Кейс 1. Банковский сектор, регулятор. При построении комплексной оценки банковской системы РФ была необходимость собирать информацию по новостному фону относительно конкретной кредитной организации (КО) или персон КО. Это необходимо для того, чтобы отслеживать насколько негативный фон нагнетается в различных СМИ (федеральные или региональные) относительно КО (что может спровоцировать сильный отток денежных средств за счет закрытия депозитов, закрытия текущих счетов и т. д.) и предпринять действия, позволяющие нивелировать воздействие такого фона на состояние КО. На первом этапе была задача по ключевым словам или сочетанию слов (которые определяют окрас фона: негативный, позитивный, нейтральный) определять окрас публикации. Но ввиду того, что такой алгоритм определения окраса публикации не давал точных результатов аналитика была переведена на готовой источник (специальное агентство предоставляло уже размеченный по окрасу массив публикаций в СМИ).

Кейс 2. Нефтегазовая компания. Анализ переписки из почтовой базы для классификации писем на предмет того, какой объем коммуникации осуществляется с использованием почтовой платформы по тому или иному проекту, задаче (по анализу текстового содержимого темы, анализ содержимого письма был недопустим по правилам безопасности компании).
В любом случае приведенные кейсы не являются в чистом виде задачами по обработке неструктурированных данных.

Пример — работа с данными судебной статистики. В данной области большая часть данных — качественная. Как правило, это гендер, возраст, статья соответствующего кодекса, социально-демографическое положение, семейное положение, образование и т. д. Но вопросы, на которые необходимо получить ответы в рамках проведения анализа, трансформируются в количественные характеристики. Например, сколько было вынесено приговоров по статье "распространение наркотиков" в разрезе гендера и возраста, в зависимости от состава семьи (полная семья, только отец, только мать, сирота). И исходя из полученных результатов на уровне различных государственных программ могут быть запущены инициативы (социальные программы поддержки различных групп) для той целевой группы, которая покажет максимальное значение по вопросу выше.

Еще один пример — оценка работы тренинг-центра и конкретных тренеров пользователями, прошедшими обучение по той или иной внешней или корпоративной программе обучения. В данном случае все оценки собираются в шкале: от типа «категорически не устраивает» до «полностью удовлетворен» и далее обрабатываются для целей формирования отчетности — на выходе оценивается повторяемость оценок и те, которые встречаются наиболее часто характеризуют качество работы тренера или тренинг центра. По сути, это перевод набора качественных характеристик в количественные показатели оценок конкретных субъектов.