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”，在这种情况下，除了探索数据之前未发现的价值之外，没有任何明确的目标。例如，一家日本海事服务提供商的数据科学家意识到，在提供船舶分类的传统服务时，他们正在收集有价值的数据存储，这些数据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减少10%的设备故障和终身维护成本。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

在一个新的数字世界中，人类的决策能力日益不足，数据的宇宙也在不断扩大。数据科学，尤其是机器学习，擅长解决那些甚至连最聪明的人都无法应对的高度复杂、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无穷无尽。

“数据科学已经在让生活变得更好，甚至是在拯救生活。”

一个例子是，美国的一个警察部门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可生成犯罪“预测”，优化警力部署，每年将谋杀率降低35%，抢劫率降低20%。这些影响的估计ROI为863%。对各种疾病症状和医疗检测数据的自动化分析是另一个常见的领域，在这个领域，数据科学的应用已经使生活变得更好——甚至挽救了生活。

精细化:持续改进现有的过程和产品

这可能是数据科学最常见的应用。大多数数据科学家工作在他们业务的生产部分，并根据他们组织收集的数据建立了改进流程和产品的模型。常见的例子包括营销细分、零售商调整动态定价模型或银行调整其金融风险模型。

“数据科学团队进行更深入的研究，可以发现真正发生了什么有趣的事情。”

一个最近的例子是苏黎世保险公司，通过使用人工智能(AI)完全自动化伤害报告评估的解决方案。它利用AI来完全自动化医疗报告评估，使人类代理可以专注于增值活动，如与对手谈判。评估一份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:确定某些不受欢迎的情况的驱动因素

就方法而言，这一类别与探索类别非常相似，但应用于不同的上下文中。有时，组织为了应对症状明显的危机而启动数据科学计划——例如，客户投诉的增加或盈利能力的迅速下降。在这些狭窄的情况下，数据科学团队只能确定原因，这限制了他们需要分析的数据集的范围。

有时是基本的数据发现或者自助商业智能(BI)已经足够了，但通常数据科学团队进行更深入的研究可以发现关于实际发生的事情的一些有趣的东西。常见的例子包括，在线零售商调查为什么在价格不匹配的情况下顾客退货，送货准时和质量良好，或者制造商对质量波动进行公开调查。