Thought leaders

Wat te doen als COVID-veranderingen uw gegevens verouderd maken – Thought Leaders

mm
Voeg Unite.AI toe aan je voorkeursbronnen op Google

Voor mensen is de onvoorspelbaarheid van het leven een existentieel probleem. Het is een soortgelijke bedreiging voor analytische modellen. Net als wij proberen algoritmes de toekomst te voorspellen door algemene patronen uit het verleden te halen. Hoe willekeuriger de geschiedenis, hoe meer wij beiden worstelen om een patroon te creëren uit de chaos.

Een maand geleden dachten we dat COVID misschien voorbij was. Nu, met de opkomst van de Delta-variant, is de economie in een vreemde dans tussen open en gesloten. En als we wilden weten wat er daarna komt — zeg, als we een voorspellend model een samenvatting van het afgelopen jaar en een half zouden voeden — zou het ons waarschijnlijk vertellen dat we op weg zijn naar een nieuwe lockdown.

Gegevens, net als voedsel- of modetrends, verlopen. Als u uw modellen alleen voorziet van beperkte historische gegevens, kunnen ze geen erg nauwkeurig beeld geven van wat er vandaag in de markt gebeurt, laat staan wat er morgen zal gebeuren.

Wanneer de realiteit van het dagelijks leven elke week en zelfs elke dag verandert, moet u uw modellen constant vernieuwen met nieuwe gegevensassets en nieuwe dimensies die inzicht geven in de huidige context.

Wanneer de realiteit verandert, moet u mee veranderen

Elke fluctuatie in de richtlijnen voor openbare veiligheid heeft een opmerkelijke verschuiving in consumentengedrag teweeggebracht. Helaas hebben al die verschuivingen in consumentengedrag grote delen van de analytische modellen van organisaties verouderd.

Denk nu aan de bedrijven die, ondanks de constante verandering, hun bedrijf hebben gehandhaafd en zelfs hebben laten groeien tijdens de pandemie. Zij hebben snel gehandeld om de juiste gegevenssets te vinden die hen zicht konden geven op de veranderende gewoonten van de klant. De bedrijven die probeerden vast te houden aan hun oude gegevensbronnen, terwijl de wereld volledig was veranderd, verloren hun marktaandeel.

De detailhandelsindustrie, bijvoorbeeld, moest de massale overgang naar online winkelen aan het begin van de pandemie omarmen, de complexiteit van online-offline combinatietransacties (zoals afhalen bij de stoeprand) en de wedergeboorte van persoonlijke ervaringen nu de COVID-beperkingen zijn opgeheven.

Slimme detailhandelsbedrijven zochten alternatieve gegevensbronnen om de juiste context te bieden bij elke stap in het proces. Aanvankelijk zochten ze naar COVID-gerelateerde gegevenssets — die CDC-gegevens over de verspreiding van de ziekte omvatten, bijvoorbeeld — om hun verkoopprognosemodellen aan te passen. Vervolgens bekeken ze de voetgangersverkeer versus onlineverkeer om hun aanpak voor heropening te bepalen. Toen de pandemie voortduurde, onderzochten detailhandelsbedrijven de verkoop- en creditcarduitgavengegevens tegenover demografische kenmerken om te begrijpen hoe hun typische klantprofiel was veranderd.

Gegevensverval déjà vu

Hoewel we allemaal uitkijken naar de heropening (wanneer het dan ook maar gebeurt), waarschuwt deze dramatische maatschappelijke verandering voor een soortgelijk resultaat als de eerste wereldwijde sluiting. Organisaties die hun analytische modellen hebben getraind met gegevenssets die verband houden met de markt in de pandemietijd, moeten opnieuw naar nieuwe bronnen zoeken.

Maar in tegenstelling tot de eerste lockdown hebben we nu de kans om ons voor te bereiden op de significante verandering wanneer die komt. We weten dat we alternatieve gegevensbronnen moeten vinden en modellen moeten creëren die zin kunnen geven aan de nieuwe realiteit.

Dus, wat moet u doen als u weet dat uw gegevens zullen verlopen? Eerst zoekt u naar manieren om uw gegevensbronnen uit te breiden buiten uw historische gegevens. De organisaties met de meest krachtige analytische programma’s behandelen gegevensacquisitie op dezelfde manier als klantacquisitie — ze bouwen een schaalbare aanpak voor het continue ontdekken, valideren en onboarden van nieuwe gegevensassets. Deze aanpak komt neer op drie componenten: mensen, systemen en processen, in die volgorde.

Mensen

Er zijn veel gegevensbronnen beschikbaar. Hoe weet u of de bronnen die u gebruikt werken? Hoe weet u wat u mist? Door een team op te bouwen dat zich toelegt op het verwerven van de juiste gegevens, samenwerkt met leveranciers om dit te doen en uw eigen gegevensassets beheert. Rollen om in te huren zijn een Hoofd Gegevensacquisitie, Data-architecten, Data-strategen en Data-wetenschappers.

Systemen

Herinner u hoe sommige bedrijven worstelden met de overgang naar thuiswerken omdat ze geen centraal IT-huis hadden? Het is een les die we nog steeds moeten onthouden wanneer het gaat om analytische modellen. Ik heb grote organisaties gezien die dezelfde gegevens twee of drie keer op verschillende niveaus kochten en integreerden. Een centrale plaats waar verschillende kanten van het bedrijf kunnen samenwerken aan gegevenssets die het bedrijf binnenkomen, is noodzakelijk.

Nog belangrijker is dat uw gegevensacquisitie-ecosysteem u in staat moet stellen om te itereren over een verscheidenheid aan gegevens en uw PLC’s, tests en bedrijfsinitiatieven te versnellen. Binnen een paar dagen moet u niet alleen nieuwe gegevensbronnen kunnen catalogiseren, maar ook implementeren in productie. Tijd is alles wanneer de realiteit zo snel verandert.

Processen

Het spreken over tijd, als het uw organisatie twee of drie maanden kost om één enkele gegevensbron te onderzoeken (laat staan integreren), is een teken dat u niet erg goed bent voorbereid om nieuwe gegevens op te nemen. Creëer een workflow voor de levenscyclus van gegevensacquisitie, van testen tot kopen tot integreren. Dit proces moet een cross-functionele samenwerking omvatten van IT, inkoop, juridisch, naleving en beveiliging, zodat elk team de respectieve bronproblemen kan aanpakken.

Conclusie

Slimme dataleiders weten dat gegevensbronnen een concurrerend voordeel zijn om snel te reageren op marktcondities. Zodra u heeft geïnvesteerd in een gegevensacquisitie-strategie, maakt het niet uit of we terugkeren naar een lockdown of snel herstellen. U zult klaar zijn om op uw voeten te landen te midden van elke grote verstoring.

Maor is de mede-oprichter en CEO van Explorium, zijn passie voor het bouwen van geweldige dataproducten komt voort uit zijn ervaring in de elite militaire inlichtingeneenheid 8200, waar zijn werk met gegevensvariëteit hem ertoe bracht een award-winning data mining platform te creëren en data science projecten te leiden. Maor werd genoemd in de Forbes Israel 30 onder 30 lijst.