翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

ビジネス目標に合わせたデータ戦略

AWS のお客様からは、データプロジェクトと自社の目標との間に整合性が欠けていると、多くの場合に、過剰設計で誤用されるデータプラットフォームにつながり、そのようなデータプラットフォームはビジネスにほとんど価値をもたらさない、という声が寄せられています。典型的な不満としては、データアセットの再利用性の低さ、データの不整合、データ検出性能の低さ、長い待ち時間、データ品質の低さなどがあります。

データ戦略を構築する際によくある間違いには、技術的なツールや傾向に過度に焦点を当てることや、エッジツールを使用することが挙げられます。また、ビジネスユーザー自身の用語を使用したデータの提供、主要なメトリクスレポート作成の手動タスクの自動化、データ品質の可視性の提供、ユーザーへのデータ探索の自律性の提供を行わないことによって、ビジネス機会を加速させるチャンスを逃すことも挙げられます。

データ戦略は、コンバージョン率を向上させるための適切な顧客セグメンテーションの実行、パーソナライゼーションによる顧客満足度の向上、リテンションアクションを予測することによる顧客離脱の低減、カスタマーエクスペリエンスを改善するための A/B テストによる新製品および新機能の迅速なテスト、ビジネスやブランドへの影響を改善できるその他の戦略など、ビジネス上の課題を解決することに焦点を当てる必要があります。

企業では、データガバナンスを過小評価していることが多くあります。この分野における取り組みの大部分は分析レイヤーに集中しており、自動化されているプロセスはほとんどありません。これにより、データエンジニアリングチームにオーバーヘッドが発生します。データに関連するビジネスドメインを理解していないにもかかわらず、データを理解してデータコンシューマー向けに翻訳する必要があるためです。データガバナンスをデータインジェストから消費までの全体に適用することで、データ戦略を強化できます。高度なデータ標準化、分類、および品質をサポートするプロセスにより、ユーザーはデータを容易に操作し、自動化された方法でデータにアクセスできるようになります。

自社の現在のステージの把握

データ使用の成熟度の初期ステージからデータ駆動ステージに企業を移行させるのは困難です。この移行には、実装に時間がかかる可能性のある機能、プロセス、ロールが必要となるためです。次の図は、データ使用の成熟度におけるさまざまなステージを示しています。

ステージ 1 (トランザクション)。ステージ 1 では、企業は自社のコア業務に焦点を当てています。これらの業務に関連するデータを利用していません。その理由は、ビジネスにおける財務指標や業務パフォーマンス指標を測定または使用していないためです。現在では、このステージに留まっている企業はごくわずかです。そのような企業の多くは、ビジネスの初期ステージにあるスタートアップ企業です。

ステージ 2 (データによる情報の取得)。ステージ 2 では、企業は運用データ、財務データ、および部門データを使用してビジネスの健全性をモニタリングしますが、これらのデータは各部門内でサイロ化された方法で分析されます。このステージにある企業の多くはオンプレミスの独自システムを使用しており、データ共有が複雑でコストがかかる場合があります。 

ステージ 2 の企業を AWS に移行する際には、通常は、データの抽出、カタログ化、ビジネス領域間での共有を可能にし、高度なインタラクティブ分析の使用を開始できるようにすることが含まれます。

ステージ 3 (データに基づくアクション)。ステージ 3 には、データ使用を既に最適化している企業が含まれています。これらの企業は、業界に応じてさまざまな方法でデータを使用します。

ただし、ステージ 3 の企業はデータを広範に使用するものの、これらのアクションを実行するためには手動でのデータ分析が必要です。

現在、ほとんどの企業はステージ 3 にありますが、機械学習 (ML) モデルなどのより高度な手法を使用している企業もあれば、高度な分析を試し始めたばかりの企業もあります。

ステージ 4 (データ駆動型の意思決定)。ステージ 4 の企業では既にデータに基づく意思決定を行っており、多くの場合、それは自動的に行われています。ただし、これは難しい場合があります。これには、データに対する信頼性と、アプリケーションがデータを使用して反応するために確立されているメカニズムに対する信頼性が必要です。ステージ 4 では、タイムリーな意思決定にデータを使用できるようにする必要もあります。  

双方向ドア意思決定の自動化

可逆的な (双方向ドア) 意思決定は、データ駆動型アクションに最適な候補です。例えば、ある企業では、返品や顧客からの苦情が発生する統計的確率が高いことを示す否定的なレビューを受け取った場合に、その製品を隔離 (販売停止) することを決定することがあります。この隔離は問題の対処後に解除することができ、製品の販売を再開できます。

不正検出は、双方向のデータ駆動型アクションの別の例です。企業は、対処が必要ないくつかの誤検出が発生した場合でも、顧客やプラットフォームの損失を回避するためのメカニズムを導入することがあります。現在のメカニズムの結果を測定し、その有効性を評価することによって、改善を導入できます。誤検出が顧客によって解消されるか、または正当であることが検証された後、2 要素認証または同様のプロセスを使用してトランザクションを確認または再試行できます。

ただし、一部のアクションは元に戻すのが容易ではないため、取締役会によるさらなる議論と承認が必要です。これらは、一方向ドア意思決定と呼ばれます。例えば、施設の建設や多額の資金投資を伴うアクションは、通常、元に戻すのが困難です。これらは、自動のデータ駆動型アクションの候補として適切ではありません。

データ駆動型アクションは、継続的な測定を通じて、その影響の可視性について評価される必要があります。これらの測定結果は、機能をロールバックするかどうか、あるいは特異な動作についてさらに深い分析を行うためのテストやチームの関与が必要かどうかを判断するのに役立ちます。