Euskaltel Group 是西班牙一家领先的电信公司，该公司计划在全国范围内扩张业务。该公司需要一种可扩展的方式来使用人工智能和机器学习来吸引和留住客户、减少违约率并发现交叉销售机会。他们的商业智能团队在有限的基础上尝试了人工智能，但仍花费了大量时间编写代码。挑战在于找到一种更高效、更有效的方式来在工作流程中使用人工智能和机器学习。

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。

Matmut 是法国保险市场的主要参与者，该公司高度依赖数据来提升公司几乎每个领域的业务。然而，该公司在严格的隐私法规限制内获取洞察方面面临挑战。Matmut 的数据实验室使用单个 Jupyter 笔记本构建预测模型，这个过程是手动的，需要大量编码。这种方法效率不高，而且无法促进数据科学家和企业之间的协作。该公司需要一个可以减少工作量并实现协作的单一解决方案。

Turo 是全球最大的汽车共享市场，该公司希望通过利用数据洞察来优化其运营。该公司在美国、加拿大和英国将客人和车主联系起来，实现互利共赢。Turo 拥有超过 130 万活跃客人和超过 85,000 名活跃主人，为 1,300 个独特品牌和型号的 160,000 多辆活跃汽车提供支持，因此 Turo 需要一种方法来有效管理其庞大的运营业务。该公司旨在利用数据洞察来优化定价、风险和营销策略。然而，其运营规模之大给数据管理和分析带来了巨大挑战。

美国陆军面临的挑战是确定因合同到期而可能损失的资金。他们需要一种创新的 AI 解决方案，帮助合同官员准确预测最有可能资金不足的合同，以便他们可以快速解除合同并将这些资金重新分配给其他高优先级项目。未清偿债务 (ULO) 项目诞生于陆军总部分析实验室 (HAL) 和 Deep Green OBT 计划。

MinterEllison 是一家跨国顶级法律和专业服务公司，该公司希望在其 2025 战略中实现盈利和可持续发展。该公司在五个国家开展业务，需要更复杂、更具预测性的视角来了解可能发生的情况，尤其是在 COVID-19 疫情之后。该公司现有的数据分析平台不足以完成这项任务。该公司的数据和分析主管 Shaheen Saud 强调需要充分了解绩效和机会，这促使 MinterEllison 对其 IT 和数字服务基础设施进行了创新审视。

Embrace Home Loans 是一家知名的抵押贷款机构，在美国 50 个州和哥伦比亚特区均有执照，该公司希望优化其在数字和直邮渠道上的营销支出。该公司希望最大限度地提高营销支出，并增加所有营销渠道的收入。挑战在于在 Embrace 的整个运营规模上做到这一点，这是一项艰巨的任务。该公司需要一个可以管理数百个 Jupyter 笔记本并对数百万行数据运行 SQL 查询的解决方案。该解决方案还需要确保 Embrace 客户数据的安全，其中包括基于风险和基于标准的安全协议来保护所有数据。

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。

Sanlam 是非洲最大的非银行金融机构，其存在的目的是让几代人拥有财务安全、繁荣和自信。然而，该公司在数据科学运营方面面临着挑战。他们使用的开源 AI 选项操作起来很麻烦，而且缺乏对业务利益相关者和合规性的关键可解释性。这阻碍了他们推动销售和客户保留等关键业务价值杠杆的能力。该公司需要一种更精简、更透明的 AI 解决方案，以帮助他们改善运营并实现更好的结果。

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。

Cegid 是一家提供云服务和管理软件解决方案的法国科技公司，它面临的挑战是在更短的时间内创建更多模型，同时尽量减少所需的技术技能和资源。该公司为 150 个国家/地区的 35 万客户提供服务，收入为 6.32 亿欧元。Cegid 的预测分析团队面临着满足频繁收购带来的不断增长的需求的压力。该团队的任务是解决越来越多的业务挑战，包括预测发票付款的可能性以及客户添加服务的倾向。

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。

AUTOproff 是欧洲领先的数字经销商对经销商交易公司，在扩大业务规模方面面临挑战。该公司在 2021 年拍卖了超过 10 万辆汽车，难以在向客户承诺的 20 分钟内提供汽车价值估算。这项任务完全依赖于一支技术娴熟的汽车专业人员团队。随着公司的发展，扩大规模的需求变得越来越重要。挑战在于实现汽车价值估算流程的自动化，以加快客户的周转时间，并让数据科学家和估算师腾出时间专注于工作中更有价值的部分。

医疗保健 AI 公司 Decode Health 一直依靠预测分析来利用数据发现新事物。然而，在早期，建模是一项缓慢的手动任务。分析一个数据集可能需要两到三周的时间，需要两到三名数据团队成员全天候工作。这种繁琐的手动工作包括大量时间准备数据、等待模型、重新校准和再次等待。该公司需要一种可以简化此流程并更快、更经济高效地提供准确结果的解决方案。

凤凰城儿童医院是美国最大的儿科医疗系统之一。38 年来，它为儿童和家庭提供世界一流的住院、门诊、创伤、急诊和紧急护理。该组织一直走在创新的前沿，被公认为美国顶级儿童医院之一。凤凰城儿童医院希望利用分析来改善临床和运营决策。然而，手动构建一个模型花了大半年的时间。该医疗保健系统知道，有一定比例的患有其他健康问题的儿童实际上可能患有未确诊的营养不良。如果他们能够识别营养不良病例，他们就可以进行干预并影响结果。

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。

Ngozi Dozie 和他的兄弟 Chijioke 发现尼日利亚金融领域存在巨大差距，特别是在消费贷款和信贷基础设施领域。在尼日利亚 1 亿成年人中，超过 4000 万人没有银行账户，全国只有大约 20 万张信用卡。商业银行不愿提供消费贷款，因为向没有信用记录的消费者放贷风险很高。在尼日利亚这样的市场建立信用评分是一项巨大的挑战，因为几乎没有记录的财务历史或资产所有权。这为 Ngozi 和他的兄弟创办的金融科技公司 Carbon 提供了一个机会，帮助服务尼日利亚银行服务不足的人群。

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。

帕拉马塔天主教教育教区 (CEDP) 是一家教育机构，在新南威尔士州拥有 80 所学校和 44,500 名学生。该机构拥有大量学生数据，从成绩到出勤率再到人口统计。然而，CEDP 缺乏内部资源来挖掘这些数据，以提高学生成绩并推进运营目标。他们寻求一种解决方案，帮助他们利用这些数据来提高学生的成功率和运营水平。

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 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。

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。

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。