對于滿足公司的最初分析目的而言，數據的準確性只需要達到90%到95%。但是對于運營而言，數據的準確率則需要達到98%至99%。約翰遜說：“隨著整個組織的支持和認同，我們公司就已做到這一點。一想到這三個小問題就啟動了這個組織全面進行數據轉換，這很有趣。”
短期損失帶來長期收益
數據分析工作幫助在線房地產資源提供商—Trulia公司對其推廣活動的電子郵件策略進行了精細調整，最終增加了流量。
該公司工程副總裁迪普·瓦爾馬(Deep Varma)說，我們每天都會發送許多電子郵件，這增加了客戶取消訂閱的數量。他說：“然后，我們改變了我們的方法，將電子郵件進行整合，這樣我們每天只發送一封電子郵件。”
起初，Trulia公司的用戶參與度有所下降，因此又取消了這一新方法。但是，該公司隨后決定對這種新方式進行更長期的測試，然后看到了較好的結果，這并非與最初預期一致，瓦爾馬說道。
“在這個案例中，最初，數據顯示某些工作是錯誤的，因為我們沒有擴大我們的測試范圍，”瓦爾馬說。“一旦我們擴大了測試范圍，我們就會獲得一個意想不到的好處，即我們從未想過流量會增加，因為一周內的數據顯示其流量是在下降的。但是，通過更長時間的測試，分析證明情況正好相反。”
在另一個案例中，數據分析使我們開發出一種新產品，這并非最初的意圖。
瓦爾馬說：“我們看到有些消費者在向代理商進行詢價后就放棄了，所以我們創建了一個信息發布體驗環節，在此環節中我們會向他們展示與他們剛才所詢問內容的推薦列表。因此，由于提供這個新的推薦內容，消費者開始返回，并且返回的頻率更高。”
保修問題讓位于物聯網解決方案
在羅克韋爾自動化公司，公司的產品質量團隊向分析團隊提交了一個項目。
羅克韋爾自動化公司商業智能主管桑吉塔·埃德溫(Sangeeta Edwin)表示：“我們遇到了保修管理的難題。我們不是只看問題本身，而是將我們數據分析團隊的工作擴展開，專注于確定返廠產品的根本原因。”
通過將數據追溯到機器級別，團隊發現了一個制造缺陷，這一組裝故障與保修返廠產品是相關聯的。“這有助于提升我們的戰略和平臺，將物聯網(IoT)機器數據分析納入其中。”埃德溫說。
埃德溫說，這個簡單的數據分析工作轉變為一個令人驚訝的業務解決方案。她說：“我們從質量部門學到知識，并為我們的客戶打造了我們自己的設備級數據分析平臺。通過數據分析，我們將業務問題轉化為對客戶有用的一個工具，并為我們創造了新的收入來源。”
變量錯誤揭示出隱藏的原因
多年來，為醫療行業提供軟件產品的供應商--Decision Point Healthcare Solutions公司已經發現，其健康計劃客戶通過針對有多次住院可能的高風險人群進行現場和電話治療管理項目，顯著降低了這一群體的再入院率。
在這些情況下，Decision Point公司使用專門的預測建模算法對其成員或患者進行識別，在其初次“登記”入院之前，預測其30天內有可能兩次入院的人員。Decision Point公司創始人兼首席執行官賽義德•阿明扎德(Saeed Aminzadeh)表示：“簡而言之，健康計劃走在患者再次入院之前，鎖定合適的個人來避免其初次入院，再次入院，或同時避免這兩種情況。”
事后看來，這是一個很好的方法，但是Decision Point公司是很意外地發現了這一方法，Aminzadeh說道。對于健康管理工作來說，Decision Point公司的傳統方法包括預測極有可能避免入院的患者，預測極有可能到急診室(ER)就診的患者及其費用。
當Decision Point公司的數據科學家在預測模型開發過程中錯誤地將再入院患者作為因變量(即正在被預測的變量)替換入院患者時，就發現了可預測多次和頻繁入院的新方法。
經過仔細分析，發現該新模型與Decision Point公司的傳統預測模型有很大的不同。雖然傳統模型可預測入院患者、費用和急診就診，但新方法可確定高風險個人的臨床和使用率的綜合問題，可預測多次和頻繁入院患者，并關注那些出現臨床問題和社會經濟問題的一部分人員。
“例如，雖然傳統模式可識別患者是患有多種慢性病的高風險個體，但是新模式可識別患者是患有慢性病而且還有其他問題的高風險個體，例如獨居、與醫生缺乏聯系、沒有信用卡、無健康認知力、無行為健康能力，”或其他問題，Aminzadeh說。這是一個重要的發現，因為該發現表明，為了降低再入院率，醫療機構不僅要能夠解決個人的臨床問題，還要消除加劇這些臨床問題的社會經濟障礙。
重新認識基層醫療的重要性
醫療保險公司--Health Care Service Corp.已經從數據分析中獲得了類似的意外收獲。
Health Care Service公司的企業分析和治理執行董事Himanshu Arora說：“我們發現了一個隱藏的極具價值的東西，最初希望提取數據來幫助我們識別出那些可避免去急診室就診的個體，找到其去就診的原因(即非急診病癥)以及他們為何要這樣做。”
如果公司10%的員工參加了健康管理組織(HMO)計劃，那么，因為他們可以獲得初級保健醫生(PCP)的服務，則預計他們會有不到10%的人被劃入可避免急診服務而去就診的這一群體。Arora說：“我們發現了一個相反方向的趨勢，數量差不多是四倍。這10%的員工在急診室中就診數量占所有可避免就診服務的40%。”
急診室就診的高成本，??會員去急診室的不便，以及并未從可防止或減輕這些健康問題的服務中受益，這使得公司盡力去尋找辦法來幫助會員，而不僅僅是提供網絡內醫療服務機構。
Arora說：“我們又重新開始，以更好地理解是哪些醫療的決定因素(比如語言障礙、交通問題和時間安排等問題)導致我們的健康管理組織(HMO)會員去急診室就診而不是去找初級保健醫生(PCP)診治。我們讓我們的供應商網絡參與其中，幫助他們主動聯絡會員，確保會員可得到他們需要的醫療服務，并重新評估我們的產品和網絡設計，以加強與供應商的風險分擔模式，這樣他們就有更多的動力根據數據分析結果去幫助識別會員和采取相應措施。”
重新定義最佳客戶以及分析方法
Zeta Global公司為營銷應用程序提供軟件平臺，利用數據分析來支持客戶端和企業內部舉措，例如開發用于在客戶端數據中進行預測的算法，用于網絡流量管理的流量日志分析或用于安全管理的信號分析。
Zeta Global公司首席信息官杰弗里·尼梅諾夫(Jeffry Nimeroff)表示：“數據的預測能力往往在您意想不到的地方出現。非監督技術的存在是因為信息存在于數據中，這些數據已超出個人(即使你很聰明)可以找到和清除的范圍。意想不到的結果是其神奇的一部分，而且我們有很多案例，讓我們對發現的結果感到吃驚”。
其中一個案例涉及降低技術成本。尼梅諾夫說：“大多數組織在部署技術和承擔相關技術成本過程中，最終都會采用某種形式的影子技術。為了提高工作效率，個人可以找到適合他們的工具。”
最近參與了安全運營中心合作伙伴關系工作，重點實施了威脅情報工作。尼梅諾夫說，預期的目標是持續推進安全成熟度，但意想不到的成果是發現了安全技術的隱性成本。
尼梅諾夫說：“帶著這種直觀認識，我們能夠與某些人探討一些特定的技術，其中一些技術他們已完全忘記了，然后終止了一些服務，使得成本降低了六位數。
另一個案例來自一家公司，他們想確定其客戶所服務的消費者中，哪些是最佳消費者。
尼梅諾夫說：“客戶端分析方面的大量工作關注于擴大受眾群體。在這種情況下，Zeta公司將利用我們的專有數據將個人檔案與那些客戶端提供的具有共同屬性的個人檔案進行匹配。擁有更多的最佳消費者將會產生更好的結果。”
尼梅諾夫表示，在建立模型預測其客戶應該向他們最佳消費者提供哪些營銷信息以達到最大效果之后，Zeta公司發現受眾群體的表現與對照組類似。他說：“通過薈萃分析，結果是客戶提供的原始數據并不是他們最佳消費者群體，因為客戶限制了那些他們認為對判定消費者是否有最佳表現的重要屬性。”
當Zeta公司開始提升洞察力并將分析工作擴展到客戶數據庫時，就可以利用更多的消費者屬性，就能夠提供更好的受眾群體數據。通過從客戶端的數據庫和消息發送對象開始工作，但沒有先入為主的重要屬性概念，Zeta公司能夠幫助提取最佳的客戶端數據集。尼梅諾夫說：“這種擴展方法已經在Zeta公司內帶來了新的實踐領域。”