使您的資料策略與業務目標保持一致

AWS客戶告訴我們，資料專案與其公司目標之間缺乏一致性，通常會導致錯誤使用、過度設計的資料平台，對業務帶來很少的價值。資料資產的重複使用性低、資料不一致、資料探索不良、等待時間長，以及低資料品質都是典型的抱怨。

建立資料策略時的常見錯誤包括過多關注技術工具和趨勢、使用邊緣工具，以及為企業使用者提供使用自己術語的資料、自動化關鍵指標報告的手動工作、提供資料品質可見性，以及讓使用者自主進行資料探索，以及讓使用者自主進行資料探索。

您的數據策略應專注於解決業務問題，例如執行更好的客戶細分以提高轉化率，通過個性化提高客戶滿意度，通過預測保留操作來減少客戶流失，通過 A/B 測試更快地測試新產品和新功能以改善客戶體驗，以及任何其他可以改善業務或品牌影響的策略。

公司經常低估資料治理。這方面的大多數工作都在分析層中，並且很少有流程是自動化的。這會給資料工程團隊帶來額外負荷，這些團隊必須瞭解資料並將其轉換為資料取用者，而不瞭解與資料相關聯的業務網域。從資料擷取透過資料消耗套用資料控管時，可強化資料策略。支援豐富資料標準化、分類和品質的程序，可讓使用者輕鬆地與資料互動，並以自動化的方式存取資料。

探索貴公司目前的階段

將公司從資料使用成熟度的入門階段轉移到資料驅動的階段非常困難，因為公司需要花費一些時間才能實作的功能、程序和角色。下圖顯示資料使用成熟度的不同階段。

階段 1 (交易)。在第一階段，公司專注於其核心業務。他們不會利用這些操作周圍的數據，因為他們不會衡量或使用財務和運營績效指標為他們的業務。今天，我們看到很少有公司在這個階段。其中大多數都是處於業務早期階段的創業公司。

第 2 階段（由數據通知）。在第 2 階段，公司使用數據來監控其業務健康狀況，包括營運、財務和部門數據，這些數據在每個部門內部以孤立的方式進行分析。處於此階段的大多數企業都擁有內部部署的專有系統，在這些系統中共享數據可能既複雜又昂貴。 

將第二階段公司移至AWS通常包括使他們能夠在業務領域之間提取，編目和共享數據，並開始使用高級交互式分析。

階段 3（基於數據）。第 3 階段包括已經優化其數據使用量的公司。這些公司以不同的方式使用他們的數據，具體取決於行業：

• 金融服務、醫療保健服務、電子商務服務和消費性包裝商品服務等服務公司都了解其客戶的行為。他們使用資料根據這些行為建立及時的建議和優惠。

• 製造公司通常使用先進的預測分析來優化其生產和供應運營。

• 農業和製造業公司使用數據來優化其物流運營，提高過程效率並實施精準農業。

但是，雖然第 3 階段的公司大量使用數據，但他們需要手動數據分析才能採取這些行動。

當今大多數公司都處於第 3 階段，儘管其中一些公司使用更先進的技術，例如機器學習（ML）模型，有些公司開始嘗試進階分析。

階段 4（由數據驅動）。階段 4 的公司已經根據其數據自動做出決策，通常是自動的。但是，這可能具有挑戰性。它需要對應用程序使用和對數據做出反應的數據和機制的信心。第 4 階段還要求提供數據以便及時做出決策。  

自動化雙向門決策

可逆式 (雙向門) 決策是資料驅動行動的絕佳候選人。例如，公司可能會在收到負面評論（表示產品退貨或客戶投訴的統計上很高的可能性）之後，決定對產品進行隔離（停止銷售）。在解決問題後，隔離是可逆的，並且產品可以重新開始銷售。

詐騙偵測是雙向、資料驅動的動作的另一個範例。公司可能會引入機制，以避免他們的客戶和平台損失，即使他們遇到一些必須解決的誤報。他們可以通過測量當前機制的結果和評估其有效性來引入改進。在客戶緩解或驗證誤報後，可以使用雙重認證或類似程序來確認或重試交易。

然而, 一些行動是不容易逆轉，需要進一步的討論和委員會的批准. 這些被稱為單向門決定。例如，涉及建設設施或大量資金投資的行為通常很難扭轉。這些不是自動數據驅動操作的好候選人。

數據驅動的操作應該通過不斷測量來評估其影響的可見性。這些測量可協助您決定復原功能，或測試並與團隊合作，以進行更深入的不同行為分析。