Mitä tehdä, kun COVID-muutokset tekevät datasi vanhentuneeksi – Ajattelijat

Ihmisille elämän ennustamattomuus on olemassaoloongelma. Se on samanlainen uhka myös analytiikkamalleille. Niin kuin me, algoritmit yrittävät ennustaa tulevaisuutta yleistämällä menneitä tapahtumia. Mitä satunnaisempi historia on, sitä enemmän me molemmat kamppailemme löytääksemme mallin kaaoksesta.

Kuukausi sitten luulimme, että COVID saattaa olla ohi. Nyt, kun Delta-variantti on ilmaantunut, talous on outossa tanssissa avoimen ja suljettun välillä. Ja jos haluamme tietää, mitä seuraavaksi tapahtuu – sanotaan, jos syötämme ennustemalliin tiivistelmän viimeisen puolentoista vuoden ajalta – se kertoo meille, että olemme menossa kohti uutta lukituspolitiikkaa.

Data, kuten ruoka- tai muotivirtaukset, vanhenevat. Jos tarjoat malleille vain rajoitettua historiallista dataa, ne eivät voi luoda hyvin tarkkaa kuvaa siitä, mitä markkinoilla tapahtuu tänään, vielä vähemmän mitä tapahtuu huomenna.

Kun päivittäisen elämän todellisuus muuttuu viikosta toiseen ja jopa päivästä toiseen, sinun on päivitettävä malleja jatkuvasti uusilla data-ominaisuuksilla ja uusilla ulottuvuuksilla, jotka antavat näkymän nykyiseen kontekstiin.

Kun todellisuus muuttuu, sinun on muututtava sen mukaan

Jokainen muutos julkisen turvallisuuden ohjeissa on aiheuttanut merkittävän muutoksen kuluttajakäyttäytymisessä. Valitettavasti jokainen näistä muutoksista kuluttajakäyttäytymisessä on tehnyt suuria osia organisaatioiden analytiikkamalleista vanhentuneiksi.

Nyt ajattele yrityksiä, jotka ovatpiteitä muutoksista huolimatta ylläpitäneet ja jopa kasvattaneet liiketoimintaansa pandemian aikana. He toimivat nopeasti löytääkseen oikeat datajoukot, jotka antaisivat heille näkyvyyden muuttuvien asiakastottumuksiin. Yritykset, jotka yrittivät pitää kiinni vanhoista data-lähteistään, vaikka maailma oli muuttunut täysin, menettivät markkinaosuutensa.

Vähittäiskaupan alalla, esimerkiksi, piti omaksua massiivinen siirtymä verkkokauppaan pandemian alussa, verkkokaupan ja fyysisten myymälöiden yhdistämisen monimutkaisuus (kuten ajoratapihalla oleva nouto) ja henkilökohtaisten kokemusten elvyttäminen, kun COVID-rajoitukset purettiin.

Näppärit vähittäiskaupan yritykset etsivät vaihtoehtoisia data-lähteitä antamaan oikean kontekstin jokaisessa prosessin vaiheessa. Aluksi he etsivät COVID-aiheisia datajoukkoja – joista esimerkkinä CDC:n data taudin leviämisestä – sopeuttaakseen myyntiennusteitaan. Sitten he tarkastelivat jalankulku- ja verkkoliikennettä määrittääkseen lähestymistapansa uudelleenavaukseen. Kun pandemia jatkui, vähittäiskaupan yritykset tarkastelivat myynti- ja luottokortin ostoksia demograafisia ominaisuuksia vasten ymmärtääkseen, miten heidän tyypillinen asiakasprofiili oli muuttunut.

Data vanhenee uudelleen

Niin paljon kuin kaikki odotamme uudelleenavaukseen (riippumatta siitä, milloin se tulee), tämä dramaattinen yhteiskunnallinen muutos varoittaa samanlaisesta lopputuloksesta kuin ensimmäinen maailmanlaajuinen sulkeminen. Organisaatiot, jotka ovat kouluttaneet analytiikkamallejaan pandemia-aikaisiin datajoukkoihin, joutuvat jälleen etsimään uusia lähteitä.

Mutta toisin kuin ensimmäinen lukitus, meillä on nyt mahdollisuus valmistautua merkittäviin muutoksiin, kun ne tulevat. Tiemme, että meidän on löydettävä vaihtoehtoisia data-lähteitä ja luotava malleja, jotka voivat ymmärtää uutta todellisuutta.

Mitä siis pitäisi tehdä, kun tiedät, että datasi vanhenee? Ensinnäkin etsi keinoja laajentaa data-lähteitäsi historiallisen datan ulkopuolelle. Organisaatiot, joilla on voimakkaimmat analytiikkaprogrammit, käsittelevät datahankintaa samalla tavalla kuin asiakasohjelmaa – he rakentavat skaalautuvan lähestymistavan jatkuvasti löytääkseen, arvioimalla ja ottamalla käyttöön uusia data-ominaisuuksia. Tämä lähestymistapa kiteytyy kolmeen osaan: ihmisiin, järjestelmiin ja prosesseihin, juuri tuossa järjestyksessä.

Ihmisten rooli

On paljon data-lähteitä. Miten tiedät, ovatko ne, joita käytät, toimivat? Miten tiedät, mitä puuttuu? Rakentamalla tiimi, joka on omistautunut oikean datan hankkimiselle, työskentelemällä toimittajien kanssa ja hallitsemalla omia data-ominaisuuksia. Tehtäviä, jotka on syytä palkata, ovat Datahankinnan johtaja, Data-arkkitehdit, Datastrategi ja Data-tieteilijät.

Järjestelmät

Muistatko, miten jotkut yritykset kamppailivat etätyön siirtymisessä, koska heillä ei ollut keskitettyä IT:ää? Se on opetus, jota meidän on vielä muistettava, kun puhutaan analytiikkamalleista. Olen nähnyt suuria yrityksiä, jotka ostavat ja integroivat samaa dataa kaksi tai kolme kertaa eri vaiheissa. Keskitetty paikka, jossa eri liiketoiminnan osat voivat tehdä yhteistyötä datajoukoissa, jotka tulevat organisaatioon, on välttämätöntä.

Entistä tärkeämpää on, että datahankintäekosysteemisi pitäisi sallia iteroida erilaisia datajoukkoja ja kiihdyttää PLC:si, testejäsi ja liiketoimintahankkeita. Muutamassa päivässä pitäisi pystyä ei ainoastaan katalogoida uusia data-lähteitä, vaan myös ottaa ne tuotantoon. Aika on kaikki, kun todellisuus muuttuu noin nopeasti.

Prosessit

Puhuen ajan kanssa, jos organisaatiollasi kestää kaksi tai kolme kuukautta tutkia yhtä data-lähdettä (aina integroimista puhumattakaan), se on merkki siitä, ettei ole hyvin valmistautunut ottamaan uutta dataa vastaan. Luo työnkulkuprosessi datahankinnan elinkaaren ajaksi, testaamisesta ostamiseen ja integroimiseen. Tämä prosessi pitäisi sisältää monitoimijaisen yhteistyön, johon kuuluvat IT, hankinta, lakiasiat, vaatimukset ja turvallisuus, jotta kunkin tiimin voisi käsitellä omat hankintaa koskevat ongelmat.

Johtopäätös

Älykkäät datajohtajat tietävät, että data-lähteet ovat kilpailuetu markkinatilanteiden nopeaan reagointiin. Kun olet investoinut datahankintastrategiaan, ei ole väliä, menemmekö takaisin lukituspolitiikkaan vai reagoimme nopeasti. Olet valmis reagoimaan mihin tahansa suureen häiriintymään.