DemystData 想要一种方法来处理与数据集越来越大和数据源越来越多样化相关的复杂性和时间密集型工作。他们的数据科学家花费大量时间手动构建数据科学和机器学习管道。 DemystData 旨在缩小这一差距，并通过向客户开放对新数据和更多数据的访问来帮助解决问题。但随着数据集变得越来越大，数据源越来越多样化，这也意味着这家总部位于纽约的公司本已有限的数据科学资源池的复杂性增加，工作也更加耗时。

随着数据集变得越来越大，数据源越来越多样化，复杂性增加，工作流程变得更加耗时。 Demyst 客户需要帮助确定哪些外部数据属性在广阔的外部数据海洋中的营销、风险和投资组合管理用例中具有预测性。

84.51° 的目标是在整个购买过程中为购物者创造更加个性化和有价值的体验，从最初的认知到激活、保留等。

Flexiti 是加拿大领先的先买后付提供商，希望帮助其风险和分析团队更快地获得更深入的数据可视性。

Zidisha 是一个非营利性在线小额贷款社区，旨在通过提供小额贷款来创业、上学或改善生活条件，从而改变一些最贫穷国家人民的生活。然而，每笔贷款都存在违约风险。传统贷款机构已经找到了识别、量化和定价违约风险的方法，风险越高的贷款利率就越高。风险评估工作通常由贷款人员负责，成本则转嫁给借款人。在发达经济体中，数千或数十万美元的贷款很常见，这些成本可以轻松吸收，而不会影响贷款的合理性，但在发展中国家情况并非如此。雇用贷款人员来评估小额贷款的违约风险会导致利率高达 40%，从而破坏经济发展的促进。Zidisha 面临的挑战是通过识别最有可能成为高风险借款人的申请人来提高还款水平。

DonorBureau 是一家为非营利组织提供建模和细分服务的小公司，它面临着提供更有效、更准确的预测模型的挑战，以便在竞争激烈的市场中脱颖而出。该公司处理超过 9 亿封邮件交易、1.4 亿笔捐款和超过 4000 万个人，预测建模需求正在不断增加。理想情况下，他们希望拥有一支庞大的数据科学家团队，但这些职位是令人垂涎的，而且价格不菲。构建和部署预测分析非常耗时、预算超支，对于外行人来说，实施和维护也具有挑战性。

Avant 是一家在线贷款平台，一直在使用数据和机器学习来做出明智的贷款决策。然而，随着该公司想要扩大业务规模，它面临着保持分析质量和复杂性的挑战。该公司需要一种解决方案，使其分析师和业务用户能够访问业务团队可以利用的数据科学工具。Avant 正在寻找一种易于使用、统计合理、由可靠公司支持且易于与生产系统集成的解决方案。

Evariant 是医疗保健提供商市场中一家快速发展的 SaaS 公司，它提供一套创新的 CRM 解决方案，帮助医疗保健系统确定并执行最重要的战略增长计划。然而，该公司在构建和部署预测分析方面面临挑战，这可能既昂贵又耗时。他们的医疗保健数据非常复杂，需要高水平的动手数据准备，这使得他们现有的解决方案虽然足够，但并非最佳。他们需要高质量的预测分析，这种分析可以自动和半自动生成，并且具有极高的可靠性和有效性。

联想是一家跨国科技公司，在平衡巴西零售商的产品供需方面面临挑战。该公司的目标是预测销售量，即零售商向客户销售的产品单位数量，但受到资源的限制。该团队已开始开发 R 代码来预测销售量，目标是每周为其十大零售客户更新。然而，由于只有 2 个人每周为一位客户编写 1,500 行 R 代码，因此每周为十位客户进行预测的目标是不可能的。该团队需要投资更多数据科学家，或者找到一种可以自动执行所有建模和预测步骤的工具。

预测分析正在重塑商业和社会，引发了关于高校应如何培养毕业生的严肃问题。答案之一可能是向所有商学院学生教授预测分析。实现这一重要愿景需要什么？为什么目前还没有实现？作为一名商业分析教授，Kai Larsen 的目标是教授各种各样的学生：那些立即了解预测分析如何重塑其未来工作（信息管理和营销）的学生，那些早已将不同风格的商业分析融入其领域核心的学生（运营管理和金融），以及那些预测分析目前仅重塑其学科的一小部分的学生（会计）。很明显，所有这些学生都必须至少从概念上理解预测分析，以便做出影响其公司未来的决策，因为机器学习工具将继续提供商业洞察力并推动企业内部和外部的变革。

费城 76 人队是 NBA 的一支职业篮球队，也是新一波利用数据分析来优化场上表现和业务运营的体育特许经营球队之一。该组织非常注重使用数据来指导各个层面的决策过程。76 人队分析团队面临的主要挑战之一是提高季票续订流程的效率。该团队一直在使用数据科学和简单的建模技术，但缺乏一种能够在收集更多数据时进行调整和学习的动态机器学习工具。这意味着该团队必须在休赛期做大量工作来制作静态模型。目标是将续订流程从一年一次的活动转变为全年的保留流程。

Domestic & General (D&G) 是一家专门为家用电器提供保修服务的公司，该公司面临着为客户提供个性化和相关服务方面的挑战。该公司在英国拥有 900 万客户，在全球拥有 1600 万客户，因此，该公司的资源受限于他们试图覆盖的个性化客户服务和产品的规模。该公司的定价团队必须为每个客户建立大量模型，这是一个费力又费时的过程。D&G 希望预测客户在续约时流失的可能性，并确定客户最有可能对他们获得的保修范围感到满意并续订保单的价格点。但是，要向个人客户提供这种程度的个性化服务，需要建立大量定价模型，而这无法通过他们现有的资源进行扩展。

这家总部位于美国的金融科技公司在将其业务流程与监管合规要求相一致方面面临挑战。他们使用机器学习模型进行决策，由于该行业受到严格监管，这增加了风险。该公司已经在使用 DataRobot 的企业 AI 平台来改进其模型构建，但他们需要加快其业务流程与模型风险管理法规的一致性。他们在 DataRobot 平台上构建了几个模型并部署到生产中，包括内部信用评分模型、欺诈评分模型和经销商评分模型。然而，在与银行合作后，他们需要进行独立的模型验证，这是他们合作的关键组成部分。

星桥腾飞集团 (ASG) 是亚洲领先的可持续城市和商业空间解决方案提供商，其物业面临着停车容量方面的挑战。在新加坡等人口密集的城市，停车容量是一个主要问题。尽管高层建筑设有停车场或车库，但停车容量仍然是物业经理和司机面临的挑战。ASG 希望预测停车场容量，以优化停车服务，改善游客和司机的体验，并可能增加收入。他们之前曾使用过不同的平台来构建模型，但成本高昂，而且无法提供他们所需的准确预测。

Beacon Street Services 是 Stansberry Holdings 的服务部门，为全球数百万投资者提供基于订阅的金融信息和软件出版物。该公司的愿景是，在 Snowflake 中拥有一个存放所有数据的单一真实来源，以确保这些数据在所有应用程序中的一致性和准确性。几年前，该公司从 AWS Redshift 迁移到 Snowflake，在 Snowflake 中收集并存储了大量数据。然而，该公司意识到将数据科学方法应用于这些数据很有价值，尤其是对其营销和销售团队而言。这是一个改进以前销售订阅的策略和流程的机会，为营销人员提供更清晰的反馈循环和信号，以优化他们的营销活动。

Tommy Tan 是 TC Capital 的首席执行官，该公司是一家领先的泛亚精品投资公司，专门从事并购和协商资本投资。他对投资银行使用的传统公司估值方法感到不满。这些方法包括比较过去的并购、查看类似公司的股票市场估值以及折现现金流模型，这些方法需要大量人工，并且存在很高的人为错误风险。它们还可能导致高度主观的估值。Tommy 和他的团队希望建立自己的估值方法，这种方法既能利用尖端技术，又能充分利用当今银行家可用的大量数据。

全国房地产经纪人协会 (NAR) 是美国最大的行业协会，代表着全国 140 多万会员。其会员包括经纪人、销售人员、物业经理、顾问以及从事房地产行业各个方面的其他人员。由于会员背景各异，职业兴趣各异，每个人都希望从会员资格中得到不同的收获，因此要想为他们创造价值，NAR 必须真正了解其会员。为此，NAR 求助于数据。然而，该协会正试图变得更加以数据为导向，因此专注于更高层次的目标，例如更好地了解其会员并解决影响其会员的业务问题。但由于这两位数据科学家的运作方式——没有集中的团队或适当的资源——围绕数据科学项目的沟通和反馈循环效率低下，并对数据科学家创造价值的能力产生了负面影响。

佛罗里达国际大学 (FIU) 是佛罗里达州最大的大学之一，它在识别和帮助高风险学生方面面临挑战。该校许多学生来自低收入地区，是家里第一个上大学的人，或者是家里第一个移民到美国的人。这些因素往往会给这些学生的进步带来障碍。该校的分析更多的是被动的，而不是主动的，它识别的是那些已经面临学业或经济障碍的学生。该校希望更主动地利用数据来更好地为学生服务。

加拿大皇后大学史密斯商学院以其创新的商业教育方法而闻名，包括在人工智能、金融科技、分析、文化多样性、团队动态、社会影响等新兴领域创建开创性的课程。史密斯商学院管理分析学杰出教授安东·奥夫钦尼科夫教授预测模型、数据科学和机器学习课程。他的学生通常是在职专业人士，他们是分析的消费者，而不是生产者。他们中的许多人已经或即将成为分析项目和团队的经理。作为课程的一部分，安东希望他的学生至少在基础层面上熟悉原始编码，以便充分了解他们试图预测的幕后情况。然而，手动编码过程可能非常耗时且复杂，因此需要更有效的解决方案。

Consensus Corporation 是 Target 的子公司，它简化了销售联网设备的复杂流程。然而，对于销售昂贵设备和服务的零售商来说，一个主要的风险是欺诈性客户活动。为了应对这一风险，Consensus 将欺诈预防作为其核心服务之一。通过其自动化机器学习驱动的在线引擎，Consensus 可以在其零售商客户购买昂贵设备之前提醒他们注意高风险消费者。为了识别潜在的欺诈行为，Consensus 建立了一个先进的数据模型，该模型利用大量不同的数据并进行定期更新。为了能够不断完善其预测模型并更快地提醒其零售商客户注意潜在的欺诈行为，Consensus 寻找能够更快地准备这些数据以用于其机器学习模型的技术。重新设计 SQL 脚本的艰苦过程使 Consensus 平均需要长达六周的时间来更新其欺诈检测机器学习模型。此外，数据准备过程需要复杂的数据科学技术知识，这使得公司的产品和商业智能团队无法独自执行数据准备任务。

英国和爱尔兰的 Adecco Group 是全球 500 强企业 Adecco Group 的一部分，该公司在招聘过程中面临着效率问题。传统的招聘流程涉及多次人工干预，容易出现错误和人工解释。招聘人员必须筛选大量简历，很难将合适的候选人与合适的职位相匹配。由于招聘人员全力以赴，数据驱动的洞察很容易被隐藏。该公司正在寻找一种解决方案，以减少填补空缺职位的时间和速度，并改善其吸引客户人才库的招聘渠道。

加州大学旧金山分校的脊髓损伤研究和临床知识转化 (TRACK-SCI) 团队致力于改善创伤性脊髓损伤患者的护理。每年，美国有 17,000 例脊髓损伤 (SCI) 病例，通常会导致瘫痪和感觉功能障碍等永久性问题。每位患者的终生费用估计在 100 多万美元到近 500 万美元之间。在 SCI 患者护理过程中做出的紧急临床决策（例如在手术和 ICU 管理期间）对于患者的康复至关重要。然而，临床医生缺乏通过数据驱动研究开发的指导。TRACK-SCI 团队特别感兴趣的一个领域是手术过程中的血压管理如何影响患者的康复可能性。

Kiva 是一家非营利性金融服务机构，利用众筹为传统渠道服务不足的人们提供贷款。世界银行估计，大约有 17 亿人没有银行账户，这意味着他们无法获得零售银行提供的金融服务。这使得许多人无法获得世界上许多人认为理所当然的金融工具，例如信用卡和贷款。替代银行方法往往收费高昂，可能会让需要的人无法负担。这种资金匮乏阻碍了最需要的地方的经济增长、机会和平等。Kiva 使命的关键是确保申请贷款的人能够成功获得资金。

阿纳科斯蒂亚河流守护者是一个非营利组织，致力于保护和恢复阿纳科斯蒂亚河，该河流流经华盛顿特区和马里兰州部分地区。这条河水污染严重，自 20 世纪 70 年代以来，由于担心污染会影响健康，游泳一直是非法的。目前检测水质的方法需要几天时间才能返回结果，导致水质检测和结果向公众公布之间存在延迟。此外，水质会随着天气条件（例如降雨）而迅速变化，导致检测结果在返回之前就已经过期。阿纳科斯蒂亚河流守护者需要一种更有效、更及时的方法来监测和预测阿纳科斯蒂亚河的水质。

美国食品公司是美国最大的食品公司之一，其传统的本地数据仓库面临巨大挑战。该系统需要不断维护，经常发生资源争用，并且无法以经济实惠的方式存储超过两年的数据。由于系统的用户界面违反直觉、无法加载大型数据集以及 BI 功能有限，业务分析师需要数周时间才能准备一份报告。报告延迟导致一些业务用户从孤立的 Microsoft Access 数据库和 Excel 电子表格中寻求见解。通过数据科学建模来预测客户忠诚度和流失率根本是不可能的。美国食品公司评估了几种云数据管理解决方案，但没有一种能够提供性能和经济实惠的完美组合。

澳大利亚新南威尔士州的杂货零售商 Harris Farm Markets 在管理易腐烂商品库存方面面临巨大挑战，原因是野火导致供应不可预测，以及新冠疫情导致需求突然激增。该连锁店拥有 20 多家门店，业务范围不断扩大，需要一种方法来持续满足消费者对品种和新鲜度的需求。预测 20,000 个 SKU（包括同时以 1200 个 SKU 的速度运行的一组新鲜农产品）的需求任务对于手动方法来说过于繁重。该公司寻求一种解决方案，以最少的 IT 团队工作量提供准确的预测。

这家金融科技公司通过比传统贷款计划更具适应性的替代方案，在销售点为商家和消费者提供消费融资。他们建立了模型来支持公司各个部门的项目，包括承保、会计和催收。然而，他们在催收部门面临着挑战。由于任何时候都有数以万计的拖欠贷款，催收团队需要拨打大量电话。他们拨打的成功电话越多（以行业指标“正确方联系 (RPC)”衡量），他们就越有可能成功收回这些拖欠贷款，从而为公司带来收入。然而，由于要拨打的目标电话数量如此之多，而且在联系到正确人员或团体方面，接通率通常很低，任何类型的优化或效率都可以产生很大的影响。

FOXO Technologies 是一家生物技术公司，旨在利用表观遗传学让所有人都能长寿。他们使用机器学习来检查数千个模型，以找到对人类健康、保健、疾病和衰老进行分类的 DNA 甲基化模式。他们的使命是帮助人们活得更长寿、更健康。然而，FOXO 的数据科学团队发现，当他们试图基于 860,000 个 DNA 探针构建数千个预测模型时，扩展起来具有挑战性。他们需要一种解决方案来帮助他们大规模构建、微调、部署和管理生产中的模型。

土耳其领先的水泥制造商 OYAK Cement 面临着巨大的挑战。该公司在六个国家经营着 18 家工厂，每年的水泥生产能力为 3300 万吨。据估计，高达 8% 的二氧化碳排放来自制造水泥，水泥是混凝土所需的原材料。这对 OYAK Cement 来说是一个主要问题，因为它加剧了环境问题，而且如果超过政府排放限制，还可能面临高额罚款。该公司认识到，将运营效率提高 5% 将节省 4% 到 5% 的成本，同时将二氧化碳排放量减少 2%——每年可防止排放近 20 万吨二氧化碳，并消除价值 1000 万美元以上的二氧化碳相关社会影响成本。

佛罗里达国际大学 (FIU) 是一所排名前 50 的公立大学，拥有超过 58,000 名学生和 260,000 名 Panther 校友。这些学生中有许多来自低收入地区，或者可能是第一代上大学的人。该大学采取积极主动的方法来留住学生，这取决于发现问题迹象。然而，FIU 以前使用的建模工具产生的结果不准确，并且需要大量的手动输入。这些现成的解决方案并没有针对其机构的细微差别进行量身定制，它们会标记实际上没有风险的学生。