资源介绍
子书）
电子书格式: pdf
在商业活动中，所有决策都诞生于不确定性的迷雾之中 —— 决策制定时，其最终后果往往无法预知。为降低这种不确定性，数据分析领域形成了三大核心分支：描述性分析（探索过往行为）、预测性分析（聚焦可能发生的情况）以及规范性分析（为决策者提供应当采取的行动建议）。三者相辅相成，而本书将核心焦点放在了最具实践指导意义的规范性分析上。
作为一本兼具理论深度与实操价值的指南，作者沃尔特・R・帕茨科夫斯基博士通过丰富的实际案例，系统阐释了规范性分析的核心价值与应用方法。书中不仅详细介绍了规范性分析在决策制定中的重要性，还逐步引导读者学习如何构建决策选项或项目菜单、如何利用规范性分析从菜单中筛选最优方案，以及两类关键选择方法 —— 随机方法与非随机方法，并重点传授了如何运用 Python 实现规范性分析的完整流程。
作者拥有经济学博士学位，具备多年在数据分析领域的实战经验，曾任职于多家知名机构的分析支持与研究部门，2001 年创办数据分析公司后，积累了大量企业咨询与数据建模的实践案例，这些宝贵经验都融入了本书的理论阐释与案例设计中。
全书结构清晰，共分为四个部分。第一部分为引言与背景，搭建起决策制定的分析框架，梳理了三类分析方法的演变脉络与内在联系，深入探讨了不确定性的来源、概率在决策中的作用，以及规范性分析作为独立学科的核心定位与价值。第二部分是基础必备知识，分别对 Python 编程 essentials 和概率理论 essentials 进行了系统讲解，为后续的规范性分析实践奠定技术基础 ——Python 部分涵盖了语言特性、包管理、数据结构、核心函数等关键内容，概率部分则包括概率的基本概念、规则、分布以及贝叶斯定理等核心知识点。
第三部分聚焦非随机规范性分析方法，详细介绍了数学规划（含线性规划、整数规划、混合整数规划）和决策树分析两大核心工具，通过具体的 Python 应用案例，展示了如何将这些方法应用于运营、战术等不同层级的决策场景。第四部分则转向随机规范性分析方法，以模拟技术为核心，结合实例讲解了模拟的基本原理、实现方式，以及如何通过模拟开发决策菜单选项、确定先验概率，同时探讨了一次性决策与序贯决策的优化思路。
本书的目标读者广泛，既包括从事需求测量与预测、预测建模、定价分析、客户满意度评估、市场调研、新产品研发、资本投资决策等工作，需要将分析结果应用于运营、战术和战略层面决策的职场人士；也适用于高等院校中修习商业数据分析、数据科学、市场调研相关课程或认证的学生，可作为主修或辅助教材使用。尽管书中重点围绕商业应用展开，但所阐述的概念与方法同样适用于公共政策领域的决策制定者。
通过阅读本书，读者将能够清晰区分三类分析方法的差异，理解预测性分析如何生成决策选项菜单，规范性分析如何缩小选项范围，熟练掌握非随机与随机两大类规范性分析方法，并能运用 Python 将这些方法应用于实际决策场景，为各类决策提供科学、精准的支持，助力决策者在复杂的不确定性环境中做出最优选择。