AWS為想要轉成資料驅動的數位化企業提出四大指導方針

成為資料驅動型的企業可增加收入又減少成本，因此 AWS特別針對想成為資料驅動型數位企業提出四大建議與實踐，以及如何整合大數據與機器學習來推動數位化。

現今的企業資料量正以指數曲線成長，如何利用巨量資料增加營收，並成為「資料驅動型組織」，正是許多企業的重大目標，因為成為資料驅動型組織平均可增加收入 20%，同時減少成本 30%。因此 Amazon Web Services（AWS）特別提出針對數據驅動型企業的四大建議與最佳實踐，並分享如何整合大數據與機器學習推動數位化。

資料驅動型組織平均可增加收入 20%，同時減少成本 30%。

企業文化養成仰賴四個關鍵要素

第一、要塑造資料驅動型企業文化，團隊應該用資料事實取代片面感覺，做出資料驅動的決策。而文化的養成仰賴於四個關鍵要素，包含高階主管的參與、透過數據讓團隊行動、養成決策以資料為核心的習慣以及將資料整合到日常工作中。

組織架構設計以敏捷出發，非控制或限制

第二、設計以敏捷為目標的企業組織架構，非控制或限制組織的作業。AWS 認為企業首先應該幫助各個資料使用方建立資料市集，並串聯「發布資料」和「找尋資料」的架構，然後定義和劃分團隊不同的權責。敏捷的組織需層層建構權力下放，而下放的程度取決於個人和團隊的技能成熟度、業務複雜度以及所需的領域知識和技術更新的速度。

衡量標準、治理規則與資料品質是奠定數位驅動企業的長遠機制

第三、企業要具有長遠思考與建構良好機制，以奠定資料驅動型企業，這些機制包括堅持正確的衡量標準、合理的治理規則與優良的資料品質。衡量標準能帶領企業重新思索有意義的指標，治理規則能為員工和團隊賦能而非一味限制，而且好的資料品質才能帶來更好的決策結果。

企業需要統一的資料底座並整合大數據與機器學習

第四、融合大數據與機器學習，注重有效執行，當完成前三項轉型布局，企業就需要「統一的資料底座」打破資料與技能孤島，實現大數據與機器學習的資料共享放在雲端中，統一的流程安排，讓機器學習由實驗轉為實踐，為企業提供生產級別的資料能力，也讓企業的資料分析更加智慧，為業務帶來更多價值。

Amazon Lake Formation 可協助進行資料資產的共享和治理

在執行方面，AWS 建議企業需透過在雲端中建構統一的資料治理底座，整合機器學習及大數據的開發平台，提升兩者的融合。同時減少重複建構的工作以減低成本，最終達到資料驅動轉型目標。AWS 為客戶提供可快速建構資料湖及各類專門用於資料跨部門共享的服務及功能，此外可透過 Amazon Lake Formation 幫助客戶進行資料資產的共享和治理。

Amazon Athena讓客戶快速處理複雜的資料加工和機器學習的建模

Amazon SageMaker 讓開發人員在高整合的環境中進行智慧分析

AWS 也提供可靈活擴展，針對複雜資料處理和加工的服務，例如可支援多種開放框架大數據平台的 Amazon Athena，讓客戶快速處理複雜的資料加工和完成機器學習的建模及準備。針對機器學習，AWS 也提供給客戶深度整合全托管的機器學習平台 Amazon SageMaker，讓開發人員在高度整合的環境中自主進行智慧分析。

AWS 多種無伺服器的分析服務幫助企業快速啟動資料分析專案

AWS 還不斷提供更加智慧的技術和服務，如多種無伺服器的分析服務，像 Amazon Redshift、Amazon MSK 與 Amazon EMR，可幫助企業快速啟動資料分析專案。而前不久推出的機器學習服務 Amazon CodeWhisperer，則可根據開發人員的自然語言整合開發環境中產生建議的程式碼，幫助提高開發人員的工作效率。AWS 還擁有資料實驗室、機器學習解決方案實驗室、大數據和機器學習專業服務等客製化服務，從基礎能力建構到最新的產業知識分享，幫助客戶將「資料驅動轉型」從構想到全面落地，重塑創新引擎。

目前全球有數十萬客戶正藉助 AWS 大數據及機器學習的服務來開展業務創新，其中在臺灣就有中華電信運用 AWS 上述的策略方針，成功建構起完整的資料治理框架，重塑公司內部資料治理的策略。透過資料驅動的決策藍圖，改善內部作業流程、進行企業決策、進而創造更精準的客戶價值。