以資料平台與機器學習縮短牛隻飼料實驗週期並預測最終體重。
理解資料平台、探索性資料分析（Exploratory Data Analysis, EDA）、特徵工程與整合式模型如何連結到商業效益。
Purina 建立動物營養資料分析平台（Purina Animal Nutrition Data Analytics, PANDA）整合資料，再預測牛隻餵食 60 天後的最終體重。
| 指標 | 原書數值 |
|---|---|
| 傳統實驗週期 | 約 140–160 天 |
| 預測時間點 | 60 天 |
| 最終體重的平均絕對百分比誤差（Mean Absolute Percentage Error, MAPE） | 2% |
| 年度管理資料點 | 30 億 |
| 資本支出（Capital Expenditure, Capex）節省 | 超過 70 萬美元 |
| 整體效率提升 | 10–15 倍 |
假設形成 → 探索性資料分析 → 特徵工程 → 多模型比較 → 整合式模型 → 建議。
整合式模型以 60 天資料預測最終體重，MAPE 為 2%；平台另帶來超過 70 萬美元的資本支出節省與 10–15 倍效率提升。
模型價值來自縮短實驗與加速產品開發，而非只看預測準確度。
根據 60 天、140–160 天、2% MAPE、超過 70 萬美元與 10–15 倍等結果，整理模型與平台各自創造的商業價值。
問題：以 150 天作為傳統週期代表值，若 60 天即可預測，時間縮短多少天、約多少百分比？
參考解答：縮短 90 天；90÷150=60%。150 天是依原書 140–160 天區間取中點的直接計算示例。