现实世界的数据分析模型

Madan对如何应用数据科学的描述将所有内容归结为基础知识。 “虽然数据科学领域在技术领域发展Swift，但可以用一个词来解释整个领域：模式。 这都是关于学习和使用类似物的 （ 正模式 ）和反对数 （ 消极模式 ）以实现有效的决策。”

更好地了解自行车盗窃模式会影响哪些决定？ “如果您必须计划一条巡逻路线，我们可以告诉您通常在何时何地发生犯罪。” 警察的可见和一致的存在可以在减少热点地区的自行车失窃方面发挥重要作用。 在为自行车所有者添加更多安全选项的情况下，该数据也可以用于城市规划。 当市政官员可以清晰地看到自行车停车需求量高和盗窃风险高的区域时，就更容易看到应该在哪里实施下一个安全停车解决方案。

与全国许多大学校园一样，ASU一直认为自行车盗窃是一个长期存在的问题。 大多数自行车被盗时都用便携式防盗装置锁住，因此使用基本锁显然不能解决这种犯罪。 每年价值超过15万美元的自行车被拿走，而这种设备中只有一小部分被回收。 没有更好的信息就无法解决这个问题。 Madan开始收集数据以详细探讨问题。

评估数据分析模型

评估的关键因素包括地理，一天中的时间以及被盗的财产。 在他对数据进行筛选和分析时，很明显，大多数犯罪都集中在几个关键区域。 实际上，五年内被盗财产总价值的40％与仅十栋建筑物周围的区域有关。 分析突出显示了最有可能发生盗窃的高峰时间和高峰时间。 这些信息加上其他数据使Neeraj有信心为新的代客自行车停车位提出一个潜在的站点。

Madan在收集和分析数据时有几个目标：识别自行车盗窃热点，衡量现有代客泊车服务的有效性和固定存储选项，并为新的仅步行区提议新的代客泊车位置。 通过探索被盗自行车的市场（例如出售这些商品的流行在线场所），他走得更远。 “我们将查看Craigslist的电话号码以找到模式。 然后，我们将该信息移交给了警方进行调查。” 例如，如果相同的电话号码不断出现，并且在各个城市之间反复张贴着各种二手自行车的销售信息，则可能表明用户以可疑的方式获取了他们的库存。 或者，如果经销商也以相同的编号列为所有者，则可能是一个危险信号。

除了建议建造新的代客泊车场，在高峰时段针对热点进行巡逻以盗窃自行车以及调查销售盗窃自行车的热门场所之外，Madan还解决了学生的看法问题。 他发现有整整60％的学生认为自己的自行车会在校园内被盗。 解决这一问题实际上需要减少盗窃的发生，使警察能够更有效地调查这些罪行，并对学生进行更智能的自行车管理教育。

对于Neeraj来说，这个自我启动的项目是一个展示数据科学学科非常实际的方面的机会。 “我的利益相关者从不知道这可能是一个面向数据的问题。 他们需要有人从不同的角度来看待它。” 马丹的努力得到了正式的认可和赞赏。 当局继续执行他的各种建议。 很高兴知道，人们对数据分析的可能性睁开了双眼，以一次创造一辆真正的改变。