案例01｜Seagate：KNIME 推動數位轉型、6 個月→4 週與逾 100 萬美元節省
案例02｜分析工具四維選擇：免費／付費、開源／封閉、本機／伺服器、視覺／程式
案例03｜異常貿易價格偵測：以上四分位進口與下四分位出口追蹤可疑交易
案例04｜R 員工流失預測：1,470 人、隨機森林、10 折交叉驗證與可解釋人工智慧
案例05｜Python 電影票房預測：平衡／不平衡資料、過度抽樣與接收者操作特徵曲線
案例06｜Z5 醫療耗材再分配：32 家機構與 130 萬美元避免浪費
案例07｜KNIME 客戶流失：1,000 位客戶、38 欄與 70/30 分層切分
案例08｜Orange 文獻文字探勘：四步驟框架、文件—詞彙矩陣、奇異值分解與四種主題模型
案例09｜Weka Iris 決策樹：150 筆、144 筆正確與 96% 準確率
案例10｜RapidMiner Titanic：自動模型比較、分類誤差低於 3%
案例11｜JMP Pro 文獻文字探勘：100 維預設奇異值分解與 10–18 個主題
案例12｜電子病歷共病網路：5,000 萬患者、24 億筆檢驗結果與性別差異
案例13｜工具實作練習：R、Python、KNIME、Orange、Weka、JMP、Alteryx 與外部資料需求
案例14｜Teradata Vantage 全球零售商：線上銷售占 25% 與兩個月逾 130 萬美元增量營收
| 核心主題 | 主要觀點／方法 | 實務用途 | 重要條件／限制／延伸 |
|---|---|---|---|
| 分析工具選擇 | 依免費／付費、開源／封閉、本機／伺服器、視覺／程式四維度比較 | 建立符合預算、技能、部署與資安需求的工具組合 | 沒有單一工具在所有面向都最好；原書主張以「工具箱」思維選擇 |
| 程式式分析 | R 與 Python 透過套件／函式完成資料處理、視覺化、機器學習與模型解釋 | 需要高度彈性、可程式化與可重現的分析工作 | 需要掌握語法、套件與實驗設計；隨機程序要控制種子 |
| 視覺式分析 | KNIME、Orange、Weka、RapidMiner 等以節點、元件或工作流程降低程式門檻 | 快速原型、教學、跨部門協作、可視化資料流程 | 視覺介面仍包裝底層演算法；不代表可以忽略資料品質與模型假設 |
| 商業分析平台 | SAS、IBM、JMP、Teradata、TIBCO、Alteryx 等提供不同程度的資料管理、建模、部署與服務 | 企業級治理、整合、部署與大規模分析 | 授權、基礎設施、整合與組織技能都會影響總成本 |
| 商業智慧與資料視覺化 | Tableau、Power BI、Qlik、Spotfire、MicroStrategy 等偏重報表、視覺化與儀表板 | 探索資料、溝通分析結果與管理監控 | 漂亮視覺不等於正確分析；仍需可靠資料與適當模型 |
| 雲端分析 | 以軟體即服務（Software as a Service, SaaS）與雲端平台取得儲存與運算資源 | 大資料、彈性運算、跨團隊部署 | 原書列舉亞馬遜雲端服務（Amazon Web Services, AWS）、Azure、Google Cloud 等；本章資訊為原書時點，不代表目前市場排名 |
| 模型評估 | 準確率、精確率、召回率、F1 分數、接收者操作特徵曲線（Receiver Operating Characteristic, ROC）、交叉驗證與混淆矩陣 | 比較分類模型與辨識資料不平衡問題 | 不能只看單一指標；類別分布與資料切分會影響結果 |
| 文字探勘工具 | 以文件—詞彙矩陣（Document-Term Matrix, DTM）、奇異值分解（Singular Value Decomposition, SVD）、主題模型、文字雲與趨勢圖處理非結構化文字 | 文獻分析、主題發現與文字趨勢 | 主題數與主題名稱仍需人工解讀；工具不同會提供不同方法 |
原書指出，資料科學專案除了數學、統計、人工智慧與領域知識，也受到工具選擇影響。專案通常有期限、預算、部署環境、資安政策與使用者技能限制，因此「演算法可以做」不等於「組織可以順利完成與部署」。
工具會影響資料準備速度、原型開發、偵錯、實驗彈性、外部支援、部署與版本管理。Seagate 案例正顯示，視覺化工作流程與培訓制度可以把工具能力轉成組織能力。