数据科学的核心是机器学习。但在现实环境中，教科书式的问题如；分析谁会购买，评估网页排名或预测系统将崩溃，如此简单明白的课题往往是不存在的。而在这篇文章中，我们会从更实际的情景来讨论数据科学的使用， 而建议分析（Prescriptions Analysis）作为将【机器学习】和【全局优化】相结合的技术，在解决日常中实际的问题如何扮演一个重要的角色。的强大力量

大部分的工厂自动化，主要的困难并不在于说使用什么模型，或者如何做分析，反而是很多时候，因为数据的采集，而造成的对于关键资料的收集困难。10/29总部有一个很有趣的网上视频讨论，主要是讲关于在工厂自动化中所碰到的问题和解决方案。其中特别有意思的是对于一些传统工厂中如何做数据收集做出演示。

所有公司在营销方面基本都面临三大挑战：客户理解、 ROI优化和潜客转换。到底是哪些人为什么会购买我们的产品？投入的营销费用到底效果如何最优化？如何把有可能的潜客最有效的转为购买顾客？而这三大灵魂拷问一直困扰着营销人员。

对于数据分析我们之前讨论过，这是一个“赋能”的技术，可以做到所谓“见不可见，知不可知，为不可为”。这边，我们就用营销来做一个非常典型的例子说明。

如同我们之前所谈到的，任何数据分析，包括数据营销也是一样，都需要使用 CRISP-DM 的流程，建立对系统的完整理解。通过这个思维框架，以确定目标、掌握数据、建立模型、实际应用。所以明白整体的实用目的，永远是数据分析中最重要的任务。

如何有效有序的建造一个平台，可以通过2014年我写的一本书“钻石营销”来把这个问题讲解清楚。整体理论是以客户为主，从厂商的角度将其中的历程分为三个阶段：获取/维护/转换（Acquisition / Retention / Conversation），ARC模式最主要功能是能够将客户流程的核心功能，依照不同的阶段，利用科技的手段建立可操作的平台，通过这个平台能与有效的和现有的营销体系相结合，产生最大的效用。