資料分析可以帶來令人驚訝的洞察力， 從而會為新專案或產品產生意想不到的創意， 正如以下這六個真實案例所展示的那樣。
成功的IT專案需要明確的目標， 資料分析也是如此。 在進行資料分析時， 資料團隊希望發現關於客戶的有用資訊， 支援專案決策， 提高生產率以及其他一系列目的。
但是考慮到資料分析屬於探索性質， 所以其帶來的好處或洞察力有時非常突然， 完全出乎意料之外， 而且不是最初商業計畫的內容。 這些意外驚喜印證了一個想法， 即所有資料分析都是值得的， 因為你永遠不知道會發生什麼。
以下是一些組織的真實案例， 他們從分析工作中獲得了意想不到的好處。
當前業務的啟動
Allegis Global Solutions公司開發了一個分析專案， 即ACUMEN勞動力智慧(ACUMEN Workforce Intelligence)平臺， 其目標是掌握三件事情：專案是如何執行的?與其他專案相比， 這些專案執行情況如何?接下來我們該做什麼?
“雖然開發該分析平臺是為了形成一個歷史視角來進行規劃， 但是我們發現用於解答這三件事情的分析工作在我們企業中產生了多米諾骨牌效應”， Allegis公司商業智慧執行總監蒂姆詹森(Tim Johnson)說道。
詹森說：“由於資料是從我們所有專案中獲取的， 而且我們每天更新資料， 所以我們對業務有著最新的觀點。 這使得我們最近推出了一個新的資料應用程式， 可以説明分析專案級和企業級的日常業務活動。
詹森說：“進行資料分析的更多好處是， 分析結果採用率遠高於最初的預期。 現在我們設定的目標是每週分析結果有100%的內部採用率。 因為我們的最終使用者每天都在使用這些資料來提高業績， 所以他們也在密切關注這些資訊， 並將資料品質提高到一個新的水準。 ”
對於滿足公司的最初分析目的而言， 資料的準確性只需要達到90%到95%。 但是對於運營而言， 資料的準確率則需要達到98%至99%。 詹森說：“隨著整個組織的支援和認同， 我們公司就已做到這一點。 一想到這三個小問題就啟動了這個組織全面進行資料轉換，
短期損失帶來長期收益
資料分析工作説明線上房地產資源提供商—Trulia公司對其推廣活動的電子郵件策略進行了精細調整， 最終增加了流量。
該公司工程副總裁迪普·瓦爾馬(Deep Varma)說， 我們每天都會發送許多電子郵件， 這增加了客戶取消訂閱的數量。 他說：“然後， 我們改變了我們的方法， 將電子郵件進行整合， 這樣我們每天只發送一封電子郵件。 ”
起初， Trulia公司的用戶參與度有所下降， 因此又取消了這一新方法。 但是， 該公司隨後決定對這種新方式進行更長期的測試， 然後看到了較好的結果， 這並非與最初預期一致， 瓦爾馬說道。
“在這個案例中， 最初， 資料顯示某些工作是錯誤的，
在另一個案例中， 資料分析使我們開發出一種新產品， 這並非最初的意圖。
瓦爾馬說：“我們看到有些消費者在向代理商進行詢價後就放棄了， 所以我們創建了一個資訊發佈體驗環節， 在此環節中我們會向他們展示與他們剛才所詢問內容的推薦清單。 因此， 由於提供這個新的推薦內容， 消費者開始返回， 並且返回的頻率更高。 ”
保修問題讓位於物聯網解決方案
在羅克韋爾自動化公司，
羅克韋爾自動化公司商業智慧主管桑吉塔·愛德溫(Sangeeta Edwin)表示：“我們遇到了保修管理的難題。 我們不是只看問題本身， 而是將我們資料分析團隊的工作擴展開， 專注於確定返廠產品的根本原因。 ”
通過將資料追溯到機器級別， 團隊發現了一個製造缺陷， 這一組裝故障與保修返廠產品是相關聯的。 “這有助於提升我們的戰略和平臺， 將物聯網(IoT)機器資料分析納入其中。 ”愛德溫說。
愛德溫說， 這個簡單的資料分析工作轉變為一個令人驚訝的業務解決方案。 她說：“我們從品質部門學到知識， 並為我們的客戶打造了我們自己的設備級數據分析平臺。 通過資料分析， 我們將業務問題轉化為對客戶有用的一個工具， 並為我們創造了新的收入來源。”
變數錯誤揭示出隱藏的原因
多年來，為醫療行業提供軟體產品的供應商--Decision Point Healthcare Solutions公司已經發現，其健康計畫客戶通過針對有多次住院可能的高風險人群進行現場和電話治療管理專案，顯著降低了這一群體的再入院率。
在這些情況下，Decision Point公司使用專門的預測建模演算法對其成員或患者進行識別，在其初次“登記”入院之前，預測其30天內有可能兩次入院的人員。Decision Point公司創始人兼首席執行官賽義德•阿明紮德(Saeed Aminzadeh)表示：“簡而言之，健康計畫走在患者再次入院之前，鎖定合適的個人來避免其初次入院，再次入院，或同時避免這兩種情況。”
事後看來，這是一個很好的方法，但是Decision Point公司是很意外地發現了這一方法，Aminzadeh說道。對於健康管理工作來說，Decision Point公司的傳統方法包括預測極有可能避免入院的患者，預測極有可能到急診室(ER)就診的患者及其費用。
當Decision Point公司的資料科學家在預測模型開發過程中錯誤地將再入院患者作為因變數(即正在被預測的變數)替換入院患者時，就發現了可預測多次和頻繁入院的新方法。
經過仔細分析，發現該新模型與Decision Point公司的傳統預測模型有很大的不同。雖然傳統模型可預測入院患者、費用和急診就診，但新方法可確定高風險個人的臨床和使用率的綜合問題，可預測多次和頻繁入院患者，並關注那些出現臨床問題和社會經濟問題的一部分人員。
“例如，雖然傳統模式可識別患者是患有多種慢性病的高風險個體，但是新模式可識別患者是患有慢性病而且還有其他問題的高風險個體，例如獨居、與醫生缺乏聯繫、沒有信用卡、無健康認知力、無行為健康能力，”或其他問題，Aminzadeh說。這是一個重要的發現，因為該發現表明，為了降低再入院率，醫療機構不僅要能夠解決個人的臨床問題，還要消除加劇這些臨床問題的社會經濟障礙。
重新認識基層醫療的重要性
醫療保險公司--Health Care Service Corp.已經從資料分析中獲得了類似的意外收穫。
Health Care Service公司的企業分析和治理執行董事Himanshu Arora說：“我們發現了一個隱藏的極具價值的東西，最初希望提取資料來説明我們識別出那些可避免去急診室就診的個體，找到其去就診的原因(即非急診病症)以及他們為何要這樣做。”
如果公司10%的員工參加了健康管理組織(HMO)計畫，那麼，因為他們可以獲得初級保健醫生(PCP)的服務，則預計他們會有不到10%的人被劃入可避免急診服務而去就診的這一群體。Arora說：“我們發現了一個相反方向的趨勢，數量差不多是四倍。這10%的員工在急診室中就診數量占所有可避免就診服務的40%。”
急診室就診的高成本，會員去急診室的不便，以及並未從可防止或減輕這些健康問題的服務中受益，這使得公司盡力去尋找辦法來幫助會員，而不僅僅是提供網路內醫療服務機構。
Arora說：“我們又重新開始，以更好地理解是哪些醫療的決定因素(比如語言障礙、交通問題和時間安排等問題)導致我們的健康管理組織(HMO)會員去急診室就診而不是去找初級保健醫生(PCP)診治。我們讓我們的供應商網路參與其中，説明他們主動聯絡會員，確保會員可得到他們需要的醫療服務，並重新評估我們的產品和網路設計，以加強與供應商的風險分擔模式，這樣他們就有更多的動力根據資料分析結果去説明識別會員和採取相應措施。”
重新定義最佳客戶以及分析方法
Zeta Global公司為行銷應用程式提供軟體平臺，利用資料分析來支援用戶端和企業內部舉措，例如開發用於在用戶端資料中進行預測的演算法，用於網路流量管理的流量日誌分析或用於安全管理的信號分析。
Zeta Global公司首席資訊官傑佛瑞·尼梅諾夫(Jeffry Nimeroff)表示：“資料的預測能力往往在您意想不到的地方出現。非監督技術的存在是因為資訊存在於資料中，這些資料已超出個人(即使你很聰明)可以找到和清除的範圍。意想不到的結果是其神奇的一部分，而且我們有很多案例，讓我們對發現的結果感到吃驚”。
其中一個案例涉及降低技術成本。尼梅諾夫說：“大多數組織在部署技術和承擔相關技術成本過程中，最終都會採用某種形式的影子技術。為了提高工作效率，個人可以找到適合他們的工具。”
最近參與了安全運營中心合作夥伴關係工作，重點實施了威脅情報工作。尼梅諾夫說，預期的目標是持續推進安全成熟度，但意想不到的成果是發現了安全技術的隱性成本。
尼梅諾夫說：“帶著這種直觀認識，我們能夠與某些人探討一些特定的技術，其中一些技術他們已完全忘記了，然後終止了一些服務，使得成本降低了六位數。
另一個案例來自一家公司，他們想確定其客戶所服務的消費者中，哪些是最佳消費者。
尼梅諾夫說：“用戶端分析方面的大量工作關注於擴大受眾群體。在這種情況下，Zeta公司將利用我們的專有資料將個人檔案與那些用戶端提供的具有共同屬性的個人檔案進行匹配。擁有更多的最佳消費者將會產生更好的結果。”
尼梅諾夫表示，在建立模型預測其客戶應該向他們最佳消費者提供哪些行銷資訊以達到最大效果之後，Zeta公司發現受眾群體的表現與對照組類似。他說：“通過薈萃分析，結果是客戶提供的原始資料並不是他們最佳消費者群體，因為客戶限制了那些他們認為對判定消費者是否有最佳表現的重要屬性。”
當Zeta公司開始提升洞察力並將分析工作擴展到客戶資料庫時，就可以利用更多的消費者屬性，就能夠提供更好的受眾群體資料。通過從用戶端的資料庫和消息發送物件開始工作，但沒有先入為主的重要屬性概念，Zeta公司能夠幫助提取最佳的用戶端資料集。尼梅諾夫說：“這種擴展方法已經在Zeta公司內帶來了新的實踐領域。”
並為我們創造了新的收入來源。”變數錯誤揭示出隱藏的原因
多年來，為醫療行業提供軟體產品的供應商--Decision Point Healthcare Solutions公司已經發現，其健康計畫客戶通過針對有多次住院可能的高風險人群進行現場和電話治療管理專案，顯著降低了這一群體的再入院率。
在這些情況下，Decision Point公司使用專門的預測建模演算法對其成員或患者進行識別，在其初次“登記”入院之前，預測其30天內有可能兩次入院的人員。Decision Point公司創始人兼首席執行官賽義德•阿明紮德(Saeed Aminzadeh)表示：“簡而言之，健康計畫走在患者再次入院之前，鎖定合適的個人來避免其初次入院，再次入院，或同時避免這兩種情況。”
事後看來，這是一個很好的方法，但是Decision Point公司是很意外地發現了這一方法，Aminzadeh說道。對於健康管理工作來說，Decision Point公司的傳統方法包括預測極有可能避免入院的患者，預測極有可能到急診室(ER)就診的患者及其費用。
當Decision Point公司的資料科學家在預測模型開發過程中錯誤地將再入院患者作為因變數(即正在被預測的變數)替換入院患者時，就發現了可預測多次和頻繁入院的新方法。
經過仔細分析，發現該新模型與Decision Point公司的傳統預測模型有很大的不同。雖然傳統模型可預測入院患者、費用和急診就診，但新方法可確定高風險個人的臨床和使用率的綜合問題，可預測多次和頻繁入院患者，並關注那些出現臨床問題和社會經濟問題的一部分人員。
“例如，雖然傳統模式可識別患者是患有多種慢性病的高風險個體，但是新模式可識別患者是患有慢性病而且還有其他問題的高風險個體，例如獨居、與醫生缺乏聯繫、沒有信用卡、無健康認知力、無行為健康能力，”或其他問題，Aminzadeh說。這是一個重要的發現，因為該發現表明，為了降低再入院率，醫療機構不僅要能夠解決個人的臨床問題，還要消除加劇這些臨床問題的社會經濟障礙。
重新認識基層醫療的重要性
醫療保險公司--Health Care Service Corp.已經從資料分析中獲得了類似的意外收穫。
Health Care Service公司的企業分析和治理執行董事Himanshu Arora說：“我們發現了一個隱藏的極具價值的東西，最初希望提取資料來説明我們識別出那些可避免去急診室就診的個體，找到其去就診的原因(即非急診病症)以及他們為何要這樣做。”
如果公司10%的員工參加了健康管理組織(HMO)計畫，那麼，因為他們可以獲得初級保健醫生(PCP)的服務，則預計他們會有不到10%的人被劃入可避免急診服務而去就診的這一群體。Arora說：“我們發現了一個相反方向的趨勢，數量差不多是四倍。這10%的員工在急診室中就診數量占所有可避免就診服務的40%。”
急診室就診的高成本，會員去急診室的不便，以及並未從可防止或減輕這些健康問題的服務中受益，這使得公司盡力去尋找辦法來幫助會員，而不僅僅是提供網路內醫療服務機構。
Arora說：“我們又重新開始，以更好地理解是哪些醫療的決定因素(比如語言障礙、交通問題和時間安排等問題)導致我們的健康管理組織(HMO)會員去急診室就診而不是去找初級保健醫生(PCP)診治。我們讓我們的供應商網路參與其中，説明他們主動聯絡會員，確保會員可得到他們需要的醫療服務，並重新評估我們的產品和網路設計，以加強與供應商的風險分擔模式，這樣他們就有更多的動力根據資料分析結果去説明識別會員和採取相應措施。”
重新定義最佳客戶以及分析方法
Zeta Global公司為行銷應用程式提供軟體平臺，利用資料分析來支援用戶端和企業內部舉措，例如開發用於在用戶端資料中進行預測的演算法，用於網路流量管理的流量日誌分析或用於安全管理的信號分析。
Zeta Global公司首席資訊官傑佛瑞·尼梅諾夫(Jeffry Nimeroff)表示：“資料的預測能力往往在您意想不到的地方出現。非監督技術的存在是因為資訊存在於資料中，這些資料已超出個人(即使你很聰明)可以找到和清除的範圍。意想不到的結果是其神奇的一部分，而且我們有很多案例，讓我們對發現的結果感到吃驚”。
其中一個案例涉及降低技術成本。尼梅諾夫說：“大多數組織在部署技術和承擔相關技術成本過程中，最終都會採用某種形式的影子技術。為了提高工作效率，個人可以找到適合他們的工具。”
最近參與了安全運營中心合作夥伴關係工作，重點實施了威脅情報工作。尼梅諾夫說，預期的目標是持續推進安全成熟度，但意想不到的成果是發現了安全技術的隱性成本。
尼梅諾夫說：“帶著這種直觀認識，我們能夠與某些人探討一些特定的技術，其中一些技術他們已完全忘記了，然後終止了一些服務，使得成本降低了六位數。
另一個案例來自一家公司，他們想確定其客戶所服務的消費者中，哪些是最佳消費者。
尼梅諾夫說：“用戶端分析方面的大量工作關注於擴大受眾群體。在這種情況下，Zeta公司將利用我們的專有資料將個人檔案與那些用戶端提供的具有共同屬性的個人檔案進行匹配。擁有更多的最佳消費者將會產生更好的結果。”
尼梅諾夫表示，在建立模型預測其客戶應該向他們最佳消費者提供哪些行銷資訊以達到最大效果之後，Zeta公司發現受眾群體的表現與對照組類似。他說：“通過薈萃分析，結果是客戶提供的原始資料並不是他們最佳消費者群體，因為客戶限制了那些他們認為對判定消費者是否有最佳表現的重要屬性。”
當Zeta公司開始提升洞察力並將分析工作擴展到客戶資料庫時，就可以利用更多的消費者屬性，就能夠提供更好的受眾群體資料。通過從用戶端的資料庫和消息發送物件開始工作，但沒有先入為主的重要屬性概念，Zeta公司能夠幫助提取最佳的用戶端資料集。尼梅諾夫說：“這種擴展方法已經在Zeta公司內帶來了新的實踐領域。”