本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
# 使您的数据策略与业务目标保持一致
AWS 客户告诉我们，数据项目与公司目标之间不一致通常会导致数据平台被滥用、过度设计，最终难以创造业务价值。数据资产的可重用性低、数据不一致、数据发现能力差、等待时间长以及数据质量低都是典型的抱怨。
制定数据策略时常见的错误包括过于关注技术工具和趋势、使用边缘工具以及错失通过以下方式加速业务发展的机会：向业务用户提供使用其自己术语的数据、自动化关键指标报告的手动任务、提供数据质量可见性以及赋予用户自主探索数据的权限。
您的数据策略应侧重于解决业务问题，例如进行更好的客户细分以提高转化率，提高客户对个性化的满意度，通过预测留存行为来减少客户流失，通过 A/B 测试更快地测试新产品和新功能以提升客户体验，以及任何其他能够提升业务或品牌影响力的策略。
公司经常低估数据治理。该领域的大部分工作都在分析层，只有极少数流程实现了自动化。这给数据工程团队带来了额外的负担：他们必须理解数据并将其转化为数据消费者能够理解的内容，却往往缺乏对数据相关业务领域的了解。如果将数据治理贯穿从数据摄取到数据消费的全过程，便可赋能数据策略。支持丰富的数据标准化、分类和质量的流程，使人们能够轻松地与数据交互，并以自动化的方式访问数据。
## 探索公司当前所处的阶段
将公司从数据使用成熟度的入门阶段提升到数据驱动阶段并非易事，因为这需要具备相应的能力、流程和角色，而这些都需要时间来实施。下图显示数据使用成熟度的不同阶段。
**第一阶段（事务处理）。**在第一阶段，公司专注于其核心业务运营。由于没有衡量或使用业务的财务和运营绩效指标，因此无法有效利用与这些运营相关的数据。如今，处于这一阶段的公司寥寥无几，其中大多数都是处于业务早期阶段的初创企业。
**第二阶段（通过数据提供信息）。**在第二阶段，公司使用数据来监控其业务健康状况，包括运营、财务和部门数据，这些数据在各部门内部以孤立的方式进行分析。处于此阶段的大多数企业都有本地专有系统，在其中共享数据可能既复杂又昂贵。
将第二阶段的公司迁移到 AWS 通常包括让其能够在各业务领域之间提取、编目和共享数据，然后开始使用高级交互式分析。
**第三阶段（基于数据）。**第三阶段包括已经优化其数据使用的公司。根据行业的不同，这些公司以不同的方式使用其数据：
+ 金融服务、医疗保健服务、电子商务服务和消费品服务等服务公司了解其客户的行为。他们利用数据，根据这些行为来生成及时的推荐和优惠。
+ 制造业公司经常使用高级预测分析来优化其生产和供应运营。
+ 农业和制造业公司使用数据来优化物流运营、提高流程效率和实施精准农业。
但是，尽管处于第三阶段的公司广泛使用数据，但他们需要手动数据分析才能采取这些行动。
如今大多数公司都处于第三阶段，尽管其中一些公司使用更先进的技术，例如机器学习（ML）模型，一些公司已经开始尝试高级分析。
**第四阶段（通过数据驱动）。**处于第四阶段的公司通常已根据自己的数据自动进行决策。但这并非易事。这需要对数据充满信心，并具备让应用程序使用数据并作出响应的机制。第四阶段还要求提供数据，以便及时作出决策。
## 自动化双向门决策
可逆的（*双向门*）决策是数据驱动型行动的绝佳选择。例如，一家公司在收到负面评价后，如果这些评价在统计学上表明产品退货或客户投诉的概率较高，则可能会决定隔离该产品（停止销售）。待问题解决后，隔离措施即可解除，产品可以重新上架销售。
欺诈检测是双向数据驱动型行动的另一个例子。公司可能会引入一些机制来避免客户和平台遭受损失，即便可能出现需要处理的一些误报情况。他们可以通过衡量现行机制的结果和评估其有效性来进行改进。在误报得到缓解或经客户验证后，可以使用双重身份验证或类似流程来确认或重试交易。
但是，有些行动不易逆转，需要董事会进一步讨论和批准。这些称为*单向门*决策。例如，涉及设施建设或大量资金投资的行动通常难以逆转。这些行为不适合作为自动数据驱动型行动。
应通过持续衡量评估数据驱动型行动，以确定其影响的可见性。这些衡量标准可帮助您决定是否回滚某项功能，或者是否需要测试并组建团队来深入分析特定行为。