分析跨界

奈飞处理来自 1.5 亿多个个人资料的观看模式，以预测你下一步想看的内容，将内容分类到数千个微类型中，以匹配特定的观众偏好。

就像奈飞识别观看模式以推荐你下一部值得追的剧一样，MISsimulation 中的学生识别选民模式以提供有针对性的竞选信息。两者都需要复杂的细分和根据过去偏好预测行为的能力。

星巴克应用追踪购买历史、位置数据和时间模式，在你最可能使用时发送个性化优惠--不只是通用的折扣，而是针对你实际购买的产品的特定时机促销。

你在仿真策略中运用的时机和相关性原则非常适合星巴克的营销部门。掌握在战略时机针对特定选民发布基于问题的信息的学生，本质上是在练习星巴克用来决定何时向你提供半价星冰乐的相同技能。

UPS 的 ORION 系统每天处理来自 2.5 亿个地址点的数据，以确定最高效的递送路线，在最大化司机生产力的同时，为公司节省了数百万美元的燃料成本。

学生在跨不同岛屿区域分发有限的竞选资金时做出的资源分配决策，反映了 UPS 优化递送资源的挑战。两者都需要利用有限的资源最大化影响力。

美国运通通过机器学习算法处理数十亿笔交易，这些算法能以比你开口说“那不是我买的”更快的速度发现欺诈支出。他们的模型能识别出人类会忽略的细微模式。

当高级学生分析对手策略或在仿真中识别有影响力的选民时，他们正在练习类似于驱动欺诈检测系统的模式识别。

声田通过分析不仅是你听什么，还有你如何听--跳过、重播、一天中的时间，甚至是歌曲在用户创建的播放列表中的过渡方式，来创建那些极其准确的个性化播放列表。

MISsimulation 中成功的竞选策略需要同时理解个人偏好和更广泛的人口统计模式--这正是声田保持你持续播放所需要的。

沃尔玛的需求预测考虑了从天气模式到当地体育赛事的所有因素，以确保在正确的时间将正确的产品摆在货架上。他们的分析防止了缺货和库存过剩。

正如学生预测选民投票率和响应率以分配资源一样，沃尔玛预测客户行为以便在数千家商店中高效分配库存。

前进保险的 Snapshot 项目追踪实际的驾驶行为--紧急刹车、加速模式、一天中的时间--而不是仅仅依靠人口统计因素来设定保险费率。

从基于人口统计的定位向基于行为的定位转变是这两个背景下的关键。发现传统人口统计细分对选民偏好的预测不如行为数据准确的学生，正在学习前进保险应用于彻底改变保险定价的经验。

丝芙兰的忠诚度计划通过电子邮件、移动应用程序和店内体验提供个性化的产品推荐和优惠--无论客户如何参与，都能创造无缝体验。

高级 MISsimulation 游戏需要跨线下竞选和在线微型博客协调消息传递--正如丝芙兰必须在多个渠道创造凝聚力的体验一样。