Que faire lorsque les changements de COVID rendent vos données obsolètes – Leaders de pensée

Pour les humains, l’imprévisibilité de la vie est une préoccupation existentielle. C’est une menace similaire pour les modèles analytiques. Comme nous, les algorithmes tentent de prédire l’avenir en généralisant les événements passés. Plus l’histoire est aléatoire, plus nous avons du mal à créer un modèle à partir du chaos.

Il y a un mois, nous pensions que le COVID pourrait être terminé. Maintenant, avec l’émergence de la variante Delta, l’économie est dans une danse étrange entre ouverture et fermeture. Et si nous voulions savoir ce qui va se passer ensuite – disons, si nous alimentions un modèle prédictif avec un résumé des dix-huit derniers mois – il nous dirait très probablement que nous sommes à nouveau en route pour un autre confinement.

Les données, comme les tendances alimentaires ou de mode, ont une date d’expiration. Si vous ne fournissez à vos modèles que des données historiques limitées, ils ne peuvent pas peindre une image très précise de ce qui se passe sur le marché aujourd’hui, encore moins de ce qui se passera demain.

Lorsque la réalité de la vie quotidienne change chaque semaine, voire chaque jour, vous devez actualiser vos modèles constamment avec de nouvelles ressources de données et de nouvelles dimensions qui fournissent des informations sur le contexte actuel.

Quand la réalité change, vous devez changer avec elle

Chaque fluctuation dans les lignes directrices de sécurité publique a déclenché un changement remarquable dans le comportement des consommateurs. Malheureusement, chacun de ces changements dans le comportement des consommateurs a rendu de grandes parties des modèles analytiques des organisations obsolètes.

Maintenant, pensez aux entreprises qui, malgré les changements constants, ont maintenu et même développé leur entreprise pendant la pandémie. Ils ont agi rapidement pour trouver les bonnes ensembles de données qui pourraient leur donner une visibilité sur les habitudes changeantes des clients. Les entreprises qui ont essayé de s’en tenir à leurs anciennes sources de données, même si le monde avait complètement changé, ont perdu leur part de marché.

L’industrie de la vente au détail, par exemple, a dû adopter la transition massive vers les achats en ligne au début de la pandémie, la complexité des transactions en ligne et hors ligne (comme la prise en charge sur le trottoir) et le renouveau des expériences en personne lorsque les restrictions de COVID ont été levées.

Les entreprises de vente au détail avisées ont cherché des sources de données alternatives pour fournir le contexte approprié à chaque étape du processus. Au début, ils ont cherché des ensembles de données liés au COVID – qui comprenaient des données du CDC sur la propagation de la maladie, par exemple – pour ajuster leurs modèles de prévision des ventes. Ensuite, ils ont examiné le trafic piéton par rapport au trafic en ligne pour déterminer leur approche de réouverture. Au fur et à mesure que la pandémie se poursuivait, les entreprises de vente au détail ont examiné les données de ventes et de dépenses de cartes de crédit par rapport aux attributs démographiques pour comprendre comment leur profil de client typique avait changé.

Déjà vu de la détérioration des données

Autant que nous sommes tous impatients de la réouverture (quand cela arrivera-t-il ?), ce changement sociétal dramatique nous prévient d’un résultat similaire à la première fermeture mondiale. Les organisations qui ont formé leurs modèles d’analyse en utilisant des ensembles de données liés au marché de l’ère de la pandémie devront à nouveau chercher de nouvelles sources.

Mais contrairement à la première fermeture, cette fois, nous avons l’opportunité de nous préparer au changement important qui vient. Nous savons que nous devrons trouver de nouvelles sources de données et créer des modèles qui puissent donner un sens à la nouvelle réalité.

Alors, que faire lorsque vous savez que vos données vont expirer ? Tout d’abord, cherchez des moyens d’élargir vos sources de données au-delà de vos données historiques. Les organisations ayant les programmes d’analyse les plus puissants traitent l’acquisition de données de la même manière qu’ils traitent l’acquisition de clients – ils construisent une approche scalable pour découvrir, évaluer et intégrer de nouvelles ressources de données en continu. Cette approche se résume en trois composants : les personnes, les systèmes et les processus, dans cet ordre.

Personnes

Il y a beaucoup de sources de données. Comment savez-vous que celles que vous utilisez fonctionnent ? Comment savez-vous ce que vous manquez ? En construisant une équipe dédiée à l’acquisition des bonnes données, en travaillant avec des fournisseurs pour le faire et en gérant vos propres ressources de données. Les rôles à pourvoir incluent un responsable de l’acquisition de données, des architectes de données, un stratège de données et des scientifiques de données.

Systèmes

Rappelez-vous comment certaines entreprises ont eu du mal à passer au travail à distance parce qu’elles n’avaient pas d’IT centralisé ? C’est une leçon que nous devons encore nous rappeler lorsqu’il s’agit de modèles analytiques. J’ai vu de grandes entreprises acheter et intégrer les mêmes données deux ou trois fois à différents stades. Un lieu centralisé où les différents côtés de l’entreprise peuvent collaborer sur les ensembles de données qui entrent dans l’organisation est nécessaire.

Encore plus important, votre écosystème d’acquisition de données doit vous permettre d’itérer sur une variété de données et d’accélérer vos cycles de vie des produits, vos tests et vos initiatives commerciales. En quelques jours, vous devriez être en mesure non seulement de cataloguer de nouvelles sources de données, mais également de les déployer en production. Le temps est tout lorsque la réalité change si rapidement.

Processus

En parlant de temps, si cela prend deux ou trois mois à votre organisation pour examiner une seule source de données (pour ne pas parler de l’intégrer), c’est un signe que vous n’êtes pas très bien préparé à absorber de nouvelles données. Créez un flux de travail pour le cycle de vie de l’acquisition de données, de la phase de test à l’achat et à l’intégration. Ce processus devrait impliquer un partenariat interfonctionnel composé de l’IT, des achats, du juridique, de la conformité et de la sécurité afin que chaque équipe puisse traiter les problèmes de sourcing respectifs.

Conclusion

Les leaders de données intelligents savent que les sources de données sont un atout concurrentiel pour réagir rapidement aux conditions du marché. Une fois que vous avez investi dans une stratégie d’acquisition de données, cela n’a pas d’importance si nous retournons au confinement ou si nous rebondissons rapidement. Vous serez prêt à atterrir sur vos pieds au milieu de toute perturbation majeure.