实例探究.
添加案例
我们的案例数据库覆盖了全球物联网生态系统中的 18,927 家解决方案供应商。
您可以通过筛选条件进行快速浏览。
Download Excel
筛选条件
-
(51)
- (35)
- (30)
- (4)
- 查看全部
-
(9)
- (9)
-
(3)
- (3)
-
(2)
- (2)
- (17)
- (7)
- (5)
- (4)
- (1)
- 查看全部 13 行业
- (29)
- (20)
- (6)
- (6)
- (5)
- 查看全部 10 功能区
- (23)
- (15)
- (13)
- (11)
- (6)
- 查看全部 15 用例
- (50)
- (6)
- (2)
- (1)
- (1)
- 查看全部 6 服务
- (53)
Selected Filters
|
在 DemystData 使数据科学民主化
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。
|
|
|
|
联想利用 DataRobot 计算供应链和零售成功
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。
|
|
|
|
费城 76 人队如何利用 DataRobot 的机器学习赢得场外胜利
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。
|
|
|
|
Harris Farm Markets 利用 DataRobot 进行需求预测
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。
|
|
|
|
Flexiti 利用 AI 加速数据洞察以获得竞争优势
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。
|
|
|
|
NTUC Income 使用 DataRobot 进行定价分析
新加坡顶级综合保险公司 NTUC Income 正面临着整个保险行业索赔成本不断上升的问题。随着经营成本的增加，该公司需要了解导致索赔成本上升的因素、受影响的人以及应采取的措施。此外，随着保险日益成为一种商品，准确的定价变得比以往任何时候都更加重要。然而，保险定价分析可能很复杂、重复且耗时。使用广义线性模型 (GLM) 进行定价分析的传统方法由于多种限制并不理想。这些限制包括假设评级因素与索赔成本之间存在直线关系、耗时的流程以及无法分析索赔描述中的文本。该公司需要一个能够解决其定价分析挑战并与团队一起扩展的解决方案。
|
|
|
|
DemystData 实现数据科学的民主化
DemystData 是一家总部位于纽约的软件公司，旨在通过提供一个平台帮助客户发现、探索和访问广阔的数据世界，从而“揭开”数据的神秘面纱。然而，随着数据集越来越大，数据源越来越多样化，复杂性也随之增加，导致公司有限的数据科学资源池需要花费更多时间。该公司的客户，尤其是金融机构，没有充分利用数据，导致业务决策基于次优或不完整的信息。DemystData 旨在通过增加客户获取新数据和更多数据的渠道来弥补这一差距。
|
|
|
|
Valley Bank 将反洗钱误报率降低了 22%
Valley Bank 是一家拥有约 500 亿美元资产的地区性银行，其反洗钱 (AML) 部门面临挑战。该银行在努力发现数百万笔交易中的洗钱活动时，遇到了大量误报。该银行的反洗钱团队正在寻求减少预测建模所涉及的手动工作。手动创建模型的过程非常耗时，需要数周才能完成。该银行正在寻找一种可以自动化其欺诈检测流程并以现实的方式管理误报量的解决方案。
|
|
|
|
花旗风险投资公司投资 DataRobot 以开拓自动化机器学习领域
花旗风险投资公司是花旗银行的创新部门，它不断寻找技术和金融服务领域的新兴趋势，以帮助解决花旗及其客户面临的挑战。自 2010 年成立以来，花旗风险投资公司已投资了 100 多家不同的公司，以增强花旗的产品和服务。然而，该组织正在寻求能够更有效地解决花旗及其客户挑战的创新。他们对人工智能和机器学习领域特别感兴趣，他们认为这是金融行业的游戏规则改变者。他们正在寻找一种可以同时赋能数据科学家和业务用户的解决方案，自动化大部分建模过程，并腾出时间专注于解决复杂的业务问题。
|
|
|
|
MAPFRE 利用 AI 将业务价值实现速度加快 20%
MAPFRE 是一家西班牙保险公司，业务遍及 100 多个国家，每年创造 273 亿欧元的收入。该公司的分析团队负责提供高级分析，帮助制定定价、销售、留存、承保等方面的决策。然而，鉴于对数据洞察的需求，该团队发现很难跟上大量传入请求并快速交付价值。该团队需要加快上市时间以应对新的业务挑战。
|
|
|
|
阿纳科斯蒂亚河流守护者使用 DataRobot 预测阿纳科斯蒂亚河的水质
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。
|
|
|
|
US Foods 使用 Snowflake 和 DataRobot 分析 300,000 名客户的交易
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。
|
|
|
|
Steward Health Care 利用 DataRobot 的自动化机器学习平台进行预测分析
Steward Health Care 是美国最大的营利性私立医院运营商，它面临的挑战是如何利用预测分析、人工智能 (AI) 和机器学习从他们需要收集和维护的大量数据中获取价值。其主要任务是提高 Steward 旗下 38 家医院网络的运营效率，并重点降低成本。该公司决定解决医院运营面临的最紧迫挑战之一 — — 人员配备量。典型的医院人员配备模型是根据平均人口普查和数量设定的，这导致在患者数量高峰和低谷期间效率低下。这导致值班人员的费用和加班费高昂。Steward Health Care 的首席执行官 Ralph de la Torre 博士要求他的团队找到一种更积极主动的方法。
|
|
|
|
Avant 利用 DataRobot 实现数据科学民主化
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。
|
|
|
|
课堂上的 DataRobot
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。
|
|
|
|
Kiva 使用 DataRobot 提高小额贷款融资利率
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。
|
|
|
|
佛罗里达国际大学如何预测未来以帮助困境学生
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。
|
|
|
|
利用可解释的人工智能彻底改变招聘行业和求职者体验
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。
|
|
|
|
OYAK 水泥将替代燃料使用率从 4% 提高到 30% — 节省约 3900 万美元
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。
|
|
|
|
尼日利亚银行利用机器学习推动决策，降低风险和成本
Carbon Digital Bank 是一家服务于服务水平较低的非洲市场的金融机构，需要一种方法来快速确定没有信用记录的个人的信用风险。该银行还希望赋予其数据科学团队权力，以应对额外的业务挑战。该银行致力于数据优先战略，并将人工智能视为其决策不可或缺的一部分。然而，评估客户的信用价值是一项重大挑战。该银行需要加快每月数十万份贷款申请的决策速度。
|
|
|
|
DataRobot 赋能 84.51° 增强克罗格购物者的个性化购物体验
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。
|
|
|
|
Trupanion 利用 DataRobot 将生产力提高了 10 倍
Trupanion 是一家领先的猫狗医疗保险提供商，该公司正在处理来自其业务不同方面的大量数据，包括定价、销售、索赔预测、客户保留等。他们在报告指标方面做得很好，但他们还没有技术能力对这些数据进行更深入的分析，以便做出最佳决策。这需要更复杂的技术和大量时间。Trupanion 正在寻找快速准确的预测建模软件，该软件足够强大，可以支持来自其业务不同功能的所有不同数据和信息。
|
|
|
|
佛罗里达国际大学通过帮助困境学生使毕业率提高三倍
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。
|
|
|
|
房地美利用人工智能推进经济适用房目标，并将分析效率提高一倍以上
房地美是 1970 年由美国国会特许成立的一家支持美国住房金融体系的公司，该公司在实现有意义的预测和关键洞察以指导业务决策方面一直面临挑战。该公司与数十万客户合作，挖掘了近 4 TB 的数据。然而，他们发现商业智能和手动实践无法有效扩展到如此庞大的客户群和数据量。随着市场和经济条件的变化，房地美必须保持灵活性，并不断履行其对经济适用房的承诺。在非结构化和半结构化数据的海洋中，实现有意义的预测和关键洞察以指导业务决策是一项挑战。
|
|
|
|
加速数据发现、测试和部署
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。
|
|
|
|
Harmoney 和 DataRobot 推动澳大利亚个人贷款市场的创新
Harmoney 是澳大利亚的一个市场借贷平台，它面临着跟上不断创新的步伐以保持领先于大银行的挑战。该公司由数据科学家组成的小型团队负责开发和部署机器学习模型，以提高个人贷款市场的效率。然而，由于其他职责，该团队发现很难投入足够的时间进行预测分析。此外，他们用于建模的传统工具非常耗时，而且经常会分散他们改善业务的主要目标。
|
|
|
|
通过 DataRobot 的 AI 服务进行独立模型验证
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。
|
|
|
|
使用机器学习预测星桥腾飞的停车场容量
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。
|
|
|
|
通过 AutoML 实现投资银行业务的创新
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。
|
|
|
|
Target 子公司 Consensus 如何简化机器学习的数据整理
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。
|
|
