Was sind die beliebtesten Anwendungsfälle für Data Science-Anwendungen für Consumer-Web-Unternehmen?

Der beliebteste Anwendungsfall scheinen Empfehlungssysteme verschiedener Art zu sein (z. B. Empfehlungen für Einkaufsartikel, Benutzer in sozialen Netzwerken usw.).

Aber was sind andere typische datenwissenschaftliche Anwendungen, die in anderen Branchen verwendet werden können?

Zum Beispiel: Vorhersage der Kundenabwanderung mit maschinellem Lernen, Bewertung des Kundenlebensdauerwerts, Umsatzprognose.

Außerdem scheint es eine sehr umfassende Liste von Data Science-Anwendungsfällen nach Funktion und vertikal in Kaggle zu geben - "Data Science-Anwendungsfälle".

Die Zufriedenheit ist groß und ich treffe sehr oft. Riesige Bezugnahme auf Wichtigkeit / Schwierigkeit / Komplexität.

Das Fazit ist, dass Ihre Benutzer bei sehr großen Diensten (Suchmaschinen, Facebook, Linkedin usw.) einfach eine Sammlung von Protokollzeilen sind. Sie haben wenig Möglichkeiten, Feedback von ihnen zu erhalten (keine feste Regel). Sie müssen also die meiste Zeit auf ihr positives oder negatives Feedback schließen.

Dies bedeutet, auch außerhalb der prädiktiven Modellierung Wege zu finden, um anhand einer Sammlung von Protokollzeilen wirklich zu erkennen, ob jemand etwas, das er erlebt hat, wirklich mochte oder nicht. Diese einfache Handlung ist (meiner voreingenommenen Meinung nach) noch grundlegender als A / B-Tests, da Sie über Metriken sprechen, die Sie schließlich auf einer Test-Scorecard verfolgen werden.

Sobald Sie gute SAT-Metriken im Griff haben, können Sie Vorhersagemodelle erstellen und experimentieren. Aber selbst die Entscheidung, welche Protokollinstrumente Sie über SAT informieren können, ist nicht trivial (und ändert sich häufig).

Dies hängt natürlich vom Fokus des Unternehmens ab: Handel, Service usw. Zusätzlich zu den von Ihnen vorgeschlagenen Anwendungsfällen wären einige andere Anwendungsfälle:

• Trichteranalyse: Die Analyse der Art und Weise, wie Verbraucher eine Website nutzen und einen Verkauf abschließen, kann datenwissenschaftliche Techniken umfassen, insbesondere wenn das Unternehmen in großem Umfang tätig ist.
• Werbung: Unternehmen, die Anzeigen schalten, verwenden viele Techniken des maschinellen Lernens, um zu analysieren und vorherzusagen, welche Anzeigen am effektivsten oder am rentabelsten sind, wenn die demografischen Daten des Nutzers angezeigt werden.