福特汽车公司的 T 型车于 1908 年首次下线，凭借低成本、耐用性、通用性和易维护性而经久不衰。它被认为“让世界动起来”，通过制造效率以普通消费者可负担的价格，推动了全球机动化的普及。
如今，汽车行业仍处于技术前沿，持续改变着人们从 A 点到 B 点的出行方式。在我们近期的网络研讨会中，福特汽车公司首席数据科学家、我们的课程《用 Python 进行信用风险建模》的讲师 Michael Crabtree 指出，关键差异在于，如今创新由数据科学而非制造驱动。
在福特，创新如今由数据科学驱动——而非制造。
智慧城市需要汽车行业的数据科学
正如一百多年前 T 型车的制造可扩展性将机动化带给大众一样，数据科学正在为当今的低收入社区扩大出行可达性。它无需高昂的拥有成本即可让交通出行触手可及，并且正在为所有人推动这一变革，无论其阶层、性别或能力如何。
例如，优化算法可以为企业提供节能车辆，以服务农村社区，覆盖从亚马逊配送到管道维修、餐饮外卖等各类需求。数据科学家还与可靠性工程师合作，打造可辅助不同能力群体的车辆。
这些只是几个示例。Michael 表示，数据科学的用例几乎无穷无尽，且仍有大量领域尚待探索。
在汽车行业中处理数据
由于汽车行业成熟且覆盖广泛，企业有许多机会围绕数据重构。
其中一个应用是跨不同数据系统与数据类型开展工作。许多数据科学家习惯使用表格数据，即以表格（类似 Excel）的形式存储的数据。但汽车数据科学家的数据类型要丰富得多。比如，汽车行业的原始仪器数据通常以十六进制数字流的形式存储。他们还可能会处理来自智能系统的图像与传感器点云等数据。为理解自动驾驶车辆为何以某种方式行驶，以及不同车型之间的差异，汽车数据科学家可能会将点云与仪器数据结合，并与一组表格进行关联。
另一个机会在于数据量：Michael 在福特构建的最大数据库包含 800 亿行，查询耗时不到 10 秒！汽车行业中的一些实时与事务系统每天处理逾 1.5 亿条记录。由于汽车数据的产出极为庞大，因此需要非常大的数据集群。汽车行业的许多公司拥有以拍字节（百万 GB）计的数据集群。
数据科学参与汽车产品全生命周期的每一步
数据科学驱动产品研发
车辆在售前要经历众多环节。汽车领域的数据科学始于产品开发。它用于分析新车型配置、建模零部件可靠性等任务。与其在每个阶段将部件作为孤立系统进行构建与测试，不如通过大规模仿真与分析，让数据科学为流程提供补充。
数据科学推动卓越制造
汽车数据科学家还要确保只将高质量车辆推向市场。工程师可以测试每辆车的质量，但必须对每辆车逐一进行。数据科学家则能分析整个零部件、供应商与测试数据的总体。他们深入分析供应商的财务表现，基于历史表现预测其按时交付能力，并通过计量经济学与回归方法审视供应商所在地的经济状况。
数据科学驱动网联与自动驾驶车辆
当今未来学领域最热门的话题之一是网联与自动驾驶车辆，它们依赖深度学习模型和传感器融合算法。数据科学对构建此类车辆至关重要：它用于将油液寿命监测、电池电量监测、全套诊断仪表等物联网指标转化为可行动的洞见。比如，仅能检测到行人并不够——传感器还必须辨别其行进方向。安全系统同样重要，包括驾驶员保护与环境安全。
这些车辆的新型网联系统带来了新服务——它们与其他车辆、城市与基础设施相连。而我们才刚刚开始探索这一市场的潜力。2019 年全球网联汽车市场规模约为 630 亿美元，预计到 2027 年将几乎增至 2,250 亿美元（Allied Market Research）。
数据科学推动可持续发展举措
可持续性对所有汽车制造商都至关重要。政府会设定燃油效率目标，但各家车企也有自己的目标。且每款车型的燃油效率各不相同，因此需要借助数据科学来优化企业全系车型的燃油效率。例如，如果一家企业希望在产品线中同时提供一款高油耗的大型皮卡和一款电动车，汽车数据科学家可以进行优化，使在满足公司全球销量目标的前提下，将整个车队的燃料消耗最小化。通过优化，车企还能申领燃油效率方面的政府积分。这对环境有利、能为客户提供更高价值、并可能成为新的收入来源，可谓一举三得。
数据科学在汽车领域的其他用例
除了上述内容，数据科学还影响着汽车生命周期中的诸多其他环节。在市场与销售方面，数据科学可预测客户流动与流失。在服务与客户分析方面，数据科学能改进用户购后体验，并推动产品质量提升。要更深入了解数据科学如何驱动汽车行业的未来，请按需观看 Michael 的网络研讨会。
福特汽车公司的 T 型车于 1908 年首次下线，凭借低成本、耐用性、通用性和易维护性而经久不衰。它被认为“让世界动起来”，通过制造效率以普通消费者可负担的价格，推动了全球机动化的普及。
如今，汽车行业仍处于技术前沿，持续改变着人们从 A 点到 B 点的出行方式。在我们近期的网络研讨会中，福特汽车公司首席数据科学家、我们的课程《用 Python 进行信用风险建模》的讲师 Michael Crabtree 指出，关键差异在于，如今创新由数据科学而非制造驱动。
智慧城市需要汽车行业的数据科学
正如一百多年前 T 型车的制造可扩展性将机动化带给大众一样，数据科学正在为当今的低收入社区扩大出行可达性。它无需高昂的拥有成本即可让交通出行触手可及，并且正在为所有人推动这一变革，无论其阶层、性别或能力如何。
例如，优化算法可以为企业提供节能车辆，以服务农村社区，覆盖从亚马逊配送到管道维修、餐饮外卖等各类需求。数据科学家还与可靠性工程师合作，打造可辅助不同能力群体的车辆。
这些只是几个示例。Michael 表示，数据科学的用例几乎无穷无尽，且仍有大量领域尚待探索。
在汽车行业中处理数据
由于汽车行业成熟且覆盖广泛，企业有许多机会围绕数据重构。
其中一个应用是跨不同数据系统与数据类型开展工作。许多数据科学家习惯使用表格数据，即以表格（类似 Excel）的形式存储的数据。但汽车数据科学家的数据类型要丰富得多。比如，汽车行业的原始仪器数据通常以十六进制数字流的形式存储。他们还可能会处理来自智能系统的图像与传感器点云等数据。为理解自动驾驶车辆为何以某种方式行驶，以及不同车型之间的差异，汽车数据科学家可能会将点云与仪器数据结合，并与一组表格进行关联。
另一个机会在于数据量：Michael 在福特构建的最大数据库包含 800 亿行，查询耗时不到 10 秒！汽车行业中的一些实时与事务系统每天处理逾 1.5 亿条记录。由于汽车数据的产出极为庞大，因此需要非常大的数据集群。汽车行业的许多公司拥有以拍字节（百万 GB）计的数据集群。
数据科学参与汽车产品全生命周期的每一步
数据科学驱动产品研发
车辆在售前要经历众多环节。汽车领域的数据科学始于产品开发。它用于分析新车型配置、建模零部件可靠性等任务。与其在每个阶段将部件作为孤立系统进行构建与测试，不如通过大规模仿真与分析，让数据科学为流程提供补充。
数据科学推动卓越制造
汽车数据科学家还要确保只将高质量车辆推向市场。工程师可以测试每辆车的质量，但必须对每辆车逐一进行。数据科学家则能分析整个零部件、供应商与测试数据的总体。他们深入分析供应商的财务表现，基于历史表现预测其按时交付能力，并通过计量经济学与回归方法审视供应商所在地的经济状况。
数据科学驱动网联与自动驾驶车辆
当今未来学领域最热门的话题之一是网联与自动驾驶车辆，它们依赖深度学习模型和传感器融合算法。数据科学对构建此类车辆至关重要：它用于将油液寿命监测、电池电量监测、全套诊断仪表等物联网指标转化为可行动的洞见。比如，仅能检测到行人并不够——传感器还必须辨别其行进方向。安全系统同样重要，包括驾驶员保护与环境安全。
这些车辆的新型网联系统带来了新服务——它们与其他车辆、城市与基础设施相连。而我们才刚刚开始探索这一市场的潜力。2019 年全球网联汽车市场规模约为 630 亿美元，预计到 2027 年将几乎增至 2,250 亿美元（Allied Market Research）。
数据科学推动可持续发展举措
可持续性对所有汽车制造商都至关重要。政府会设定燃油效率目标，但各家车企也有自己的目标。且每款车型的燃油效率各不相同，因此需要借助数据科学来优化企业全系车型的燃油效率。例如，如果一家企业希望在产品线中同时提供一款高油耗的大型皮卡和一款电动车，汽车数据科学家可以进行优化，使在满足公司全球销量目标的前提下，将整个车队的燃料消耗最小化。通过优化，车企还能申领燃油效率方面的政府积分。这对环境有利、能为客户提供更高价值、并可能成为新的收入来源，可谓一举三得。
数据科学在汽车领域的其他用例
除了上述内容，数据科学还影响着汽车生命周期中的诸多其他环节。在市场与销售方面，数据科学可预测客户流动与流失。在服务与客户分析方面，数据科学能改进用户购后体验，并推动产品质量提升。要更深入了解数据科学如何驱动汽车行业的未来，请按需观看 Michael 的网络研讨会。