本书是通晓数据科学、尝尽甘苦的 Masked analyze（以下简称假面分析员）和松本健太郎二人为了那些对商业数据科学充满期待却未得到理想结果，或略有不情愿却终于开始认真对待的读者们能够理解商业数据科学而写的。通过本书，读者可以了解因何种原因使工作无法顺利开展?本来应如何运作? 因此，今后将这样发展等有关商业数据科学的过去、现在和未来。
◆ 还在 Excel上浪费时间?
众所周知，商业人士在工作中经常会使用Excel，但是在日本，乱象丛生的 Excel业务很多都是低效的，并成为降低生产率的原因。由于谁都可以使用，导致了无论什么工作都用Excel，其结果是，数据不断增加和日益复杂化，版本和格式无法统一，成了“神Excel”和“方格 Excel”。
在数据分析上，Excel也存在局限性，仅限于个人或少数人使用。虽然经过功能强化也可以应对多种分析模型和大容量数据，但是随着数据量增加和分析方法的复杂化，迟早会达到极限，并且还存在着版本升级带来的兼容问题。
使用Excel的工作，不仅可能因手工作业和疏于确认等引起人为失误，还孕育着版本管理的不完善和开发者离职带来黑箱化等风险。
进而言之，不仅企业整体的工作系统，个人层面的工作也在“一如既往的做法”上止步不前。
◆ 将自己的工作人工智能化
最了解自己工作的是自己。人工智能是为了提高生产率、使人取得更好工作结果的工具，已被定型的工作就应该自动化。人工智能不是夺走工作，而是提高工作价值的工具，在短时间内充分发挥并取得理想成果，难道“工作”不该这样吗?
首先，我们需要磨练如何思考用人工智能代替工作的素养，然后提出明确的根据，并将想法传递给上司、信息系统部门和系统集成商。【16】这也是摆脱努力加忍耐这种洗脑教育的方法。
工作能由人工智能代替吗?工作是否能被人工智能和他人完成?我们需要养成这样的思维习惯，即不让自己的工作成为“暗默知识”“秘方”“属人化”能够自动化的工作交给高成本人才来做是效率低的表现"等。随着人工智能的普及，只能从事被自动化的工作、却不能产生附加价值的员工自然就会成为裁员的候补。为此我们需要成为熟练掌握人工智能的一方，提升自己的价值。
肩负引领力没有捷径
没有捷径
在把这本书拿在手上的读者中，也许有人会想"能花2小时左右翻翻书就掌握商业数据科学吗"?当然不可能。2小时能明白的内容，也就起2小时的作用。笔者认为"花多少时间，就会有多少经验和知识留给自己，发挥作用"。
学习没有捷径。如果非得说有的话就是，所有的道路都绕远，而那也是最近的道路。如果讨厌学习，从最初就不会对商业数据科学感兴趣。
即便不出成果也不要着急
即便通过学习掌握了知识并多次去一线获得了经验，但也有不出成果的阶段，也就是运动员"发挥不出水平"的时期。
而真正花费多少时间就出多少成果的人也少之又少，大部分人都会迎来被称为"死谷"的停滞期。也许会对理想和现实的反差很苦恼也很痛苦，但是，人生不是RPG模式。花费的时间与水平的提高并没有形成正比关系，即便在社会上活跃的大腕儿工程师或数据科学家也都经历过"死谷"，但他们成功实现了跨越。
我奉劝商业人士、工程师和数据科学家，无论在哪个职位上，都不要因不出成果而选择辞职或误入歧途。
前言 001
PART1
能这样下去吗? 商业数据科学
01 数据科学的历史背景
02 目前商业数据科学在发生什么?
03 经营者的问题点
04 中间管理层的问题点
05 系统集成商（System Integrator）的问题点
O6 非数据科学家的问题点
07 我们应具备什么样的技能?
总结 商业数据科学应如何发展?
专栏 让昭和时代旧思维的人退出历史舞台
PART 2
如何掌握牵引商业数据科学发展的力量
01 三种力量——科学、工程、商业
02 数据分析、2个“型”
03 商业数据科学的过程
04 商业视角 决定“想要做的事情”
05 数据科学的视角 设计方法
06 工程师的视角 测量数据
07 工程师的视角 采集、积累数据（线上数据）
08 工程师的视角 采集、积累数据（线下数据）
09 工程师的视角 数据核对
10 科学方法① 从数据群中选取代表性数据的"概括"
11 科学方法② “压缩”∶把相似数据集合成一个
12 科学方法③ 发现同类的“分类分析”
13 科学方法④ 明确有无关系的“关联性”
14 科学方法⑤ 证明假设的“检验”
15 其他科学方法① 按照时间过程查看“时间序列数据”
16 其他科学方法② 通过数据倾向进行预测的“机器学习”
17 工程师的视角 用编程进行装载
18 工程师的视角 实现分析结果的可视化
19 商业视角 报告分析结果
20 了解数据科学的局限性
21 商业数据科学案例 将人工智能引入数字市场
22 商业数据科学的案例 将人工智能引入制造业
总结 肩负引领力没有捷径
专栏 有成就的人都曾奋斗过
PART 3
数据科学改变商业方式
01 “工作”的视角“数据”的优先度大幅提高
O2 “工作”的视角 不再是建好就算完成任务
03 “组织”的视角 数据科学需要强大的团队
04 “组织”的视角 “现有的战斗力”而非“即战力”
05 与行政的关系 保护个人信息与数据
06 与行政的关系 教育与数据素养
总结 数据科学如何改变未来
专业词汇
