Hvad skal du gøre, når COVID-ændringer gør dine data forældede – Tankeledere

For mennesker er livets uforudsigelighed en eksistensen betingelse. Det er en lignende trussel for analytiske modeller. Ligesom os forsøger algoritmer at forudsige fremtiden ved at generalisere tidligere begivenheder. Jo mere tilfældigt historien er, desto mere kæmper vi begge for at skabe en mønster ud af kaos.

For en måned siden troede vi, at COVID måske var ovre. Nu, med opdukningen af Delta-varianten, er økonomien i en underlig dans mellem åben og lukket. Og hvis vi ville vide, hvad der sker herefter – sagen, hvis vi gav en prognosemodel en sammenfatning af de sidste år og en halv – ville den sandsynligvis fortælle os, at vi er på vej mod en ny lukning.

Data, ligesom mad- eller modetrends, udløber. Hvis du kun forsyner dine modeller med begrænsede historiske data, kan de ikke give en meget præcis beskrivelse af, hvad der sker på markedet i dag, endsige hvad der vil ske i morgen.

Når virkeligheden i daglig liv ændrer sig uge for uge og endda dag for dag, skal du opdatere dine modeller konstant med nye dataaktiver og nye dimensioner, der giver indsigt i den aktuelle kontekst.

Når virkeligheden ændrer sig, skal du ændre med den

Hver fluktuation i offentlige sikkerhedsrettigheder har udløst en bemærkelsesværdig ændring i forbrugeradfærd. Desværre har hver af disse ændringer i forbrugeradfærd gjort store dele af organisationernes analytiske modeller forældede.

Tænk nu på de virksomheder, der, på trods af den konstante ændring, har opretholdt og endda øget deres forretning under pandemien. De handlede hurtigt for at finde de rigtige datasæt, der kunne give dem indsigt i kundernes ændrede vaner. De virksomheder, der prøvede at fastholde deres gamle datasæt, selv om verden havde ændret sig fuldstændigt, mistede deres markedsshare.

Detailhandelsbranchen, for eksempel, måtte omfavne den massive overgang til online-shopping i starten af pandemien, kompleksiteten af online-offline kombinations-transaktioner (som curbside-afhentning) og genoplivningen af personlige oplevelser, da COVID-restriktionerne blev løftet.

Kloge detailhandelsvirksomheder søgte efter alternative datasæt for at give den rigtige kontekst med hvert skridt i processen. Først søgte de efter COVID-relaterede datasæt – som inkluderede CDC-data om sygdommens udbredelse, for eksempel – for at justere deres salgsprognosemodeller. Så gennemgik de fodtrafik vs. online-trafik for at bestemme deres tilgang til genåbning. Da pandemien skred frem, undersøgte detailhandelsvirksomheder salgs- og kreditkortudgiftsdata i forhold til demografiske attributter for at forstå, hvordan deres typiske kundeprofil havde ændret sig.

Data-forfalds-deja-vu

Så meget som vi alle ser frem til genåbningen (når det kommer), advarer denne dramatiske samfundsmæssige ændring om en lignende udfald som den første globale lukning. Organisationer, der har trænet deres analytiske modeller med datasæt relateret til markedet under pandemien, skal igen søge efter nye kilder.

Men til forskel fra den første lukning har vi denne gang muligheden for at forberede os på den betydelige ændring, når den kommer. Vi ved, at vi skal finde alternative datasæt og oprette modeller, der kan give mening i den nye virkelighed.

Så hvad skal du gøre, når du ved, at dine data vil udløbe? Først skal du søge efter måder at udvide dine datasæt ud over dine historiske data på. De organisationer med de mest kraftfulde analytiske programmer behandler data-acquisition på samme måde, som de behandler kunde-acquisition – de bygger en skalerbar tilgang for konstant at opdage, vurdering og påboard nye dataaktiver. Denne tilgang kan sammenfattes i tre komponenter: mennesker, systemer og processer, i den rækkefølge.

Mennesker

Der er mange datasæt derude. Hvordan ved du, at de datasæt, du bruger, fungerer? Hvordan ved du, hvad du mangler? Ved at bygge et team, der er dedikeret til at erhverve de rigtige data, arbejde med leverandører for at gøre det og administrere dine egne dataaktiver. Roller at ansætte inkluderer en Chef for Data-acquisition, Data-arkitekter, Data-strateg og Data-videnskabsmænd.

Systemer

Husk, hvordan nogle virksomheder kæmpede med overgangen til fjernarbejde, fordi de ikke havde en centraliseret IT? Det er en lære, vi stadig skal mindes, når det kommer til analytiske modeller. Jeg har set store organisationer købe og integrere de samme data to eller tre gange på forskellige stadier. En centraliseret plads, hvor forskellige sider af forretningen kan samarbejde om datasæt, der kommer ind i organisationen, er nødvendig.

Endnu vigtigere er, at din data-acquisitions-økosystem skal kunne iterere over en række af data og accelerere dine PLC’er, tests og forretningsinitiativer. Inden for få dage skal du kunne ikke kun katalogisere nye datasæt, men også deploye dem til produktion. Tid er alt, når virkeligheden ændrer sig så hurtigt.

Processer

Talende om tid, hvis det tager din organisation to eller tre måneder at undersøge et enkelt datasæt (meget mindre integrere det), er det et tegn på, at du ikke er meget godt forberedt på at absorbere nye data. Opret en arbejdsgang for livscyklussen af data-acquisition, fra test til køb til integration. Denne proces skal involvere et tværfunktionelt partnerskab bestående af IT, indkøb, juridisk, compliance og sikkerhed, så hver team kan behandle de respektive sourcing-problemer.

Konklusion

Kloge data-ledere ved, at datasæt er en konkurrencemæssig aktiv til at reagere hurtigt på markedets betingelser. Når du har investeret i en data-acquisitions-strategi, kommer det ikke til at betyde, om vi går tilbage i lukning eller genåbner hurtigt. Du vil være parat til at lande på fødderne midt i enhver større forstyrrelse.