Consider an example from a New York

Consider an example from a New York Times story from 2004:
Hurricane Frances was on its way, barreling across the Caribbean, threatening a direct hit on Florida’s Atlantic coast. Residents made for higher ground, but far away, in Ben‐ tonville, Ark., executives at Wal-Mart Stores decided that the situation offered a great opportunity for one of their newest data-driven weapons ... predictive technology. A week ahead of the storm’s landfall, Linda M. Dillman, Wal-Mart’s chief information officer, pressed her staff to come up with forecasts based on what had happened when Hurricane Charley struck several weeks earlier. Backed by the trillions of bytes’ worth of shopper history that is stored in Wal-Mart’s data warehouse, she felt that the company could ‘start predicting what’s going to happen, instead of waiting for it to happen,’ as she put it. (Hays, 2004) Consider why data-driven prediction might be useful in this scenario. It might be useful to predict that people in the path of the hurricane would buy more bottled water. Maybe, but this point seems a bit obvious, and why would we need data science to discover it? It might be useful to project the amount of increase in sales due to the hurricane, to ensure that local Wal-Marts are properly stocked. Perhaps mining the data could reveal that a particular DVD sold out in the hurricane’s path—but maybe it sold out that week at Wal-Marts across the country, not just where the hurricane landing was imminent. The prediction could be somewhat useful, but is probably more general than Ms. Dillman was intending.

Kết quả (Việt) 1:

Hãy xem xét một ví dụ từ một câu chuyện New York Times từ năm 2004:Hurricane Frances là trên đường, rơi trên vùng biển Caribbe, đe dọa một hit trực tiếp trên bờ biển Đại Tây Dương Florida. Cư dân làm cho cao hơn mặt đất, nhưng xa, trong Ben‐ tonville, Ark., giám đốc điều hành tại các cửa hàng của Wal-Mart đã quyết định rằng tình hình cung cấp một cơ hội lớn cho một trong mới nhất của dữ liệu điều khiển vũ khí... kiểu công nghệ. Một tuần trước cơn bão rơi xuống đất, Linda M. Dillman, các nhân viên thông tin trưởng Wal-Mart, ép nhân viên của mình để đưa ra dự đoán dựa trên những gì đã xảy ra khi bão Charley xảy ra một vài tuần trước đó. Được ủng hộ bởi các tỷ byte giá trị lịch sử mua sắm được lưu trữ trong kho dữ liệu Wal-Mart, cô có thể cảm thấy rằng công ty có thể 'bắt đầu dự đoán những gì sẽ xảy ra, thay vì chờ đợi nó xảy ra,' như cô đặt nó. (Hays, 2004) Xem xét lý do tại sao dữ liệu điều khiển dự đoán có thể là hữu ích trong trường hợp này. Nó có thể là hữu ích để dự đoán rằng người trong đường đi của bão sẽ mua thêm chai nước. Có lẽ, nhưng thời điểm này có vẻ như một chút rõ ràng, và tại sao chúng ta cần dữ liệu khoa học để phát hiện ra nó? Nó có thể là hữu ích cho dự án số lượng gia tăng doanh số bán hàng do bão, để đảm bảo rằng Wal-Marts địa phương đúng được thả. Có lẽ có thể khai thác dữ liệu có thể tiết lộ một DVD đặc biệt bán ra trong đường dẫn của cơn bão-nhưng có lẽ nó bán ra rằng tuần tại Wal-Marts trên toàn quốc, không chỉ nơi chiếc hurricane hạ cánh là sắp xảy ra. Dự báo có thể phần nào hữu ích, nhưng có thể tổng quát hơn là bà Dillman đã có ý định.

Kết quả (Việt) 2:

Hãy xem xét một ví dụ từ một câu chuyện New York Times từ năm 2004:
Bão Frances đang trên đường, chuồi qua vùng biển Caribbean, đe dọa một hit trực tiếp trên bờ biển Đại Tây Dương của Florida. Cư dân thực hiện cho vùng đất cao hơn, nhưng ở xa, ở ích tonville, Ark., Giám đốc điều hành tại Wal-Mart Stores quyết định rằng tình hình cung cấp một cơ hội tuyệt vời cho một trong những vũ khí dựa trên dữ liệu mới nhất của họ ... công nghệ tiên đoán. Một trước tuần đổ bộ của cơn bão, Linda M. Dillman, giám đốc thông tin của Wal-Mart, ép nhân viên của mình để đến với dự báo dựa trên những gì đã xảy ra khi cơn bão Charley đánh vài tuần trước đó. Được hỗ trợ bởi hàng nghìn tỷ byte 'giá trị của lịch sử mua sắm được lưu trữ trong kho dữ liệu của Wal-Mart, cô cảm thấy rằng công ty có thể' bắt đầu dự đoán những gì sẽ xảy ra, thay vì chờ đợi cho nó xảy ra, 'như cô đặt nó. (Hays, 2004) xem xét tại sao dự đoán dựa trên dữ liệu có thể có ích trong trường hợp này. Nó có thể là hữu ích để dự đoán rằng những người trong đường đi của cơn bão sẽ mua nước đóng chai hơn. Có thể, nhưng thời điểm này có vẻ như một chút rõ ràng, và tại sao chúng ta cần phải khoa học dữ liệu để khám phá nó? Nó có thể là hữu ích để dự kiến số lượng gia tăng doanh thu do các cơn bão, để đảm bảo rằng cửa hàng Wal-Marts được thả đúng. Có lẽ khai thác dữ liệu có thể tiết lộ rằng một DVD đặc biệt được bán ra trong những cơn bão path-nhưng có lẽ nó được bán ra trong tuần đó tại Wal-Marts trên khắp đất nước, không chỉ là nơi hạ cánh bão sắp xảy ra. Các dự đoán có thể được phần nào hữu ích, nhưng có lẽ là tổng quát hơn bà Dillman đã có ý định.