The Nisqually River Foundation là một tổ chức bảo tồn thiên nhiên có trụ sở tại Washington. Họ đã tìm cách thực hiện một kế hoạch quản lý lưu vực đầu nguồn, nhưng trước tiên cần phải đo lường và giám sát các loài cá có mặt ở sông Nisqually. Để làm được điều này, họ đã lắp đặt một máy quay video và các cảm biến hồng ngoại trong nước. Máy ảnh được kích hoạt để ghi lại 30 giây video khi bất kỳ con cá nào xuất hiện. Sau đó, các video đã được xem xét và xác định loại cá theo cách thủ công. Đây là một quá trình tốn thời gian và không hiệu quả. Vì vậy khi tổ chức quyết định điều chỉnh hoạt động này lần thứ hai đối với loài cá hồi, họ đã chuyển sang dùng Gramener – một giải pháp tự động hóa dựa trên công nghệ.
Gramener, một công cụ trực quan hóa dữ liệu và phân tích dự đoán, đã triển khai một chương trình trí tuệ nhân tạo (AI) dựa trên web. Nó được dự đoán sẽ mang lại 80% khoản tiết kiệm cho Nisqually River Foundation.
Trên bản đồ giới khởi nghiệp kỳ lân có lợi nhuận cao, Airbnb là một trong số ít công ty sở hữu một nhà khoa học dữ liệu trong đội ngũ ban đầu của mình để nó có thể phát triển nhanh nhất có thể.
Công ty đã đạt mức tăng trưởng 43.000% chỉ trong 5 năm. Điều đó chứng tỏ chiến lược ứng dụng Data Science trong doanh nghiệp rõ ràng đã hiệu quả. Mục tiêu của nghiên cứu điển hình này là chia sẻ một số vấn đề khó mà Airbnb gặp phải khi phát triển nhóm khoa học dữ liệu của họ giải quyết. Tác giả cho thành công của AirBnB (nhà khoa học dữ liệu đầu tiên của Airbnb) chia mọi thứ thành ba lĩnh vực:
- Định nghĩa Data Science trong AirBnB
- Cách khoa học dữ liệu tham gia vào việc ra quyết định tại Airbnb
- Cách Airbnb đã mở rộng các nỗ lực khoa học dữ liệu của mình trên tất cả các khía cạnh của công ty
Airbnb nói rằng “chúng tôi đang ở thời điểm mà cơ sở hạ tầng của chúng tôi ổn định, các công cụ đã phát triển ở mức độ tinh vi và data warehouse của AirBnB sạch sẽ và đáng tin cậy. Chúng tôi đã sẵn sàng để giải quyết những vấn đề mới thú vị. ”
Nếu bạn là một người yêu âm nhạc, chắc hẳn bạn đã ít nhất một lần sử dụng Spotify. Nếu bạn là người dùng thông thường, bạn có thể đã lưu lại danh sách phát được cá nhân hóa của Spotify dành cho bạn đi kèm với cảm xúc ấn tượng về mức độ phù hợp của từng bài hát dành cho sở thích âm nhạc của bạn. Nhưng bạn đã bao giờ nghĩ về cách Spotify phân loại nhạc của họ chưa? Bạn có thể cảm ơn nhóm khoa học dữ liệu của họ vì điều đó.
Mục tiêu của nghiên cứu case study “This Is” là phân tích âm nhạc của các nghệ sĩ Spotify khác nhau, phân loại theo phong cách, tiếng ồn, khả năng vũ đạo, năng lượng của nghệ sỹ… Để bắt đầu, một nhà khoa học dữ liệu đã nghiên cứu API của Spotify, API này thu thập và cung cấp dữ liệu từ danh mục nhạc của Spotify. Sau khi nghiên cứu dữ liệu truy cập dữ liệu từ API của Spotify, anh ta sẽ:
- Xử lý dữ liệu để trích xuất các tính năng âm thanh cho từng nghệ sĩ
- Hình ảnh hóa dữ liệu bằng D3.js.
- Áp dụng k-means clustering để tách các nghệ sĩ thành các nhóm khác nhau
- Phân tích từng đặc điểm cho tất cả các nghệ sĩ
Bạn muốn xem trước kết quả? James Arthur và Post Malone ở cùng một nhóm, Kendrick Lamar là nghệ sĩ “mới nổi nhanh nhất” và Marshmello đánh bại Martin Garrix ở hạng mục năng lượng.
4. Đại lý du lịch trực tuyến hàng đầu tăng trưởng doanh thu lên đến 16% với các phân tích có thể
Một trong những đại lý du lịch trực tuyến lớn nhất trên thế giới đã tạo ra phần lớn doanh thu thông qua trang web của mình và hướng hầu hết các nguồn lực của mình vào đó, nhưng khách hàng của họ vẫn sử dụng các kênh ngoại tuyến chẳng hạn như fax và cuộc gọi điện thoại để đặt câu hỏi. Cơ quan này đã đưa WNS, một công ty quản lý quy trình kinh doanh tập trung vào du lịch, để giúp họ xác định cách suy nghĩ lại và thiết kế lại lộ trình của mình để nắm bắt các cơ hội doanh thu bị bỏ lỡ.
WNS xác định rằng đại lý thiếu một chiến lược ngoại tuyến phù hợp, dẫn đến doanh thu và thị phần giảm. Sau khi đi sâu vào phân khúc khách hàng, hiệu suất của đại lý bán hàng ngoại tuyến, giờ làm việc lý tưởng cho đại lý bán hàng, v.v., WNS đã có thể giúp đại lý tăng doanh thu ngoại tuyến lên 16% và tăng tỷ lệ chuyển đổi lên 21%,
5. Cách Mint.com tăng từ 0 lên 1 triệu người dùng
Mint.com là một dịch vụ quản lý tài chính cá nhân miễn phí yêu cầu người dùng nhập dữ liệu chi tiêu cá nhân để tạo ra thông tin chi tiết về nguồn tiền của họ. Khi Noah Kagan gia nhập Mint.com với tư cách là giám đốc tiếp thị, mục tiêu của anh ấy là tìm được 100.000 thành viên mới chỉ trong sáu tháng. Anh ấy không chỉ đạt được mục tiêu đó. Anh ta đã phá hủy nó, thu hút đến hơn một triệu thành viên. Làm sao anh ta làm được điều đó?
Kagan nói rằng thành công của anh ấy đến từ hai thứ. Thứ đầu tiên anh ấy có là một sản phẩm mà anh ấy tin tưởng. Thứ hai anh ấy sử dụng “kỹ thuật tiếp thị đảo ngược”.
Kagan giải thích: “Trọng tâm chính của chiến lược này là đặt mục tiêu lùi. “Thay vì bắt đầu với con số 0 đáng sợ đang hiện lên trong đầu bạn, hãy bắt đầu từ giải pháp và vạch ra kế hoạch của bạn từ đó.”
Anh ấy tiếp tục: “Hãy coi đó như một chuyến xe đang đi trên đường. Bạn bắt đầu với một điểm đến đã định trong đầu và sau đó lập kế hoạch tuyến đường của bạn đến đó. Nếu bạn không lên xe và bắt đầu lái xe thì chẳng có hy vọng nào về việc bạn sẽ đến được nơi bạn muốn một cách thần kỳ nào đó”.
6. Netflix: Sử dụng dữ liệu lớn để thúc đẩy tương tác khách hàng
Một trong những cách tốt nhất để giải thích lợi ích của khoa học dữ liệu cho những người không hiểu rõ về ngành là sử dụng các ví dụ tập trung vào Netflix. Đúng vậy, Netflix là mạng internet-truyền hình lớn nhất trên thế giới. Nhưng điều mà hầu hết mọi người không nhận ra là về cốt lõi, Netflix là một doanh nghiệp tập trung vào khách hàng, dựa trên dữ liệu. Được thành lập vào năm 1997 với tư cách là một công ty DVD đặt hàng qua thư, hiện nay nó có hơn 53 triệu thành viên tại khoảng 50 quốc gia.
Nếu bạn xem Fast and Furious vào tối thứ Sáu, Netflix có thể sẽ phục vụ một bộ phim của Mark Wahlberg trong số các đề xuất được cá nhân hóa của bạn cho tối thứ Bảy. Điều này là do khoa học dữ liệu. Nhưng bạn có biết rằng công ty cũng sử dụng thông tin chi tiết về dữ liệu của mình để thông báo về cách họ mua, cấp phép và tạo nội dung mới không? House of Cards và Orange is the New Black là hai ví dụ về cách công ty tận dụng dữ liệu lớn để hiểu người đăng ký và đáp ứng nhu cầu của họ. Các chương trình được xem nhiều nhất của công ty được tạo ra từ các đề xuất, do đó thúc đẩy sự tham gia và lòng trung thành của người tiêu dùng. Đây là lý do tại sao công ty không ngừng cải thiện thuật toán của các công cụ khuyến nghị.
Câu chuyện của Netflix là một case-study điển hình hoàn hảo cho những doanh nghiệp với khát vọng giữ chân khán giả để tồn tại.
Tóm lại, các nhà khoa học dữ liệu là vũ khí bí mật của các công ty khi hiểu hành vi của khách hàng và tận dụng hành vi đó để thúc đẩy chuyển đổi, lòng trung thành và lợi nhuận. Sáu case-study điển hình về khoa học dữ liệu này cho bạn thấy cách nhiều tổ chức, doanh nghiệp — từ nhóm bảo tồn thiên nhiên đến công ty tài chính, công ty truyền thông — đã tận dụng dữ liệu lớn của họ để không chỉ tồn tại mà còn đánh bại các đối thủ cạnh tranh.
Bài viết gốc: 6 of my favorite case studies in Data Science.
Link bài viết gốc.
Biên dịch & Biên tập: Mary