系总结与应用展望
第7章  制造业的全链路指标控制塔
  7.1  全链路指标控制塔的概念和特点
    7.1.1  全链路指标控制塔的定义和范围
    7.1.2  全链路指标控制塔的关键特点和功能
    7.1.3  全链路指标控制塔对制造企业的重要性
  7.2  制造企业数字化管理的挑战和需求
    7.2.1  制造企业数字化管理的现状和趋势
    7.2.2  制造企业数字化管理面临的挑战
    7.2.3  全链路指标控制塔如何应对挑战和满足需求
  7.3  全链路指标控制塔的整体架构和模块
    7.3.1  数据采集和集成模块
    7.3.2  数据存储和处理模块
    7.3.3  指标定义和计算模块
    7.3.4  数据分析和可视化模块
    7.3.5  实时监控和报警模块
    7.3.6  预测和优化模块
    7.3.7  决策支持和工作流模块
    7.3.8  系统管理和安全模块
  7.4  全链路指标控制塔的实施和推广策略
    7.4.1  实施全链路指标控制塔的步骤和方法
    7.4.2  成功实施全链路指标控制塔的8个要素
  7.5  全链路指标控制塔在制造企业中的应用案例
    7.5.1  M集团的全链路指标控制塔实施

    7.5.2  J公司的数字化管理改进
  7.6  推广全链路指标控制塔的策略和建议
    7.6.1  战略规划与顶层设计
    7.6.2  基础设施建设与技术集成
    7.6.3  跨部门协同与流程重构
    7.6.4  人才培养与教育培训
    7.6.5  KPI设定与预警机制建设
    7.6.6  持续改进与文化塑造
    7.6.7  外部合作与生态共建
  7.7  全链路指标控制塔对制造企业数字化管理的重要意义
    7.7.1  实现全局可视化
    7.7.2  数据驱动决策
    7.7.3  实时异常预警和快速响应
    7.7.4  促进跨部门实时协同
    7.7.5  推动持续改进和优化
    7.7.6  适应数字化转型
  7.8  全链路指标控制塔在制造领域的应用前景
第8章  指标平台赋能连锁加盟业态数字化经营
  8.1  指标平台为连锁加盟企业赋能
    8.1.1  连锁加盟业务特点
    8.1.2  连锁加盟业态数字化需求
    8.1.3  连锁加盟品牌的数字化建设痛点
    8.1.4  连锁加盟品牌需要的指标平台
  8.2  连锁加盟业指标平台案例分析
    8.2.1  案例背景
    8.2.2  指标平台的建设需求和目标
    8.2.3  指标平台的建设思路和技术架构
    8.2.4  指标平台建设的5个阶段
    8.2.5  指标平台的9项能力
  8.3  指标平台的4个业务价值
  8.4  案例复盘与点评
第9章  数据民主化：人人用数，数利人人
  9.1  什么是数据民主化
  9.2  数字化转型时代集团型企业的痛点
  9.3  数据民主化的理念和价值
    9.3.1  数据消费的发展趋势
    9.3.2  数据民主化的理念
  9.4  某快消品企业的数据民主化实践之路
    9.4.1  组织结构、技术和工具、文化层面的挑战
    9.4.2  数据民主化的体验层：企业级数据资产门户
    9.4.3  数据民主化的语义层：数据资产管理
    9.4.4  数据民主化的长期保障：数据文化和能力
  9.5  数据民主化的重要性
  9.6  数据民主化实践的启示
第10章  大模型让企业数据洞察触手可及
  10.1  大模型在数据分析中的作用
    10.1.1  大模型在数据分析场景中的优势
    10.1.2  大模型的能力及构建步骤
    10.1.3  利用自我学习能力发现数据中的潜在模式和关系
  10.2  指标在GenAI分析产品中的作用

    10.2.1  指标的语义化帮助大模型更精准对齐用户提问
    10.2.2  大模型对企业经营分析的作用
  10.3  推动数据民主化与决策制定
    10.3.1  对话式分析助手：人人都是数据分析师
    10.3.2  大模型让数据分析结果更透明、更可信
  10.4  构建基于大模型的智能分析助手的挑战
    10.4.1  技术和管理挑战
    10.4.2  大模型的幻觉问题、数据隐私和安全性挑战
    10.4.3  效果评估挑战
  10.5  大模型时代企业智能化发展之路
  10.6  未来趋势：大模型与企业指标结合
    10.6.1  大模型与企业指标的未来发展方向
    10.6.2  大模型技术如何改善数据分析过程

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目