有许多范例可用于以不同细节级别表示模型构建过程 - 一个长期流行的例子是CRISP-DM。 对于本练习，我们将使用下面显示的相当简单的例子。
Demandbase 可以通过两种主要方式帮助完成模型构建过程。首先，我们支持数据科学家 (DS) 的更传统方式是数据收集和数据预处理步骤，如下所示。其次，Demandbase 最近推出了 D2 实验室 - 一群数据科学家、数据分析师和解决方案工程师，他们可以协助整个模型构建过程，为我们的客户开发定制模型和预测。我们将在本文后面介绍这些最新功能。
数据收集/采购和数据预处理：
数据收集/采购
数据科学家 (DS) 是解谜者，即他们会问这样的问题：“哪组数据属性/变量/特征可以帮助我预测某个结果？” — 一个结果示例是预测哪些潜在客户会转化为渠道机会。 这是一个重要的问题，因为如果我们能回答这个问题，我们就可以更好地将销售和营销工作以及资金集中在那些转化概率较高的潜在客户身上。
在预测转化概率时，DS 可能根据领域和行业知识对哪组数据属性最有帮助有一些想法。但是，有些属性/变量/特征具有预测性，他们可能不知道。这就是为什么 DS 想要“所有数据！” ——他们不知道他们不知道什么。如今，DS 可以将数十甚至数百个变量输入到他们的算法中。这使他们能够确定所有这些潜在特征中的哪些有助于更好地预测潜在客户到管道的转化。
数据预处理
Demandbase 在这里可以扮演几个角色。
数据质量：大多数公司的数据都很脏 — 数据缺失、数据不正确、数据陈旧、数据不标准化、数据/记录重复 — 数据不胜枚举。DS 通常要花费70-80% 的时间来收集和准备数据。Demandbases 的数据完整性 产品可以清理和标准化帐户数据和联系人字段、删除重复记录、填充缺失字段并附加许多数据属性，包括公司统计数据和所用技术。这些数据甚至可以通过 厄瓜多尔电话号码资源 购买意向和客户流失信号的实时数据进行扩充。
许多客户需要特定格式的数据。有些数据甚至可能需要汇总和/或汇总以供分析 - 我们可以做到！
整个模型构建过程
Demandbase 最近推出的 D2 Labs 为不具备构建自身模型必备知识的客户提供了显著优势，也为想要利用 Demandbase 庞大数据存储库并利用每天结合这些数据和第一方数据的分析团队的客户提供了显著优势。
我们的 D2 实验室科学家利用自定义数据集（第一方和第三方）通过专有倾向模型发掘新机会。客户现在可以直接与 Demandbase 的数据专家和数据科学家互动，将不完整、无法采取行动的数据转化为创收见解。
D2 Labs 已经与 Microsoft Azure、Adobe、DocuSign 等企业客户合作。
要了解更多信息，请联系您的 CSM 或客户经理。如果您是 Demandbase 的新用户，您可以在这里联系我们！
