Que faire lorsque les changements COVID rendent vos données obsolètes ?

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 luttons tous les deux pour créer un modèle à partir du chaos. 

Il y a un mois, nous pensions que le COVID était peut-être terminé. Maintenant, avec l'émergence de la variante Delta, l'économie est dans une étrange danse entre ouvert et fermé. Et si nous voulions savoir quelle est la prochaine étape – disons, si nous alimentions un modèle prédictif avec un résumé de l'année et demie écoulée – cela pourrait très bien nous dire que nous nous dirigeons vers un autre verrouillage. 

Les données, comme les tendances alimentaires ou de mode, expirent. Si vous ne fournissez à vos modèles que des données historiques limitées, ils ne peuvent pas brosser un tableau très précis de ce qui se passe sur le marché aujourd'hui, et encore moins de ce qui se passera demain. 

Lorsque la réalité de la vie quotidienne change chaque semaine et même chaque jour, vous devez constamment rafraîchir vos modèles avec de nouveaux actifs 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 des directives 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 obsolètes une grande partie des modèles analytiques des organisations. 

Pensez maintenant aux entreprises qui, malgré le changement constant, ont maintenu et même développé leur activité pendant la pandémie. Ils ont agi rapidement pour trouver les bons ensembles de données qui pourraient leur donner une visibilité sur l'évolution des habitudes 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. 

Le secteur 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 combinées en ligne et hors ligne (comme le ramassage en bordure de rue) ainsi que la renaissance des expériences en personne alors que les restrictions COVID ont été levées. 

Les entreprises de vente au détail averties ont recherché des sources de données alternatives pour fournir le contexte approprié à chaque étape du processus. Au début, ils ont recherché 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 piétonnier par rapport au trafic en ligne pour déterminer leur approche de la réouverture. Au fur et à mesure que la pandémie se prolongeait, les entreprises de vente au détail ont examiné les données sur les ventes et les dépenses par carte de crédit par rapport aux attributs démographiques pour comprendre comment leur profil de client typique avait changé. 

Détérioration des données déjà vu

Même si nous attendons tous avec impatience la réouverture (chaque fois qu'elle se produira), ce changement sociétal dramatique annonce un résultat similaire au premier arrêt mondial. Les organisations qui ont formé leurs modèles d'analyse à l'aide d'ensembles de données liés au marché de l'ère de la pandémie devront à nouveau rechercher de nouvelles sources.

Mais contrairement au premier confinement, cette fois, nous avons la possibilité de nous préparer au changement important lorsqu'il se produira. Nous savons que nous devrons trouver d'autres sources de données et créer des modèles qui peuvent donner un sens à la nouvelle réalité. 

Alors, que devez-vous faire lorsque vous savez que vos données expireront ? Tout d'abord, recherchez des moyens d'élargir vos sources de données en dehors de vos données historiques. Les organisations dotées des programmes d'analyse les plus puissants traitent l'acquisition de données de la même manière qu'elles traitent l'acquisition de clients : elles élaborent une approche évolutive pour découvrir, vérifier et intégrer en permanence de nouveaux actifs de données. Cette approche se résume à trois composantes : les personnes, les systèmes et les processus, dans cet ordre.

Personnes

Il existe de nombreuses sources de données. Comment savez-vous que ceux que vous utilisez fonctionnent ? Comment savez-vous ce que vous manquez ? En constituant une équipe dédiée à l'acquisition des bonnes données, en travaillant avec les fournisseurs pour ce faire et en gérant vos propres actifs de données. Les rôles à embaucher comprennent un responsable de l'acquisition de données, des architectes de données, un stratège de données et des scientifiques de données.

Système

Vous souvenez-vous que certaines entreprises ont eu du mal à passer au travail à distance parce qu'elles n'avaient pas d'informatique centralisée ? C'est une leçon que nous devons encore nous rappeler quand il s'agit de modèles analytiques. J'ai vu de grandes organisations acheter et intégrer les mêmes données deux ou trois fois à différentes étapes. Un lieu centralisé où les différents côtés de l'entreprise peuvent collaborer sur des ensembles de données entrant dans l'organisation est nécessaire. 

Plus important encore, votre écosystème d'acquisition de données doit vous permettre d'itérer sur une variété de données et d'accélérer vos automates, vos tests et vos initiatives commerciales. En quelques jours, vous devriez être en mesure non seulement de cataloguer de nouvelles sources de données, mais aussi de les déployer en production. Le temps est tout quand la réalité change si rapidement.

Le processus

En parlant de temps, s'il faut deux ou trois mois à votre organisation pour examiner une seule source de données (et encore moins pour l'intégrer), c'est un signe que vous n'êtes pas très bien préparé pour absorber de nouvelles données. Créez un flux de travail pour le cycle de vie de l'acquisition de données, des tests à l'achat en passant par l'intégration. Ce processus doit impliquer un partenariat interfonctionnel comprenant l'informatique, les achats, le juridique, la conformité et la sécurité afin que chaque équipe puisse résoudre les problèmes d'approvisionnement respectifs.

Conclusion

Les leaders des données intelligentes 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, peu importe que nous retournions au confinement ou que nous rebondissions rapidement. Vous serez prêt à atterrir sur vos pieds au milieu de toute perturbation majeure.