本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
# 讓您的資料策略與您的業務目標保持一致
AWS 客戶告訴我們，資料專案與其公司目標之間缺乏一致性，通常會導致誤用、過度工程化的資料平台，為企業提供很少的價值。低資料資產重複使用性、資料不一致、資料探索不佳、長時間等待和低資料品質是典型的投訴。
建立資料策略的常見錯誤包括過度關注技術工具和趨勢、使用邊緣工具，以及缺少透過為商業使用者提供使用自己術語的資料來加速業務機會的機會、自動化關鍵指標報告的手動任務、提供資料品質可見性，以及提供使用者資料探索的自主性。
您的資料策略應該專注於解決您的業務問題，例如執行更好的客戶區隔以提高轉換率、改善客戶對個人化的滿意度、透過預測保留動作來減少客戶流失、使用 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。
公司經常低估資料控管。此區域中的大部分工作都在分析層中，而且很少的程序是自動化的。這會對資料工程團隊產生額外負荷，這些團隊必須了解資料並將其轉譯給資料消費者，而不了解與資料相關聯的商業網域。當從資料擷取套用到資料消耗時，資料控管可以增強資料策略。支援豐富資料標準化、分類和品質的程序，可讓人員輕鬆與資料互動，並以自動化方式存取資料。
## 探索您公司的目前階段
將公司從資料使用成熟度的進入階段移動到資料驅動階段很困難，因為它需要可能需要一些時間才能實作的功能、程序和角色。下圖顯示資料用量成熟度的不同階段。
![\[資料用量成熟度的階段\]](http://docs.aws.amazon.com/zh_tw/prescriptive-guidance/latest/strategy-aws-data/images/maturity.png)
**階段 1 （交易）。**在階段 1 中，公司專注於其核心操作。它們不會利用這些操作的資料，因為它們不會測量或使用其業務的財務和操作效能指標。今天，我們在此階段看到很少的公司。其中大多數都是處於其業務早期階段的新創公司。
**階段 2 （由資料提供資訊）。**在階段 2 中，公司會使用資料來監控其業務運作狀態，包括營運、財務和部門資料，這些資料會在每個部門內以孤立的方式進行分析。在此階段的大多數企業都有內部部署的專屬系統，其中共用資料可能既複雜又昂貴。
將第 2 階段的公司移至 AWS 通常需要讓他們能夠在業務領域之間擷取、編目和共用資料，並開始使用進階互動式分析。
**階段 3 （根據資料）。**階段 3 包括已最佳化其資料用量的公司。這些公司會根據產業，以不同的方式使用其資料：
+ 金融服務、醫療保健服務、電子商務服務和消費者包裝商品服務等服務公司都知道客戶的行為。他們會根據這些行為使用資料來建立及時的建議和優惠。
+ 製造公司通常會使用進階預測分析來最佳化其生產和供應操作。
+ 農業和製造業公司使用資料來最佳化其物流操作、提高程序效率，並實作精密農業。
不過，雖然第 3 階段中的公司廣泛使用資料，但他們需要手動資料分析才能採取這些動作。
目前大多數公司都處於第 3 階段，雖然有些公司使用更進階的技術，例如機器學習 (ML) 模型，有些則開始試驗進階分析。
**階段 4 （由資料驅動）。**階段 4 的公司通常會根據其資料自動做出決策。不過，這可能具有挑戰性。它需要對資料和現有機制的可信度，應用程式才能使用和回應資料。階段 4 也需要資料可供及時做出決策。
## 自動化雙向大門決策
可逆 (*雙向）* 決策是資料驅動動作的理想候選者。例如，公司在收到代表產品退回或客戶投訴機率統計上高的負面評論後，可能會決定隔離產品 （停止銷售）。在問題解決後，隔離是可逆的，並且產品可以重新銷售。
詐騙偵測是雙向、資料驅動動作的另一個範例。公司可能會引進機制，以避免客戶和平台遺失，即使他們遇到一些必須解決的誤報。他們可以透過測量目前機制的結果並評估其有效性來引入改進。在客戶緩解或驗證誤報之後，可以使用雙重驗證或類似程序來確認或重試交易。
不過，有些動作不易復原，需要執行委員會進一步的討論和核准。這些稱為*單向門*決策。例如，涉及設施建構或大量資金投資的動作通常難以反轉。這些不是自動資料驅動動作的理想候選項目。
資料驅動動作應透過常數測量評估其影響的可見性。這些衡量值可協助您決定轉返功能，或測試並吸引團隊進行不同行為的更深入分析。