数据分析可以带来令人惊讶的洞察力，从而会为新项目或产品产生意想不到的创意，正如以下这六个真实案例所展示的那样。
成功的IT项目需要明确的目标，数据分析也是如此。在进行数据分析时，数据团队希望发现关于客户的有用信息，支持项目决策，提高生产率以及其他一系列目的。
但是考虑到数据分析属于探索性质，所以其带来的好处或洞察力有时非常突然，完全出乎意料之外，而且不是最初商业计划的内容。这些意外惊喜印证了一个想法，即所有数据分析都是值得的，因为你永远不知道会发生什么。
以下是一些组织的真实案例，他们从分析工作中获得了意想不到的好处。
当前业务的启动
Allegis Global Solutions公司开发了一个分析项目，即ACUMEN劳动力智能(ACUMEN Workforce Intelligence)平台，其目标是掌握三件事情：项目是如何执行的?与其他项目相比，这些项目执行情况如何?接下来我们该做什么?
“虽然开发该分析平台是为了形成一个历史视角来进行规划，但是我们发现用于解答这三件事情的分析工作在我们企业中产生了多米诺骨牌效应”，Allegis公司商业智能执行总监蒂姆约翰逊(Tim Johnson)说道。
约翰逊说：“由于数据是从我们所有项目中获取的，而且我们每天更新数据，所以我们对业务有着最新的观点。这使得我们最近推出了一个新的数据应用程序，可以帮助分析项目级和企业级的日常业务活动。”操作人员无需提交报告和分析信息来获取项目情况，而是他们可以对已经构建和提供的信息进行处理。
约翰逊说：“进行数据分析的更多好处是，分析结果采用率远高于最初的预期。现在我们设定的目标是每周分析结果有100%的内部采用率。因为我们的最终用户每天都在使用这些数据来提高业绩，所以他们也在密切关注这些信息，并将数据质量提高到一个新的水平。”
对于满足公司的最初分析目的而言，数据的准确性只需要达到90%到95%。但是对于运营而言，数据的准确率则需要达到98%至99%。约翰逊说：“随着整个组织的支持和认同，我们公司就已做到这一点。一想到这三个小问题就启动了这个组织全面进行数据转换，这很有趣。”
短期损失带来长期收益
数据分析工作帮助在线房地产资源提供商—Trulia公司对其推广活动的电子邮件策略进行了精细调整，最终增加了流量。
该公司工程副总裁迪普·瓦尔马(Deep Varma)说，我们每天都会发送许多电子邮件，这增加了客户取消订阅的数量。他说：“然后，我们改变了我们的方法，将电子邮件进行整合，这样我们每天只发送一封电子邮件。”
起初，Trulia公司的用户参与度有所下降，因此又取消了这一新方法。但是，该公司随后决定对这种新方式进行更长期的测试，然后看到了较好的结果，这并非与最初预期一致，瓦尔马说道。
“在这个案例中，最初，数据显示某些工作是错误的，因为我们没有扩大我们的测试范围，”瓦尔马说。“一旦我们扩大了测试范围，我们就会获得一个意想不到的好处，即我们从未想过流量会增加，因为一周内的数据显示其流量是在下降的。但是，通过更长时间的测试，分析证明情况正好相反。”
在另一个案例中，数据分析使我们开发出一种新产品，这并非最初的意图。
瓦尔马说：“我们看到有些消费者在向代理商进行询价后就放弃了，所以我们创建了一个信息发布体验环节，在此环节中我们会向他们展示与他们刚才所询问内容的推荐列表。因此，由于提供这个新的推荐内容，消费者开始返回，并且返回的频率更高。”
保修问题让位于物联网解决方案
在罗克韦尔自动化公司，公司的产品质量团队向分析团队提交了一个项目。
罗克韦尔自动化公司商业智能主管桑吉塔·埃德温(Sangeeta Edwin)表示：“我们遇到了保修管理的难题。我们不是只看问题本身，而是将我们数据分析团队的工作扩展开，专注于确定返厂产品的根本原因。”
通过将数据追溯到机器级别，团队发现了一个制造缺陷，这一组装故障与保修返厂产品是相关联的。“这有助于提升我们的战略和平台，将物联网(IoT)机器数据分析纳入其中。”埃德温说。
埃德温说，这个简单的数据分析工作转变为一个令人惊讶的业务解决方案。她说：“我们从质量部门学到知识，并为我们的客户打造了我们自己的设备级数据分析平台。通过数据分析，我们将业务问题转化为对客户有用的一个工具，并为我们创造了新的收入来源。”
变量错误揭示出隐藏的原因
多年来，为医疗行业提供软件产品的供应商--Decision Point Healthcare Solutions公司已经发现，其健康计划客户通过针对有多次住院可能的高风险人群进行现场和电话治疗管理项目，显著降低了这一群体的再入院率。
在这些情况下，Decision Point公司使用专门的预测建模算法对其成员或患者进行识别，在其初次“登记”入院之前，预测其30天内有可能两次入院的人员。Decision Point公司创始人兼首席执行官赛义德•阿明扎德(Saeed Aminzadeh)表示：“简而言之，健康计划走在患者再次入院之前，锁定合适的个人来避免其初次入院，再次入院，或同时避免这两种情况。”
事后看来，这是一个很好的方法，但是Decision Point公司是很意外地发现了这一方法，Aminzadeh说道。对于健康管理工作来说，Decision Point公司的传统方法包括预测极有可能避免入院的患者，预测极有可能到急诊室(ER)就诊的患者及其费用。
当Decision Point公司的数据科学家在预测模型开发过程中错误地将再入院患者作为因变量(即正在被预测的变量)替换入院患者时，就发现了可预测多次和频繁入院的新方法。
经过仔细分析，发现该新模型与Decision Point公司的传统预测模型有很大的不同。虽然传统模型可预测入院患者、费用和急诊就诊，但新方法可确定高风险个人的临床和使用率的综合问题，可预测多次和频繁入院患者，并关注那些出现临床问题和社会经济问题的一部分人员。
“例如，虽然传统模式可识别患者是患有多种慢性病的高风险个体，但是新模式可识别患者是患有慢性病而且还有其他问题的高风险个体，例如独居、与医生缺乏联系、没有信用卡、无健康认知力、无行为健康能力，”或其他问题，Aminzadeh说。这是一个重要的发现，因为该发现表明，为了降低再入院率，医疗机构不仅要能够解决个人的临床问题，还要消除加剧这些临床问题的社会经济障碍。
重新认识基层医疗的重要性
医疗保险公司--Health Care Service Corp.已经从数据分析中获得了类似的意外收获。
Health Care Service公司的企业分析和治理执行董事Himanshu Arora说：“我们发现了一个隐藏的极具价值的东西，最初希望提取数据来帮助我们识别出那些可避免去急诊室就诊的个体，找到其去就诊的原因(即非急诊病症)以及他们为何要这样做。”
如果公司10%的员工参加了健康管理组织(HMO)计划，那么，因为他们可以获得初级保健医生(PCP)的服务，则预计他们会有不到10%的人被划入可避免急诊服务而去就诊的这一群体。Arora说：“我们发现了一个相反方向的趋势，数量差不多是四倍。这10%的员工在急诊室中就诊数量占所有可避免就诊服务的40%。”
急诊室就诊的高成本，会员去急诊室的不便，以及并未从可防止或减轻这些健康问题的服务中受益，这使得公司尽力去寻找办法来帮助会员，而不仅仅是提供网络内医疗服务机构。
Arora说：“我们又重新开始，以更好地理解是哪些医疗的决定因素(比如语言障碍、交通问题和时间安排等问题)导致我们的健康管理组织(HMO)会员去急诊室就诊而不是去找初级保健医生(PCP)诊治。我们让我们的供应商网络参与其中，帮助他们主动联络会员，确保会员可得到他们需要的医疗服务，并重新评估我们的产品和网络设计，以加强与供应商的风险分担模式，这样他们就有更多的动力根据数据分析结果去帮助识别会员和采取相应措施。”
重新定义最佳客户以及分析方法
Zeta Global公司为营销应用程序提供软件平台，利用数据分析来支持客户端和企业内部举措，例如开发用于在客户端数据中进行预测的算法，用于网络流量管理的流量日志分析或用于安全管理的信号分析。
Zeta Global公司首席信息官杰弗里·尼梅诺夫(Jeffry Nimeroff)表示：“数据的预测能力往往在您意想不到的地方出现。非监督技术的存在是因为信息存在于数据中，这些数据已超出个人(即使你很聪明)可以找到和清除的范围。意想不到的结果是其神奇的一部分，而且我们有很多案例，让我们对发现的结果感到吃惊”。
其中一个案例涉及降低技术成本。尼梅诺夫说：“大多数组织在部署技术和承担相关技术成本过程中，最终都会采用某种形式的影子技术。为了提高工作效率，个人可以找到适合他们的工具。”
最近参与了安全运营中心合作伙伴关系工作，重点实施了威胁情报工作。尼梅诺夫说，预期的目标是持续推进安全成熟度，但意想不到的成果是发现了安全技术的隐性成本。
尼梅诺夫说：“带着这种直观认识，我们能够与某些人探讨一些特定的技术，其中一些技术他们已完全忘记了，然后终止了一些服务，使得成本降低了六位数。
另一个案例来自一家公司，他们想确定其客户所服务的消费者中，哪些是最佳消费者。
尼梅诺夫说：“客户端分析方面的大量工作关注于扩大受众群体。在这种情况下，Zeta公司将利用我们的专有数据将个人档案与那些客户端提供的具有共同属性的个人档案进行匹配。拥有更多的最佳消费者将会产生更好的结果。”
尼梅诺夫表示，在建立模型预测其客户应该向他们最佳消费者提供哪些营销信息以达到最大效果之后，Zeta公司发现受众群体的表现与对照组类似。他说：“通过荟萃分析，结果是客户提供的原始数据并不是他们最佳消费者群体，因为客户限制了那些他们认为对判定消费者是否有最佳表现的重要属性。”
当Zeta公司开始提升洞察力并将分析工作扩展到客户数据库时，就可以利用更多的消费者属性，就能够提供更好的受众群体数据。通过从客户端的数据库和消息发送对象开始工作，但没有先入为主的重要属性概念，Zeta公司能够帮助提取最佳的客户端数据集。尼梅诺夫说：“这种扩展方法已经在Zeta公司内带来了新的实践领域。”
