数据分析的竞赛大概分几种典型类别？
从赛事组织的角度，组织这场比赛的初衷不同，就决定用什么样的形式来设计这场比赛。
第一类，创意赛，适合探索一些新的技术领域，还没有特定的场景和数据，又需要有一些新的想法涌现。
创意赛是规定一个新的题目，需要结合行业知识和企业访谈去找新的解决方案，考核重点是大家能不能把一个具体行业问题巧妙解决，而不在算法。最后提交形式是一个报告或者报告衍生的一些视频，包括POC演示系统等。典型问题例如：大模型如何结合你的行业需求落地应用？如何借鉴其他行业的工业互联网经验，对你所在的产业带来价值？
第二类，有相应的技术得到了一定程度的运用，就可以做成解决方案赛。一般针对一个现实问题，给一些领域限定，比如在设计、智能制造或者其他，大家结合企业的实践和自己的想法，基于过去几年的沉淀再提升和总结，提出一个解决方案，最后评估可行性和可复制性。
第三类，有一定的场景和数据积累，对结果也有一定的量化目标，就可以考虑算法赛，尝试解决一个现实问题。比如背包问题，问题明确，甚至有标准答案，也有边界条件，需要提交一个结果。这种类型的统称为ACM赛事，典型赛事例如KDD。有的ACM算法赛会考核在一个很短的约定时间内提交结果，考核能不能运行，运行效率如何，能不能编译，给你随机出一个输入，你能不能算出来。
工业数据分析挖掘的价值，对时效性、对环境的依赖各有侧重。国内竞赛为了保证算法可用，一般还要求代码，但由于大家用的环境和版本不一样，并不严格要求代码一定能运行，或者说并不要求在指定的时间内跑出来，主要是看提交结果。
第四类，为了促进领域的技术研究，做open dataset赛。没有规定时间，大家在同一个地方公平测试，参与打榜，后来者可以在前人的肩膀上进一步研究，也可以知道这种算法在什么情况下有效没效，促进整个研究生态的发展。
其实工业数据分析竞赛一方面提供有限时间内的竞技，另一方面，赛题数据集本身也可以成为供大家继续研究的基础，竞赛之后还可以继续演进，做研究发论文，也可以把它当成一个案例练习。
以算法赛为例，从赛事组织的角度看，设计竞赛有哪些考虑因素？
首先要公平性，工业数据竞赛要对高校或者非本行业的人公平，不能出一个水电的题目就只有水电行业的人能得高分，非水电的人就差很多。机理不能太深，一般出题的时候会提供很多与解题相关的行业参考文献，把领域专家的知识都提前公布出来，让大家在一个起跑线公平竞争。
第二要有可区分性，得分要拉得开差距，又不能出现断崖式的差距。我们2017年参加PHM竞赛的时候，做高铁转向架的故障诊断，把机理和数据巧妙结合之后，按照原始排名，我们高出其他团队十几分，即便最后一个报告不交，都能得第一。后来赛会被迫调整了两个子问题中第二个问题的权重。第一名和第二名不能差那么多。
