2017年10月，墨尔本研究所发布了一系列关于代际劣势的工作文件的调查结果，说明如果父母领取福利金，年轻人需要社会援助的可能性几乎是他们的两倍[1]。虽然这一结论对那些有社会保护经验的人来说并不奇怪，个人网站建站，但就所分析的数据和所采用的分析方法而言，这是一项里程碑式的研究。事实上，在研究开始的时候，最终促进分析的技术还不存在！现在，随着新兴的预测分析、机器学习和实时计算技术的出现，数据驱动的政策和计划见解有了前所未有的机会，什么是数据中台，以提供更好的社会和经济成果。

墨尔本研究所的研究结果独特的部分原因，这项分析提供了澳大利亚代际劣势的无可辩驳的证据，其基础是这项研究是针对一个完整的数据集而不仅仅是一个样本进行的。社会服务部的跨代数据集（TDS）提供了124285名1987年10月至1988年3月出生的澳大利亚人的记录，其中98%的受试者能够与他们的主要照顾者匹配，从而使他们能够被纳入研究。一项历时18年的纵向分析已经应用于1.26亿的每两周一次的社会援助付款，目前已有这些年轻澳大利亚人到26岁的交易数据。这是公共部门背景下大数据分析的一个很好的用例。

大数据分析使我们能够挑战可能通过有限的数据视图形成的先入为主的观念。以墨尔本研究所的研究为例，数据反驳了普遍存在的福利文化的观点，在这种文化中，价值观被塑造，劣势变得越来越根深蒂固。相反，数据表明，环境（如残疾）造成的不利因素比个人选择造成的不利因素更难克服。

大数据分析也有可能提供跨数据集的新见解，使我们能够更全面地了解人们及其环境。同样，以墨尔本研究所的研究为例，数据显示，在社会福利的范围内，跨项目的相关性很强。这一点在父母心理健康残疾的情况下尤为明显，这种残疾被认为对承担照顾父母责任的年轻人有着广泛的影响，返利机器人，三种新兴技术有可能塑造我们如何消费大数据，以及我们如何应用新的见解来提供更好的社会和经济成果：

预测分析是一种高级分析形式，它使用新的和历史数据来预测未来的活动、行为和趋势[2]。它包含了一系列的统计技术，用于根据具有相似特征的人的历史数据中观察到的模式来预测个人某些结果的概率。这些预测可以用来通知和影响政策决策，例如，大数据培训，在儿童保护场景中识别高风险案例，并促使早期干预以防止虐待和忽视儿童。

机器学习是一种人工智能（AI），它允许软件应用程序在预测结果时变得更加准确，而无需明确编程[3]。它通过对样本输入和已知输出之间的相关性进行计算探索，扩展了预测分析，可用于随着时间的推移改进预测模型。这种方法可以通过发现数据中隐藏的模式并提出干预措施来优化服务计划，在给定的情况下以最大的概率提供所需的结果。

实时计算是在数据进入系统后立即使用或使用数据和相关资源的能力[4]。它使分析技术能够应用于操作系统中的服务点，从而减少传统上与数据仓库相关的滞后时间。这种能力是使分析成为主动而非被动的关键，因此，例如，可以根据新客户在接受时的风险状况对其进行细分。

一家美国州政府机构是其管理和绩效中心（MPH）新兴技术的领先采用者。MPH是一个实时计算平台，包括基于SAP技术的预测分析功能。2014-2015年，大数据学什么，该州成功试点了公共卫生政策，以统计量化导致婴儿死亡率居高不下的风险因素的重要性。该试点项目对50多个数据集的90亿行数据进行预测分析，以确定以前未知的风险因素之间的相关性和因果关系，并使他们能够确定具有婴儿死亡率潜在驱动因素的亚群体。因此，他们获得了1350万美元的额外预算拨款，用于针对高危人群的早期干预的新项目。在建立了企业范围的数据分析资产之后，澳大利亚政府最近将MPH应用于对抗类阿片流行病和减少犯罪累犯。

另一个很好的例子是，澳大利亚政府机构最近完成了一项为期8周的SAP机器学习技术试验。政府的战略目标是通过提前通知和通过根本原因分析进行有针对性的干预，降低公民的债务倾向。试验的目的是将机器学习应用于大量数据，为可能没有能力支付强制缴款的客户提供早期指标。在试验中，对97000名客户的1.87亿笔交易记录进行了分析，经过4周的培训，原型实现了71%的债务人预测率。在实时计算平台上实施这一能力将使该机构能够建立动态风险概况，为基于证据的决策和客户细分提供信息。该机构正继续与SAP合作，完善机器学习模型，并打算在其整个业务中应用这一能力，以减少总负债。