欧洲一家领先的零售商拥有 3,500 多家门店和电子商务部门，由于价格被竞争对手压低而亏损。他们还发现，他们的客户群倾向于等到季节结束时才进行大幅降价，而且只会购买某些季节性产品，这扭曲了他们对未来如何进货的预测，并延续了定价问题。此外，他们很难有效地调整价格并保持门店和线上的一致 - 通常，这会导致定价不一致，尤其是当各个门店经理自行决定销售时。该零售商希望通过了解客户购买特定产品的决策因素以及哪种价格最能引起共鸣、轻松实时了解所有竞争对手提供的价格以及在门店和线上一致更新定价来改进他们的定价策略。

BGL BNP Paribas 是卢森堡最大的银行之一，它已建立了一个机器学习模型，用于高级欺诈检测。然而，由于可见性有限和数据科学资源有限，该模型基本保持静态。业务团队热衷于更新模型，但由于缺乏对数据项目和数据团队的访问权限，因此面临挑战。挑战在于在整个组织的所有部门中采用数据驱动的方法。银行需要一种解决方案，既能使整个公司的数据访问和使用民主化，又不会损害数据治理标准。

Dentsu Aegis 是一家媒体购买公司，它使用有针对性的细分来分配广告商在各种媒体上的广告活动预算。在向潜在客户推销其服务时，销售人员会推荐最适合通过特定广告活动定位的特定细分市场，以最大化回报。在完成销售后，团队需要能够兑现这些承诺，并通过有效的细分真正实现回报最大化。然而，该部门很难快速向销售团队提供细分建议。团队建立了一个数据湖来从多个来源收集数据，但实际使用这些数据意味着每次都要开始编写新代码（Python、Spark 或 SQL）的痛苦过程。每次他们有一个项目时，团队成员都必须编写查询、获取结果、使用另一个工具分析这些结果，并编写更多代码来重新处理和使用数据。由于没有简单的方法来复制过去的工作，每个项目都需要他们从头开始他们的流程，无论两个潜在客户或客户的用例有多么相似。

2017 年，欧洲领先的移动通信提供商 LINK Mobility 决定扩大其数据工作，以处理内部请求和外部客户。他们的主要产品是移动消息服务，每年在全球范围内发送超过 60 亿条消息，其中包含与各种服务相关的发票、付款和凭证。他们产生大量数据，并看到了扩展其产品的机会，以便为客户提供更多有关其消息和服务交付和性能的数据驱动洞察。他们希望扩展到客户仪表板以及根据这些数据采取行动的能力。然而，由于项目开始时只有一个人的数据科学团队，他们需要能够快速轻松地启动和运行。他们还需要找到一种工具，使他们能够扩展来自公司内部的数据请求，并具有足够的灵活性来为客户提供数据洞察，而无需使用两种不同的工具或平台来满足他们的各种需求、用例和数据类型。

Coyote 是法国一家领先的实时道路信息公司，在留住客户群和提高服务质量方面面临挑战。该公司希望优化其忠诚度计划，以鼓励客户增加设备使用量。为了实现这一目标，Coyote 需要一种技术解决方案，使他们能够根据用户资料细分客户群，限定传入数据，并通过匿名数据分析量化设备使用情况。该公司明白，收集的数据越多，服务就越好。因此，提高留存率对于提高服务质量和吸引更多用户至关重要。

DAZN 是一家订阅体育流媒体服务公司，该公司希望在现有市场和新市场中拓展业务。他们希望让小型数据团队能够大规模运行预测分析和机器学习项目。他们还希望找到一种方法，让不一定具备技术或机器学习经验的数据分析师能够以有意义的方式为有影响力的数据项目做出贡献。目标是以高级分析和机器学习为业务核心，支持底层数据文化。

英国一家大型医疗服务提供商正努力解决人员配置效率低下的问题，导致医生过度劳累、患者不满和成本高昂。该医院的人员配置流程主要是手动的，并且基于可用床位数量，这无法有效分配人员配置时间。缺乏数据驱动的决策阻碍了医院提供最佳护理和留住最佳医生的能力。该医院寻求一种技术解决方案，使其能够小规模地模拟患者流量，并根据患者需求预测推荐人员配置计划。

Infopro Digital 是一家跨媒体公司，希望为其广告客户提供更高级的定位选项。他们希望利用用户的导航路径和行为来更准确地定位那些可能对特定广告感兴趣的人，而不是使用基本的类别定位。这种高级定位需要经验丰富的技术团队来处理庞大的数据湖。然而，Infopro Digital 的营销团队需要能够自己处理查询和大部分日常工作，而无需每次都借助 IT 部门的帮助。营销团队之前对使用 Microsoft Excel 处理数据有一些了解，但他们对其计算和速度限制感到沮丧。Infopro Digital 还希望在公司内部开发任何新流程和技能，以降低成本和生产延迟。

OVH 是一家全球超大规模云服务提供商，其仪表板系统面临挑战。负责传播数据和见解以指导网站商业化和优化的业务分析师将 80% 以上的时间花在仪表板的数据准备上。现有仪表板仅提供基本的高级指标，并未结合不同的数据源以提供完整的视图。这需要进行临时分析，而分析师几乎没有时间进行此类分析。此外，仪表板的 ETL 流程让数据架构师对数据和见解的质量感到担忧，因为缺乏关于到底转换了哪些数据以及如何转换的透明度。

PriceMoov 是一家为客户提供最佳定价建议和解决方案的服务公司，但它面临着来自旧 SI 系统、Oracle 或 MySql 的数据的挑战。这些数据很脏，需要专职开发人员用 PHP 执行冗长的 ETL 步骤进行清理。清理后，数据集被痛苦地输入到模型中，因为它们是定制的管道。完成后，为下一位客户复制和部署的过程需要数周时间。这个漫长而艰巨的数据准备过程导致定价建议过时。

SendinBlue 是一家关系营销 SaaS 解决方案公司，在验证新客户和确保数据库质量方面面临巨大挑战。该公司必须确保列表中的所有联系人都已选择加入，这需要手动验证。这个过程不仅耗时且需要大量人力，而且还严重延迟了客户的帐户验证，损害了 SendinBlue 的声誉。随着客户群的增长，手动验证变得越来越不可行。该公司需要一种可以自动化验证过程并随着需求增长而扩展的解决方案。

不列颠哥伦比亚省技术安全局 (Technical Safety BC) 是一家独立的自筹资金组织，负责监督加拿大不列颠哥伦比亚省技术系统和设备的安全安装和运行。进行物理评估成本高昂，而误报检查每年都可能导致重大的机会成本。这些资源可以在安全系统中得到更好的分配；因此，找到一种更准确地预测危险的方法对该组织具有很高的战略价值，并为公众带来更大的安全效益。不列颠哥伦比亚省技术安全局希望通过在风险评估过程中引入更复杂的机器自主性，在资源水平相同的情况下找到更多的高危地点。面临的一些挑战包括：不协调的异构数据源；数据质量；协作速度；以及使用机器推荐预测的培训挑战。

客户是西欧的一家大型医院，由于数据来源不协调、数据不规范且质量低劣、结果风险调整不足以及医生分析流程缺乏自动化，在准确衡量医生和医疗机构的绩效方面面临挑战。他们正在寻求采用负责任的医疗组织 (ACO) 模式来改善临床结果并在成本上展开竞争。一些临床流程，如开出昂贵或不必要的药物或建议住院时间超过需要的时间，不仅成本高昂，而且对患者护理不利。客户估计，在错误的时间实施错误的护理每年造成高达 160 万美元的损失，他们认为这个问题可以通过准确的医生分析来解决。

领先的眼科光学公司 Essilor International 面临着改进表面处理机的流程和性能以大幅提高产量的挑战。镜片制造中的表面处理步骤复杂而精细，因为它赋予镜片光学功能。该公司旨在优化此步骤以符合每个人的个人处方和个人参数。然而，他们正在处理来自表面处理机的大量异构数据集，需要一种可扩展的方式来处理这些数据。该公司已经在使用物联网连接设备等持续监控技术，但他们希望更进一步，采用先进的算法和机器学习，根据实时洞察采取行动。

Showroomprivé 是一家专门从事闪购的电子商务零售商，他们在营销电子邮件的定位方面面临挑战。直到 2016 年，该团队都根据他们对品牌的了解手动选择这些营销电子邮件的目标受众。然而，这种方法带来了一些挑战。品牌的受众往往重叠或广泛，这意味着要多次接触一些潜在买家，而对其他买家则完全没有。这也意味着要撒下一张大网，可能会把电子邮件发送给对特定品牌不感兴趣的人。该项目的最终目标是让营销团队完全自主地定位和发送这些电子邮件。

不列颠哥伦比亚省律师协会是一家负责监管不列颠哥伦比亚省律师的非营利组织，该协会希望提高其信托保证审计计划的有效性。该组织监管着 3,800 家律师事务所，每年审计约 550 家律师事务所，这意味着每家律师事务所至少每四到六年接受一次审计。该协会拥有三十年的历史数据，这使他们能够根据律师事务所的风险水平对其进行分类：低风险、中性风险或高风险。该组织决定专注于风险因素，并在此基础上根据每家律师事务所的风险类别调整审计计划。不列颠哥伦比亚省律师协会的高级管理团队坚信，人工智能和机器学习将在不久的将来在他们的职责中发挥重要作用。他们知道是时候利用他们收集的数据并利用技术来识别模式和行为，并提高律师协会计划的有效性和效率了。

Malakoff Humanis 是法国领先的非营利性团体健康保险公司，在满足客户需求和提供优质客户服务方面面临着越来越大的挑战。该公司为公司、员工、个体经营者和单一付款人提供补充健康、福利和养老金合同。除了法国社会保障外，它还涵盖医疗报销，并指导客户选择护理机构。该公司有一个专门的数据科学和分析部门，由首席数据官领导。数据部门由四个主要分支组成，每个分支负责数据科学和分析、数据治理、数据架构和云以及人工智能和数据可视化。然而，该公司在有效管理客户索赔和改善电话客户协助方面遇到了困难。

Heetch 是一家成立于 2013 年的法国公司，目前已迅速发展到拥有 250 名员工，他们共同致力于一个目标：通过提供流畅的用户体验，让出行更加便捷。自成立以来，该公司已经从司机、乘客、全球运营等各个方面收集了大量数据，但他们却难以扩展实际利用这些数据的能力。五年来，数据仓库成本不断上升，随着数据量的增加，性能也受到影响。该公司需要找到一种解决方案，让组织中的任何人都能处理大量数据，同时确保优化资源分配。

法国保险公司 La Mutuelle Générale 拥有 70 多年的市场经验，服务超过 140 万客户和 8,000 家企业客户，每年营业额超过 11 亿欧元，但在客户获取方面却面临挑战。保险行业竞争激烈，各组织都在争相争取同一类型的客户。近年来，获取新客户的成本大幅增加。为了解决这个问题，La Mutuelle Générale 寻求开发一种销售决策支持工具，以帮助他们根据潜在客户的转化可能性及其潜在价值与获取成本的对比情况，了解潜在客户并确定其优先顺序。

MandM Direct 是英国最大的在线零售商之一，在快速发展的过程中面临着巨大的挑战。该公司在欧洲拥有超过 350 万活跃客户和 7 个专门的本地市场网站，每年向全球 25 多个国家/地区提供 300 多个品牌。他们的加速增长意味着更多的客户，因此也意味着更多的数据，这加剧了他们的一些挑战，并迫使他们寻找更具可扩展性的解决方案。两个主要挑战是将所有可用数据从孤岛中转移到统一的、可用于分析的环境中，并以可跟踪、透明和协作的方式扩展 AI 部署。最初，该公司的首批机器学习模型是用 Python（.py 文件）编写的，并在数据科学家的本地机器上运行。然而，随着生产中模型数量的增加，团队很快意识到维护模型的负担。

Coyote 是欧洲领先的实时道路信息提供商，它使用基于物联网的设备和移动应用程序来警告驾驶员交通危险和状况。该公司收集了有关其社区不同用途的大量数据，例如里程数、在路上花费的时间或社区成员发出的警报数量。最初，Coyote 从预测分析开始，以提高客户保留率。然而，他们希望利用其庞大数据源的价值，并在其核心产品和服务的核心实施数据驱动战略。他们的目标是使用物联网设备来提高道路安全。

Finexkap 是一家领先的金融科技公司，为西欧的 B2B 运营商、市场和电子商务提供数字解决方案，其数据科学团队面临着挑战。该团队只有三名数据科学家，他们使用笔记本中的 Python 和少量 C# 来自动化流程，但他们没有任何可视化工具来构建数据管道或进行动态数据分析。这种方法虽然实用，但极其繁琐，从长远来看，他们意识到这是不可持续的，尤其是考虑到公司的增长和未来产品和扩张的计划。

荷兰北荷兰省 (PNH) 着手成为一家更加数据驱动的组织。然而，他们在确定实现这一目标的必要步骤方面面临挑战，包括所需的技术和专业知识、设置实验和实施新流程。作为一家公共部门组织，他们还面临着独特的挑战，例如在进行实验和处理数据时需要考虑法规和社会影响。此外，他们必须在封闭的 IT 环境中工作，这限制了他们对数据科学工具的访问。他们还意识到需要数据科学家和技术来帮助他们成功实施数据科学计划，以及数据和业务驱动的重要性，以产生积极的绩效并鼓励整个组织利益相关者的认同。

Buildertrend 是一家领先的建筑项目管理软件公司，该公司希望通过利用数据科学来改善业务运营并提高住宅承包商的效率，从而颠覆住宅建筑行业。他们正在寻找一个数据科学平台，可以提高数据到洞察过程的速度和灵活性，实现全公司范围内的数据项目协作，并为数据科学家提供合适的工具和资源。该公司还热衷于自动执行重复性任务，改进文档实践，并增加模型中包含的数据量。他们的一个关键用例是减少客户流失，他们的目标是有效地定位有风险的账户，以大幅减少客户流失。