四名美国海军陆战队军人通过模型预测提高了某系统关于战争中装备损耗预测的能力，因而获得了颇有名望的军事奖。他们基于数据分析的增强版实际作战替代因子（Combat Active Replacement Factor，CARF）系统（用以预测30天内由战争损耗导致的需要更换的设备比率），预计可为军队节省数十亿美元。

中校David Scott、上校Aaron Burciaga、Cynthia Cheek 和 Janice Scoggins获得了2013年的”Rist”奖，Rist是年度奖项，授予每年最佳的军事作战实践研究案例。该奖项表彰了他们对CARF系统的升级工作，使其能够更精准的预测战争中的设备损失。

Burciaga说“这是个好消息，海军陆战队思考更加明智，并采取最佳解决方案”。明智地思考会大大提高效率。预计到2017年，Burciaga及其团队的工作将会为军队节省多达23亿美元的成本。

在不浪费的前提下确保每一件装备（从无线电设备到坦克）的数量充足，--以数据为导向的分析方法是关键。其实Burciaga接手该项目时，CARF系统基于的是一种用了15年的算法，而Burciaga海军陆战队总部的很多同事已经不信任该系统。

“并不是人们不想改进CARFs的算法，”Burciaga说，”分析人员过去曾做过很多尝试。”但是Burciaga团队克服各种困难，让不可能变成了可能。JMP Pro统计分析软件是他的有利武器之一，该软件具有模型预测以及其它高级统计分析功能，并且可以通过图形可视化来展示分析结果。

改进CARF系统其中一个主要困难就是缺乏有效数据。通过集成学习（ensemblemethod）和递归分割（recursive partitioning）算法，Burciaga团队能够对海军陆战队大部分的关键装备设定其替换因子值。他解释说：“有了递归分割这种高级有效的算法，我们能够节省大量的时间和许多无休止的编程工作”。

团队成员选择Bootstrap Forest作为决策树算法，即使数据出现细小的变动，BootstrapForest的分析结果也会保持稳定；当存在数量比较多的影响因素时，该方法也会避免过度拟合的情况发生。

Burciaga解释说，Bootstrap Forest对我们非常有效，因为海军陆战队有着成百上千种装备，但是拥有较完备数据的大概仅有300种。该方法允许分析师首先分析有数据的一小部分装备，然后将分析结果外推至其他更多的装备上。

项目组的成员还可以通过该方法解决缺失数据的问题。“很多情况下，只有当你开始进行数据分解时才能了解缺失值的情况，就像描述性统计和分布能够告诉你的一样。”Burciaga说，“这样可以帮助我们了解CARF系统和过程中存在的缺陷。”

该项目使大家意识到，为了确保获取最有效的数据，数据过滤、清洗和描述是必不可少的阶段。该项目使用新方法总共预测了34,8181个新的CARF值（不同设备，不同战况下），是以前的3倍。

对新的CARF数据分析工具（CARF-STAT）的反响是积极的，装备后勤部副司令官，William M. Faulkner中将，提名该团队为“Rist”奖项候选人。

Faulkner在其提名信中写到，尽管存在巨大的挑战，这几个提名者将新的研究技术应用于政策、流程、计划的开发，为制定通盘战略--可以支持我们的作战计划到2017年或更远--奠定了基础。

对于Burciaga而言，CARF-STAT仅仅是通过高级数据分析功能提高效率的开始。他说，还有太多领域需要探索，下一步要做的是将新的方法和工具应用于美国军队的补给方面，以及扩展到军事领域的其他分支。“拥有一款配备最佳统计方法的常用工具软件，能够帮助我们产生更好的想法，最终达成更切合实际的解决方案。”