As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Alinhamento de sua estratégia de dados às suas metas de negócios

Os clientes da AWS 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 comuns.

Os erros comuns na criação de uma estratégia de dados incluem focar demais ferramentas e tendências técnicas, usar ferramentas de borda 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 importantes, fornecendo visibilidade da qualidade dos dados e dando autonomia aos usuários para a exploração de dados.

Sua estratégia de dados deve se concentrar em resolver seus problemas de negócios, 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 analytics 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 até o consumo de dados, pode fortalecer a estratégia de dados. Os processos que oferecem suporte à padronização, à classificação e à qualidade de dados avançados permitem que as pessoas interajam com os dados com facilidade e tenham acesso a eles de forma automatizada.

Descoberta do estágio atual da sua empresa

Migrar uma empresa de um estágio inicial de maturidade do uso de dados para um estágio orientado por dados é difícil, pois requer recursos, processos e perfis que podem levar tempo para serem implementados. O diagrama a seguir apresenta diferentes estágios na maturidade do uso de dados.

Estágio 1 (transacional). Nao estágio 1, as empresas estão focadas em suas operações principais. Elas não aproveitam os dados dessas operações porque não avaliam nem usam os indicadores de performance financeira e operacional para seus negócios. Atualmente, vemos muito poucas empresas nesse estágio. A maioria delas são empresas iniciantes nos estágios iniciais de seus negócios.

Estágio 2 (baseada em 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 está nesse estágio tem sistemas proprietários on-premises, em que o compartilhamento dos dados pode ser complexo e caro. 

Migrar empresas no estágio 2 para a AWS geralmente envolve possibilitar que elas extraiam, cataloguem e compartilhem dados entre áreas de negócios e comecem a usar análises interativas avançadas.

Estágio 3 (baseada 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:

No entanto, embora as empresas do estágio 3 usem dados de forma extensiva, elas precisam de 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 machine learning (ML), e algumas estejam começando a experimentar analytics avançado.

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

Automatização de decisões reversíveis

Decisões reversíveis (porta de duas vias) são ótimas candidatas para ações baseadas em dados. Por exemplo, uma empresa pode decidir colocar um produto em quarentena (parar de vendê-lo) depois de receber avaliações negativas que representem uma probabilidade estatisticamente alta de devoluções de produtos ou reclamações de clientes. A quarentena é reversível após o problema ter sido resolvido e o produto pode ser colocado novamente à venda.

A detecção de fraudes é outro exemplo de ação reversível baseada em dados. As empresas podem introduzir mecanismos para evitar perdas para seus clientes e a plataforma, mesmo que encontrem alguns falsos positivos que precisem ser resolvidos. Elas podem introduzir melhorias avaliando os resultados dos mecanismos atuais e 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 uma análise e aprovação por um conselho executivo. Elas são chamadas de decisões não reversíveis. Por exemplo, ações que envolvem a construção de instalações ou investimentos financeiros significativos geralmente são difíceis de reverter. Estas não são boas candidatas para ações automáticas baseadas em dados.

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