量化分析：核心經營業績提升之道-譯者序

量化管理是指以數字為基礎，用數學的方法來考察和研究事物的運動狀態和效能，以求對事物存在和發展的規模、程度等做出精確的數字描述和科學控制，實行標準化操作的管理模式。本書中的Metrics作為“以求對事物存在和發展的規模、程度等做出精確的數字描述”的工具出現，是一種為改善某種東西對其進行詳細描述的手段，用來支援決策，幫助改善組織、提升績效。

資料倉儲的概念植根於資訊科技，由比爾•恩門（Bill Inmon）在1991年出版的《建立資料倉儲》（Building the Data Warehouse）一書中提出。其最初的定義是一個面向主題的（Subject Oriented）、整合的（Integrated）、相對穩定的（Non-Volatile）、反映歷史變化（Time Variant）的資料集合，用於支援管理決策。構建資料倉儲考慮的也大多是資訊科技問題，比如資料生命週期、後設資料、資料質量，以及ODS（運算元據儲存）、ETL（抽取—轉換—裝載）。當然也有根據業務需求確定的主題域、資訊、指標以及資料集市。但在構建資料倉儲的知識體系中，對資料集市、主題域、資訊和指標的論述，一般都侷限在軟體行業的需求調研方法以及資料建模，屬於業務知識體系向資訊科技體系的轉換過渡方法。但如何提煉出一個組織的量化資訊需求，確立業務知識體系，或者說如何進行描述，我在看到這本書之前，還沒見過一種能把這個過程解釋清楚的方法。

隨著大資料概念的提出，各種IT技術也應運而生，比如Hadoop生態體系對MapReduce概念的開源實現，用於統計分析的R語言，MPP架構的資料分析處理平臺，甚至號稱處理速度無與倫比的記憶體資料庫。廠商們都在狂熱地鼓吹自己的產品可以更快速、更有效地處理堆積如山的資料，從資料中淘金，把資料變成資訊，用資訊構成知識。雖然決策支援、資料探勘和資料分析喊了很多年，但直到最近，這些高階系統仍然停留在電信、金融和零售業（電子商務）等幾個領域。雖然越來越多的管理者看到了BI（BA）的力量，但對於如何掌握這種力量，還是丈二和尚摸不著頭腦。甚至在BI得到成功應用的領域，也有點兒摸著石頭過河的感覺。專案團隊經常承受著很大的壓力，不知道怎麼找出客戶自己也不知道是什麼的需求。

我曾參與過一個BI專案。這個專案的緣起，是因為公司在另一個行業BI專案上的成功。客戶算是慕名而來，按他們的理解，我們的經驗是可以套用到他們那個行業上的。你會在本書中看到，這是一個錯誤，而且是大家都會犯的錯誤。作者還專門為此編了一個悲劇版王子的小故事。灰姑娘留下了一雙鞋，可王子沒能找到紅顏，所以衝冠一怒，頒佈了一條觸怒天下的法令，最終導致王國被顛覆。雖然我們沒有王子那麼悲慘，卻也在跟客戶磨合的過程中承受了很多痛苦。最初，我們向客戶介紹各種主流的BI生態系產品，介紹各種資料分析演算法，提供了整套的BI專案實施文件模板，確定了一部分主題域和指標體系，甚至還根據客戶提供的測試資料訓練了一個神經網路模型用於客戶分群。但我們很長時間也沒能給出客戶想要的描述。客戶和我們都很痛苦。因為從一開始，我們就沒有確定根本問題，像作者說的，發動引擎開始了一段不知道要去哪兒的旅行。由於我們對新行業缺乏瞭解，也沒有答案綱要的指導，不知道怎麼幫客戶確定根本問題，甚至也不知道讓客戶找出自己的根本問題。我們雖然知道怎麼按客戶已有的資料結構搭建資料倉儲模型，知道怎麼實現ETL，知道怎麼保證資料質量，知道怎麼做資料分析，知道怎麼展現分析結果，但我們不知道怎麼向客戶做一個完整的描述。所以在那個專案中，我們消耗了很多時間來尋找向客戶描述的方法。好在我遇到了這本書，它幫助了我，所以我希望它也能幫助曾經和我一樣痛苦掙扎過的人。

“量化分析”的含義要比統計分析豐富得多，但在某些方面又不如統計分析。這本書中沒有關聯分析、迴歸分析，更別提決策樹和神經網路了。也沒有維度和雪花模型，沒有SQL語句，沒有R語言。但我希望所有資料分析師或準備做資料分析的人都能讀一讀這本書，如果把資料分析、資料探勘和資料倉儲建模當作術，那麼這本書中講的內容就是道，是內功心法。雖然它不能幫你解決掉SQL中的某個bug，不能告訴你怎麼把資料畫成一幅南丁格爾玫瑰圖，但它可以幫你架起資料倉儲到量化管理的橋樑，讓你的技術能為業務服務。

感謝圖靈給我翻譯本書的機會，感謝傅志紅老師在我翻譯初期的悉心指導和耐心解釋，感謝編輯朱巍、樓偉珊和張霞對本書認真負責的審校和中肯的修改建議，使得本書最終不至於語句不通，慘不忍睹。他們的認真和敬業令人欽佩！

還要感謝我的同事們，他們和我一起經歷了專案的煎熬，一起和客戶交流。他們教會了我很多資料倉儲方面的知識，在我的翻譯工作中也提供了很多幫助和支援。最後感謝我的母親和妻子。她們承擔了家裡的大部分工作，如果沒有她們的理解和支援，我不可能每天抽出那麼多時間來完成本書的翻譯工作。