有趣的问题和答案是：视情况而定。

您必须提供有关模型所需的确切输入的更多信息，并且您必须 100% 确定每个输入对每个公司都意味着相同的事情。因此，例如，您必须确定时间表之类的事情 - 如果您正在查看“销售额”并且一家公司每月测量销售额，但另一家公司每季度测量一次，那么这对您的模型来说是个问题。

此外，您还必须考虑输入的规模。如果一家公司的销售额为数百万美元，而较小的竞争对手的销售额为数千美元，那么这对您的投入也是一个问题。

如果你能想到上面的问题，仍然认为可以继续，那么是的，你可以使用相同的模型。这称为迁移学习，您可以采用经过训练的模型，然后使用新公司的数据“更新”它。

但是，如果您确实遇到了上述问题（或输入问题的其他一些变化），那么我建议您使用第三个选项并为每个选项开发一个模型。如果你有一个适用于一家公司的框架（即你有一个模型并且你对你需要的数据有感觉）你应该会发现你能够创建类似的准确度数字，即使是全新的数据。

就个人而言，我认为还有第四种选择。您可以从数据端处理所有这些。我会为每家公司开发一个新模型，但我会根据 Y 公司的数据开发 Y 公司的模型，然后还会使用 Z 公司的数据来增强我的训练。您可以选择所需的组合，但通过包含这样的记录，您仍然可以利用为具有附加行业/竞争对手知识的公司编写单一模型的力量。