资料科学的新发展提供了改进决策的重大机会。企业若在决策初期就采用机器学习、样式辨认（pattern recognition）、和其他预测分析工具，可形成竞争优势的来源；但就像任何新的能力一样，认知、目的和早期投入，以及取得重大商业影响力之间，存在着巨大的鸿沟。
对于把资料科学潜力转化为真实商业成果的流程，企业该如何进一步管理？企业如何做出突破，不再只是对员工或客户行为的改变产生新见解（而未能进一步分析）？我们想要运用AIG早期部署新分析工具的经验，提供一些心得教训，供考虑采取类似途径的各产业领导者参考。
2012年1月，AIG推出「科学团队」。一般人在保险公司里发现「科学团队」，可能会觉得很惊讶，但是这家全球保险业巨擘的总裁兼CEO彼得．汉考克（Peter Hancock）发现，在仍然非常仰赖个别专家判断的行业中应用实证决策，会得到一项重大机会，这样做不仅能创造战略优势，也能创造竞争优势。到了2014年初，来自各种科学和管理背景的130人致力于实现团队的任务：成为AIG实证决策的触媒。
「科学团队」刻意避免使用「资料」或「分析」等词汇，因为该团队的能力远远超越这两个领域：行为经济学家、心理学家、工程师和变革管理专家，与资料科学家、数学家和统计学家携手合作。而且合作很合乎情理：这种跨领域的方法，攸关能否突破既有的做法，不仅从资料产生新见解，也在真实的商业背景中有系统地加强个别的人为判断。团队里90%的成员是从保险业之外招聘，目的是让团队能够挑战现有的决策方法。「科学团队」不只准备资料和建立模型，另外也强调识别商机和教育培训、变革管理和执行，也就是从拟定问题乃至于改变行为的完整价值链。
到目前为止，「科学团队」行动成功的关键因素如下：
一开始聚焦于重要的问题和疑虑。小部分的劳工赔偿申请，解释了大部分的AIG复杂性、争论、延迟和损失：10%的赔偿申请，占了将近60%的成本。因此，索赔幅度预测器（Claims severity predictor）让人提早更精确地锁定干预措施，比方说医师评估和特别调查，借此大大地改进成果。这个好例子说明，在业务中充分置入技术解决方案能发挥强大的力量：结果不只是加强预测和降低成本，还为顾客增进了许多好处。
确定使命不只是产生见解──还有支援整个组织的变革和学习流程。AIG不仅支援内嵌解决方案和控管变革，以实现特定机会，同时也推出全公司计划，以运用实体高峰会和随需应变模组化线上学习工具，来增进量化和决策的技巧。
与早期采用者一起证明全组织都可以看到的重要胜利。大部分的AIG业务仰赖保险代理人和经纪人。要评估关系并且按优先顺序处理，主要是根据数量、价值、潜力和它们的整体效用。AIG建立的决策平台，能够精确预测单一经纪人的自留额（retention）和「呈交」（建议书）效率──业界很少有人能够取得的微区隔（micro-segmentation）程度以及预测。每天，以使用者亲和的视觉形式呈现的集中和深入绩效分析，被推送到销售经理手边，以支援关于如何管理中间人网络的决定。
不要让行动取决于一、两项方案：要采用组合方法。在倡导新的决策方法时，并非每项行动都能成功，因此企业应该不要只押注在一项专案的成功。除了上述例子之外，AIG目前有大约十几项处于各种不同发展阶段的决策相关专案。
反覆、快速的周期调适方法，远比经过规划、单一步骤的改变更有效──大部分的学习都是借由采取行动而发生。对AIG来说，预防欺诈赔偿申请是一个重要领域，因为它对财务影响很大。AIG已经开发专用工具和模型，可以运用机器学习、预测模型、连结分析、型样分析和其他技巧，来识别赔偿申请资料中的预测型样。经历第一代之后，AIG开发的第二代工具识别的诈欺案件数目，几乎是主要供应商产品的两倍。最先应用到劳工的赔偿，现在同样的方法已在多项事业单位推出。这个例子说明，针对解决方案开发的反覆、以学习为主的方法很重要，而且具有威力。讽刺的是，这包含了对行动而非对规划或分析的偏见──甚至是在分析领域中也一样！
不仅着重于短期，同时对中、长期也预作规划。结合当下已证实有价值的做法、一些中期的大胜利，以及未来转型的长期观点。除了上述的中、短期解决方案之外，AIG也在思考更大胆、更长期的方案，这种方案可能会改变商业模式和商业范围。例如，它正在寻找各种可能性，像是使用照片影像分析来评估汽车意外的损害求偿，或是使用感应器和车载资通讯系统（telematics）进行风险评估并加以调整控制。
不断发展的资料科学工具，将促成和要求企业持续改进决策方法。但是只改进现有的决策，等于是自我设限；企业也需要注意建立全新决策方式的机会，甚至因为更多机会的释出，而重新考虑新的商业模式和企业的活动足迹。