数据科学和机器学习影响商业的5种方式

探索:探索数据中未知的转换模式

应该鼓励数据科学家进行“大数据探险”，除了探索数据中以前未发现的价值之外，没有明确的目标。例如，日本海事服务提供商的数据科学家意识到，在为船舶分类提供传统服务时，他们正在收集有价值的数据存储，这些数据存储在其他领域具有巨大潜力。对这些数据进行正确的分析，意味着船舶运营商可以将设备故障和终身维护成本降低10%。这使得该组织在向客户提供这种增值服务时迅速增加了20%的市场份额。

原型设计:用全新的解决方案挑战现状

在数据不断膨胀的新数字世界中，人类的决策能力越来越不足。数据科学，尤其是机器学习，擅长解决那些即使是最聪明的人也难以解决的高度复杂的、数据丰富的问题。数据科学可以解决的商业或政府挑战可能是无穷无尽的。

“数据科学已经让人们的生活变得更美好，甚至可以拯救人们的生活。”

一个例子是美国的一个警察部门，它需要一种高效的自动化方法，从大量的犯罪数据中提取可操作的见解。该预测分析解决方案生成了犯罪“预测”，优化了警察部队的部署，与去年相比，谋杀率降低了35%，抢劫率降低了20%。这些影响的投资回报率估计为863%。对各种疾病症状和医学测试数据的自动分析是另一个常见领域，数据科学的应用已经改变了人们的生活，甚至挽救了人们的生活。

精细化:持续改进现有的流程和产品

这可能是数据科学最常见的应用。大多数数据科学家在他们业务的生产部分工作，并根据他们的组织收集的数据建立了精炼流程和产品的模型。常见的例子包括市场细分、零售商调整动态定价模型或银行调整其金融风险模型。

“数据科学团队的深入研究可以发现一些有趣的事情。”

一个最近的例子是苏黎世保险公司(Zurich Insurance)，该公司通过使用一种人工智能(AI)解决方案，完全自动化伤害报告评估。它利用人工智能使医疗报告评估完全自动化，以便人类代理可以专注于增值活动，例如与交易对手谈判。评估医疗报告的时间从一小时缩短到几秒钟，每年节省500万美元。

消防:识别某些不良情况的驾驶员

这个类别在方法方面与探索类别非常相似，但应用于不同的上下文中。有时，组织触发数据科学举措是为了应对症状明显的危机——例如，客户投诉增加或盈利能力迅速下降。在这些狭窄的情况下，数据科学团队只能确定原因，这限制了需要分析的数据集的范围。

有时是基本的数据发现或自助式商业智能(BI)这就足够了，但数据科学团队更深入的研究往往可以发现一些有趣的事情。常见的例子包括在线零售商调查为什么顾客在价格不匹配的情况下退货，交货准时，质量好，或者制造商对质量波动进行公开调查。