Hva du skal gjøre når COVID-endringer gjør dine data utdaterte – Tankeledere

For mennesker er livets uforutsigbarhet en eksistensiell bekymring. Det er en lignende trussel for analytiske modeller. Liksom oss, prøver algoritmer å forutsie fremtiden ved å generalisere tidligere hendelser. Jo mer tilfeldig historien er, jo mer sliter vi begge med å skape en mønster ut av kaoset. 

For en måned siden trodde vi at COVID kanskje var over. Nå, med fremkomsten av Delta-varianten, er økonomien i en merkelig dans mellom åpning og stengning. Og hvis vi ville finne ut hva som skjer neste — hvis vi for eksempel matet en prediktiv modell med en sammenfatning av de siste ett og et halvt året — kunne den fortelle oss at vi er på vei mot en ny nedstengning. 

Data, som mat eller motetrender, utgår. Hvis du bare forsyner dine modeller med begrensede historiske data, kan de ikke male en veldig nøyaktig bildet av hva som skjer i markedet i dag, og enda mindre hva som vil skje i morgen. 

Når virkeligheten i daglig liv endrer seg hver uke og sogar hver dag, må du fornye dine modeller konstant, med nye data-ressurser og nye dimensjoner som gir innsikt i den nåværende konteksten.

Når virkeligheten endrer seg, må du endre deg med den

Hver fluktuasjon i offentlige sikkerhetsretningslinjer har utløst en bemerkelsesverdig endring i forbrukeratferd. Dessverre har hver av disse endringene i forbrukeratferd gjort store deler av organisasjonenes analytiske modeller utdaterte. 

Tenk nå på de selskapene som, til tross for den konstante endringen, har opprettholdt og sogar vokst sin forretning under pandemien. De handlet raskt for å finne de riktige datasettene som kunne gi dem innsikt i kundens endrede vaner. Selskapene som prøvde å holde fast ved sine gamle datasources, selv om verden hadde endret seg fullstendig, tapte sin markedsandel. 

Detaljhandelsbransjen, for eksempel, måtte omfavne den massive overgangen til nettbutikking ved starten av pandemien, kompleksiteten ved nett-butikk-kombinasjoner (som for eksempel parkeringsplass-oppkreving) og gjenopplivingen av personlige opplevelser da COVID-begrensningene ble løftet. 

Smarthandelsselskaper søkte etter alternative datasources for å gi den rette konteksten med hver steg i prosessen. Først lette de etter COVID-relaterte datasæt — som inkluderte CDC-data om spredningen av sykdommen, for eksempel — for å justere sine salgsprognosemodeller. Deretter gjennomgikk de fotgjenger-trafikk mot nett-trafikk for å bestemme sin tilnærming til gjenåpning. Etterhvert som pandemien pågikk, undersøkte detaljhandelselskaper salg og kredittkort-utgiftsdata mot demografiske attributter for å forstå hvordan deres typiske kundeprofil hadde endret seg. 

Data-forverring déja vu

Så mye som vi alle ser frem til gjenåpningen (når den kommer), varsler denne dramatiske sosiale endringen en lignende utfall som den første globale nedstengningen. Organisasjoner som har trent sine analytiske modeller med datasæt relatert til markedet under pandemien, må igjen søke etter nye kilder.

Men til forskjell fra den første nedstengningen, har vi denne gangen muligheten til å forberede oss på den betydelige endringen når den kommer. Vi vet at vi må finne alternative datasources og skape modeller som kan gi mening til den nye virkeligheten. 

Så, hva skal du gjøre når du vet at dine data vil utgå? Først, se etter måter å utvide dine datasources utenfor dine historiske data. Organisasjoner med de mest powerful analytiske programmene behandler data-acquisition på samme måte som de behandler kunde-acquisition — de bygger en skalerbar tilnærming for kontinuerlig å oppdage, verifisere og integrere nye data-ressurser. Denne tilnærmingen brytes ned i tre komponenter: mennesker, systemer og prosesser, i den rekkefølgen.

Mennesker

Det finnes mange datasources der ute. Hvordan vet du at de du bruker fungerer? Hvordan vet du hva du mangler? Ved å bygge et team dedikert til å skaffe de riktige data, arbeide med leverandører for å gjøre det og håndtere dine egne data-ressurser. Roller å ansette inkluderer en sjef for data-acquisition, data-arkitekter, data-strateg og data-vitenskapsmenn.

Systemer

Husk hvordan noen selskaper slitt med overgangen til fjernarbeid fordi de ikke hadde en sentralisert IT? Det er en lekse vi fortsatt må bli påminnet om når det gjelder analytiske modeller. Jeg har sett store organisasjoner kjøpe og integrere samme data to eller tre ganger på forskjellige stadier. En sentral plass hvor ulike sider av forretningen kan samarbeide om datasæt som kommer inn i organisasjonen, er nødvendig. 

Enda viktigere, din data-acquisition-økosystem bør tillate deg å iterere på en rekke data og akselerere dine PLC-er, tester og forretningsinitiativer. Innen få dager bør du kunne ikke bare katalogisere nye datasources, men også deployere dem til produksjon. Tid er alt når virkeligheten endrer seg så raskt.

Prosesser

Snakker om tid, hvis det tar din organisasjon to eller tre måneder å undersøke en enkelt datakilde (mye mindre integrere den), er det et tegn på at du ikke er veldig godt forberedt på å absorbere nye data. Opprett en arbeidsflyt for livssyklusen til data-acquisition, fra testing til kjøp til integrering. Denne prosessen bør involvere en tverrfunksjonell partnerskap bestående av IT, innkjøp, juridisk, compliance og sikkerhet, så hver team kan håndtere de respektive sourcing-problemene.

Konklusjon

Smarte data-ledere vet at datasources er en konkurransefordel til å reagere raskt på markedets forhold. Når du først har investert i en data-acquisition-strategi, spiller det ingen rol om vi går tilbake til nedstengning eller rebounder raskt. Du vil være klar til å lande på føttene midt i noen større forstyrrelse.