第 11.1 節開場案例。原書回顧 Land O’Lakes／Purina 在前面章節的資料科學專案，重點不再是模型本身，而是導入過程中的問題定義、資料治理、溝通與商業敘事。
理解資料科學專案為何必須先釐清問題、區分商業問題與研究問題、處理資料治理，並持續與領域專家溝通。
Land O’Lakes 創立於 1921 年，是由數百名乳農組成的合作社。其子公司 Purina Animal Nutrition 服務超過 4,700 個地方合作社、獨立經銷商與大型零售商，累積大量研究與產品資料。
| 原書指標 | 數值／內容 |
|---|---|
| 地方合作社／經銷商／大型零售商 | 超過 4,700 |
| 營養解決方案 | 超過 235 種 |
| 動物物種 | 24 種 |
| 研究 | 超過 24,000 項 |
| 專利 | 超過 125 件 |
| 已分析營養組合 | 超過 1,500 種 |
| 原書強調的專案課題 | 問題釐清、商業／研究問題、因果與預測、資料治理、溝通、探索性資料分析、特徵工程 |
原書建議在專案規劃前先與商業使用者／研究者反覆問答，釐清問題類型與成功指標，再進入資料工程、探索性資料分析（Exploratory Data Analysis, EDA）、特徵工程與模型開發。中間結果也應持續與業務端溝通。
本案例不是模型計算題。原書直接提供上述組織規模與研究數量，但沒有提供單一導入前後的成本、準確率或投資報酬率，因此不自行量化「導入效益」。
核心教訓是：資料科學失敗常不是因為缺少更複雜的模型，而是問題定義、資料平台、治理與溝通沒有先處理好。原書特別提醒資料科學家不要急著跳到建模。
根據原書案例，將資料科學專案前期工作分成「問題定義、資料治理、領域溝通、EDA、特徵工程」五類，說明每類若被忽略可能造成的風險；不得自行補造專案 ROI。
問題： 若模型準確率很高，但商業端從未確認問題定義，最大的管理風險是什麼？
參考解答： 模型可能精準回答了錯的問題，難以轉成真正商業價值；這正是原書強調先釐清問題的原因。