数据是最有价值的资源，发掘这一价值需要超越技术本身。本书抛开数据科学技术的细节，致力于解决该主题研究中通常没有涵盖的数据科学“其余部分”的关键问题。包括确立正确问题，收集正确数据，进行正确分析，做出正确决策以及决策评估，与决策者建立信任，将数据科学团队置于正确的组织节点，以及帮助公司实现数据驱动等内容。这本书给出了数据科学入门和避免陷阱的实用性建议，解决了几代统计学家面临的问题，是统计学、计算机科学系、商学院，分析学院专业人士以及所有企业管理者的必读书。
【以色列】罗恩·S.科耐特（Ron S. Kenett）
----------------------------
罗恩·S.科耐特（Ron S. Kenett）以色列KPA集团主席，以色列理工学院塞缪尔?尼曼研究院高级研究员，曾任美国纽约州立大学运营管理学教授，是以色列统计协会（ISA）和欧洲工商业统计网络（ENBIS）的前任主席。他是一名有学术、咨询和商业领域专业知识的应用统计学家，撰写了250多篇论文和14本书，内容涉及生物统计学，医疗保健，工业统计，数据挖掘，客户调查，多元质量控制，风险管理和综合管理模型等主题。
【美国】托马斯·C.雷德曼（Thomas C. Redman）
----------------------------
托马斯·C.雷德曼，数据质量解决方案公司总裁，致力于为组织提供数据和数据质量计划方面的建议。撰有“数据驱动：从您最重要的商业资产中获利”一书（哈佛商业出版社于2008年出版），该书是当年图书馆杂志（Library Journal）优秀商业书籍之一。
游越
----------------------------
游越，理学硕士，北京大学图书馆馆员，先后在信息咨询部和综合管理中心工作。主要研究方向为学科情报服务、信息资源检索、信息素质教育、数据管理和用户服务等；曾获“北京大学第14届青年教师教学基本功比赛 ”人文社科组三等奖等。
萧群
----------------------------
萧群，毕业于北京大学心理系，曾任北京大学社会科学部常务副部长、北京大学图书馆党委书记兼副馆长、北京大学产业党工委书记、校产办主任等。主要研究方向为科研管理、信息管理与服务、人力资源管理、企业管理等；曾获“北京大学优秀党务和思想政治工作者——李大钊奖”等。
刘素清
----------------------------
刘素清，北京大学图书馆副馆长，研究馆员；中国图书馆学会理事，中国图书馆学会学术委员会副主任，《大学图书馆学报》副主编。毕业于北京大学信息管理系，先后在北京大学图书馆编目部、CALIS、信息咨询部和综合管理中心工作。主要研究方向为信息资源组织与检索、信息素质教育、用户服务等。
1，崇高的使命 ............................................................................. 001
2，优秀的数据科学家与卓越的数据科学家之间的区别...............013
3，学习不同的商业模式 ............................................................... 021
4，了解真正的问题 ...................................................................... 029
5，走出去 .................................................................................... 035
6，很遗憾，你不能信任数据........................................................ 043
7，使人们更容易理解你的观点 .................................................... 055
8，当数据不管用时，相信你的直觉 ............................................. 063
9，对结果负责 ............................................................................. 069
10，数据驱动意味着什么？ ........................................................... 077
11，去除决策过程中的偏见 ............................................................ 085
12，教，教，教 .............................................................................. 095
13，正式地评估数据科学产出......................................................... 107
14，高级领导者的教育 ................................................................... 113
15，把数据科学和数据科学家放在正确的位置 ............................... 123
16，提升分析成熟度级别 ................................................................ 131
17，工业革命与数据科学 ................................................................ 139
书单推荐
