很多情况下，数据科学的技术层面并不需要太复杂。市面上有很多优秀的书籍、博客、MOOC 和 Meetup，它们都是免费的，或者只需相对较少的投资，因此可以快速掌握最常用技术的基础知识。诸如pandas、scikit-learn和TensorFlow等界面友好的开源库，原则上确保任何有技术背景的人都能快速上手。
然而，数据科学项目并非总是一帆风顺。数据科学项目的失败通常并非源于缺乏技术知识，而更多地源于项目的设计。幸运的是，持续应用一些相对简单的指导原则可以帮助项目取得成功。
客户对此非常满意：多年来的投资优化流程可以得到更好的设计。创新的数学计算是决定性因素。我们先进的实施方案现在也成为美国软件合作伙伴大型软件包中的一个模块。我们还与客户和该软件合作伙伴共同在《资产》杂志上发表了题为“数字的力量”的文章。
最近，我们为另一位客户优化了股票投资组合。我们首先从彭博 最近的手机号码数据 据库中获取数据，并在 MATLAB 中自动检索。然后，我们从零开始为客户构建并测试了一个数学模型。这表明，股票市场几乎可以实现自动化交易。
VORtech 的科学软件工程师Erwin Mulder表示：“对我来说，这是一次很好的练习，让我能够将现有的想法付诸实践。MATLAB 是这个应用的自然之选。在这个项目中，我们与客户密切合作，明确并解决问题。同时，我们从零开始构建了 MATLAB 代码。我们很高兴看到该程序在交易实践中真正发挥作用。”
保险产品快速估值
我们曾为一位保险行业的客户处理过复杂保险产品的估值流程。每次估值时，客户都会进行一系列现金流计算。不同的市场参数各不相同，需要计算不同的情景。最终的问题维度非常高。因此，原有的软件工具需要耗费大量的计算时间才能计算出结果。