但我们并没有止步于此，因为潜在的变化仍然太大。我们检查了几件事：哪些数据源的解析请求最频繁。我们的团队发现，特定类别的网页的解析请求显著增加。这似乎对我们的项目来说是一个足够狭窄的领域。
我个人认为这是处理机器学习应用的正确方法。首先，将您的产品或服务分类、剖析和解构为序列或更小的部分。其次，从整个流程中抽取一小部分，思考问题是什么，以及如何解决它。第三，使用数据缩小到最重要的方面，并在其中应用机器学习。
解决问题可以节省大量时间、资源和麻烦。如 保加利亚电话号码数据 果你已经有了一个较小的工作模型，你总是可以制作更多的模型。你不能用一个不工作的大型模型制作任何东西。
数据最小化和数据丰富之间存在关联，这也赋予了最小化价值。很自然地可以得出这样的结论：当要连接的数据较少时，更难实现高水平的丰富。某些关键值（如姓名、电话号码和地址）当然会深化分析。相比之下，假名和聚合数据通常只能以有限的方式重新组合和丰富。需要明确的是，这些实际上是积极的限制因素，尽管使用了“丰富”一词，但应该将其纳入总体风险分析中。
现在是媒体所有者和广告商都应该思考的时候了，他们的数据之所以有价值，是因为数据量巨大，还是因为它提供了可操作的见解。数据最小化是我们今天需要的关键价值主张，以便为企业、合作伙伴以及最终的消费者做出最佳决策。