Alinhando sua estratégia de dados às suas metas de negócios

AWSos clientes nos dizem que a falta de alinhamento entre os projetos de dados e as metas da empresa geralmente leva a uma plataforma de dados mal utilizada e superprojetada que oferece pouco valor para os negócios. Baixa reutilização de ativos de dados, inconsistência de dados, descoberta deficiente de dados, longos tempos de espera e baixa qualidade de dados são reclamações típicas.

Os erros comuns na criação de uma estratégia de dados incluem focar demais em ferramentas e tendências técnicas, usar ferramentas de ponta e perder a chance de acelerar as oportunidades de negócios fornecendo aos usuários corporativos dados que usam sua própria terminologia, automatizando tarefas manuais para relatórios de métricas principais, fornecendo visibilidade da qualidade dos dados e dando aos usuários autonomia para exploração de dados.

Sua estratégia de dados deve se concentrar em resolver seus problemas comerciais, como realizar uma melhor segmentação de clientes para aumentar as taxas de conversão, melhorar a satisfação do cliente com a personalização, reduzir a rotatividade de clientes antecipando ações de retenção, testar novos produtos e novos recursos mais rapidamente com testes A/B para melhorar a experiência do cliente e quaisquer outras estratégias que possam melhorar o impacto nos negócios ou na marca.

As empresas frequentemente subestimam a governança de dados. A maioria dos esforços nessa área está na camada de análise e poucos processos são automatizados. Isso gera uma sobrecarga para as equipes de engenharia de dados que precisam entender os dados e traduzi-los para os consumidores de dados sem entender o domínio comercial associado aos dados. A governança de dados, quando aplicada desde a ingestão de dados até o consumo de dados, pode fortalecer a estratégia de dados. Processos que oferecem suporte à padronização, classificação e qualidade de dados avançados permitem que as pessoas interajam com os dados facilmente e tenham acesso a eles de forma automatizada.

Descobrindo o estágio atual da sua empresa

Transferir uma empresa de um estágio inicial de maturidade no uso de dados para um estágio orientado por dados é difícil, pois exige recursos, processos e funções que podem levar tempo para serem implementados. O diagrama a seguir apresenta diferentes estágios na maturidade do uso de dados.

Etapa 1 (transacional). No estágio 1, as empresas estão focadas em suas operações principais. Eles não aproveitam os dados dessas operações porque não medem nem usam indicadores de desempenho financeiro e operacional de seus negócios. Hoje, vemos muito poucas empresas nesta fase. A maioria delas são empresas iniciantes nos estágios iniciais de seus negócios.

Etapa 2 (informada por dados). No estágio 2, as empresas usam dados para monitorar a saúde de seus negócios em termos de dados operacionais, financeiros e departamentais que são analisados dentro de cada departamento de forma isolada. A maioria das empresas que estão nesse estágio tem sistemas proprietários locais, nos quais o compartilhamento de dados pode ser complexo e caro. 

Movendo empresas da fase 2 paraAWSgeralmente envolve permitir que eles extraiam, cataloguem e compartilhem dados entre áreas de negócios e comecem a usar análises interativas avançadas.

Etapa 3 (com base em dados). O estágio 3 inclui empresas que já otimizaram o uso de dados. Essas empresas usam seus dados de maneiras diferentes, dependendo do setor:

• Empresas de serviços, como serviços financeiros, serviços de saúde, serviços de comércio eletrônico e serviços de bens de consumo embalados, conhecem o comportamento de seus clientes. Eles usam dados para criar recomendações e ofertas oportunas com base nesses comportamentos.

• As empresas de manufatura costumam usar análises avançadas de previsão para otimizar suas operações de produção e fornecimento.

• Empresas agrícolas e de manufatura usam dados para otimizar suas operações logísticas, melhorar a eficiência do processo e implementar a agricultura de precisão.

No entanto, embora as empresas no estágio 3 usem dados extensivamente, elas exigem análise manual de dados para realizar essas ações.

Atualmente, a maioria das empresas está no estágio 3, embora algumas usem técnicas mais avançadas, como modelos de aprendizado de máquina (ML), e algumas estejam começando a experimentar análises avançadas.

Etapa 4 (orientada por dados). As empresas no estágio 4 já estão tomando decisões, geralmente automaticamente, com base em seus dados. No entanto, isso pode ser um desafio. Isso exige confiança nos dados e nos mecanismos existentes para que os aplicativos usem e reajam aos dados. O estágio 4 também exige que os dados estejam disponíveis para a tomada de decisão em tempo hábil.  

Automatizando decisões bidirecionais

Reversível (porta bidirecional) as decisões são ótimas candidatas para ações orientadas por dados. Por exemplo, uma empresa pode decidir colocar um produto em quarentena (parar de vendê-lo) depois de receber avaliações negativas que representam uma probabilidade estatisticamente alta de devoluções de produtos ou reclamações de clientes. A quarentena é reversível depois que o problema é resolvido e o produto pode ser colocado novamente à venda.

A detecção de fraudes é outro exemplo de ação bidirecional baseada em dados. As empresas podem introduzir mecanismos para evitar perdas para seus clientes e sua plataforma, mesmo que encontrem alguns falsos positivos que precisem ser abordados. Eles podem introduzir melhorias medindo os resultados dos mecanismos atuais e avaliando sua eficácia. Depois que os falsos positivos são mitigados ou validados pelos clientes, as transações podem ser confirmadas ou repetidas usando a autenticação de dois fatores ou um processo similar.

No entanto, algumas ações não são facilmente reversíveis e exigem mais discussão e aprovação por um conselho executivo. Eles são chamadosporta unidirecionaldecisões. Por exemplo, ações que envolvem a construção de instalações ou investimentos financeiros significativos geralmente são difíceis de reverter. Esses não são bons candidatos para ações automáticas orientadas por dados.

Uma ação orientada por dados deve ser avaliada quanto à visibilidade de seu impacto por meio de medições constantes. Essas medidas ajudam você a decidir reverter um recurso ou testar e contratar uma equipe para uma análise mais profunda de comportamentos distintos.