Cosa Fare Quando I Cambiamenti COVID Rendono I Tuoi Dati Obsoleti – Leader di Pensiero

Per gli esseri umani, l’imprevedibilità della vita è una minaccia esistenziale. È una minaccia simile per i modelli analitici. Come noi, gli algoritmi tentano di prevedere il futuro generalizzando eventi passati. Più è casuale la storia, più entrambi lottiamo per creare un modello a partire dal caos.

Un mese fa pensavamo che il COVID potesse essere finito. Ora, con l’emergere della variante Delta, l’economia è in una strana danza tra apertura e chiusura. E se volessimo scoprire cosa succederà dopo — diciamo, se alimentassimo un modello predittivo con un riassunto dell’ultimo anno e mezzo — potrebbe dirci che stiamo andando verso un altro lockdown.

I dati, come le mode alimentari o di moda, scadono. Se fornisci ai tuoi modelli solo dati storici limitati, non possono dipingere un quadro molto preciso di cosa sta succedendo nel mercato oggi, per non parlare di cosa succederà domani.

Quando la realtà della vita quotidiana cambia ogni settimana e anche ogni giorno, devi aggiornare i tuoi modelli costantemente con nuovi asset di dati e nuove dimensioni che forniscono insight sul contesto attuale.

Quando la realtà cambia, devi cambiare con essa

Ogni fluttuazione nelle linee guida di sicurezza pubblica ha scatenato un notevole cambiamento nel comportamento dei consumatori. Purtroppo, ognuno di quei cambiamenti nel comportamento dei consumatori ha reso obsolete grandi porzioni dei modelli analitici delle organizzazioni.

Ora pensa alle aziende che, nonostante il costante cambiamento, hanno mantenuto e addirittura aumentato il loro business durante la pandemia. Hanno agito rapidamente per trovare i dati giusti che potevano dare loro visibilità sui cambiamenti delle abitudini dei clienti. Le aziende che hanno tentato di attenersi alle stesse fonti di dati di sempre, anche se il mondo era cambiato completamente, hanno perso la loro quota di mercato.

L’industria retail, ad esempio, ha dovuto abbracciare la transizione massiccia allo shopping online all’inizio della pandemia, la complessità delle transazioni online-offline (come il ritiro curbside) e la rinascita delle esperienze in persona mentre le restrizioni COVID sono state revocate.

Le aziende retail astute hanno cercato fonti di dati alternative per fornire il contesto appropriato ad ogni passaggio del processo. Inizialmente, hanno cercato set di dati relativi al COVID — che includevano dati del CDC sulla diffusione della malattia, ad esempio — per regolare i loro modelli di previsione delle vendite. Poi, hanno esaminato il traffico a piedi rispetto al traffico online per determinare il loro approccio alla riapertura. Mentre la pandemia proseguiva, le aziende retail esaminavano i dati sulle vendite e sulle spese con carta di credito rispetto agli attributi demografici per capire come il loro profilo di cliente tipico era cambiato.

Dejà vu della deteriorazione dei dati

Quanto più ci avviciniamo alla riapertura (quando arriverà), questo cambiamento sociale drammatico avverte di un esito simile al primo blocco globale. Le organizzazioni che hanno addestrato i loro modelli analitici utilizzando set di dati relativi al mercato dell’era della pandemia dovranno nuovamente cercare nuove fonti.

Ma a differenza del primo lockdown, questa volta abbiamo l’opportunità di prepararci al cambiamento significativo quando arriverà. Sappiamo che dovremo trovare fonti di dati alternative e creare modelli che possano dare senso alla nuova realtà.

Quindi, cosa dovresti fare quando sai che i tuoi dati scadranno? Prima, cerca modi per allargare le tue fonti di dati al di fuori dei tuoi dati storici. Le organizzazioni con i programmi analitici più potenti trattano l’acquisizione di dati allo stesso modo in cui trattano l’acquisizione di clienti — costruiscono un approccio scalabile per scoprire, verificare e integrare continuamente nuovi asset di dati. Questo approccio si riduce a tre componenti: persone, sistemi e processi, in quest’ordine.

Persone

Ci sono molte fonti di dati là fuori. Come fai a sapere se quelle che stai utilizzando funzionano? Come fai a sapere cosa ti manca? Costruendo un team dedicato all’acquisizione dei dati giusti, lavorando con i fornitori per farlo e gestendo i tuoi asset di dati. I ruoli da assumere includono un Capo dell’Acquisizione di Dati, Architetti di Dati, Stratega di Dati e Scienziati di Dati.

Sistemi

Ricorda come alcune aziende hanno lottato con la transizione al lavoro remoto perché non avevano un IT centralizzato? È una lezione che dobbiamo ancora ricordare quando si tratta di modelli analitici. Ho visto grandi organizzazioni acquistare e integrare gli stessi dati due o tre volte in fasi diverse. Un luogo centralizzato in cui i diversi lati dell’azienda possano collaborare sui set di dati che entrano nell’organizzazione è necessario.

Ancor più importante, il tuo ecosistema di acquisizione dei dati dovrebbe permetterti di iterare su una varietà di dati e accelerare i tuoi PLC, test e iniziative aziendali. Entro pochi giorni, dovresti essere in grado non solo di catalogare nuove fonti di dati, ma anche di deployarle in produzione. Il tempo è tutto quando la realtà cambia così rapidamente.

Processi

Parlando di tempo, se ci vogliono due o tre mesi alla tua organizzazione per esaminare una sola fonte di dati (per non parlare dell’integrazione), è un segno che non sei molto preparato ad assorbire nuovi dati. Crea un flusso di lavoro per il ciclo di vita dell’acquisizione dei dati, dalla prova all’acquisto all’integrazione. Questo processo dovrebbe coinvolgere una partnership cross-funzionale composta da IT, acquisti, legale, conformità e sicurezza in modo che ogni team possa affrontare i rispettivi problemi di sourcing.

Conclusione

I leader di dati intelligenti sanno che le fonti di dati sono un asset competitivo per reagire rapidamente alle condizioni di mercato. Una volta che hai investito in una strategia di acquisizione dei dati, non importa se torniamo in lockdown o ci riprendiamo rapidamente. Sarai pronto ad atterrare sui piedi in mezzo a qualsiasi grande interruzione.