Что делать, когда изменения COVID делают ваши данные устаревшими — лидеры мнений

Для людей непредсказуемость жизни является экзистенциальной проблемой. Аналогичная угроза для аналитических моделей. Как и мы, алгоритмы пытаются предсказать будущее, обобщая прошлые события. Чем более случайна история, тем больше мы оба пытаемся создать закономерность из хаоса. 

Месяц назад мы думали, что с COVID покончено. Теперь, с появлением варианта Delta, экономика находится в странном танце между открытым и закрытым. И если бы мы захотели узнать, что будет дальше — скажем, если бы мы скормили прогностической модели сводку за последние полтора года — она вполне могла бы сказать нам, что мы движемся к новой изоляции. 

Срок действия данных, таких как еда или модные тенденции, истекает. Если вы снабжаете свои модели только ограниченными историческими данными, они не смогут нарисовать точную картину того, что происходит на рынке сегодня, не говоря уже о том, что произойдет завтра. 

Когда реальность повседневной жизни меняется каждую неделю и даже день, вам необходимо постоянно обновлять свои модели новыми активами данных и новыми измерениями, которые дают представление о текущем контексте.

Когда реальность меняется, нужно меняться вместе с ней

Каждое изменение в правилах общественной безопасности вызывало заметные изменения в поведении потребителей. К сожалению, каждое из этих изменений в поведении потребителей приводило к тому, что большая часть аналитических моделей организаций устарела. 

Теперь подумайте о компаниях, которые, несмотря на постоянные изменения, сохранили и даже расширили свой бизнес во время пандемии. Они действовали быстро, чтобы найти нужные наборы данных, которые могли дать им представление об изменяющихся привычках клиентов. Компании, которые пытались придерживаться своих старых источников данных, несмотря на то, что мир полностью изменился, потеряли свою долю рынка. 

Например, индустрия розничной торговли должна была принять массовый переход на онлайн-покупки в начале пандемии, сложность комбинированных транзакций онлайн и офлайн (например, самовывоз на обочине). и возрождение личного опыта после снятия ограничений COVID. 

Опытные розничные компании искали альтернативные источники данных, чтобы обеспечить надлежащий контекст на каждом этапе процесса. Сначала они искали наборы данных, связанные с COVID, которые включали, например, данные CDC о распространении болезни, чтобы скорректировать свои модели прогнозирования продаж. Затем они сравнили пешеходный трафик с онлайн-трафиком, чтобы определить свой подход к открытию. По мере того, как пандемия продолжалась, розничные компании сопоставляли данные о продажах и расходах по кредитным картам с демографическими характеристиками, чтобы понять, как изменился их типичный профиль клиентов. 

Ухудшение данных дежа вю

Как бы мы все ни ждали повторного открытия (когда бы оно ни произошло), это резкое изменение в обществе предвещает тот же результат, что и первое глобальное закрытие. Организациям, которые обучили свои аналитические модели с использованием наборов данных, связанных с рынком эпохи пандемии, снова придется искать новые источники.

Но в отличие от первой блокировки, на этот раз у нас есть возможность подготовиться к значительным изменениям, когда они произойдут. Мы знаем, что нам нужно будет найти альтернативные источники данных и создать модели, которые смогут объяснить новую реальность. 

Итак, что делать, если вы знаете, что срок действия ваших данных истекает? Во-первых, ищите способы расширить свои источники данных за пределами ваших исторических данных. Организации с самыми мощными аналитическими программами относятся к сбору данных так же, как и к привлечению клиентов — они создают масштабируемый подход для постоянного обнаружения, проверки и адаптации новых активов данных. Этот подход сводится к трем компонентам: люди, системы и процессы, именно в таком порядке.

Люди

Там много источников данных. Откуда вы знаете, что те, которые вы используете, работают? Откуда вы знаете, что вам не хватает? Создавая команду, занимающуюся сбором нужных данных, работая с поставщиками для этого и управляя собственными активами данных. Должности, которые можно нанять, включают руководителя отдела сбора данных, архитекторов данных, специалиста по стратегии данных и специалистов по данным.

системы

Помните, как некоторые компании боролись с переходом на удаленную работу, потому что у них не было централизованной ИТ? Это урок, о котором нам все еще нужно помнить, когда речь идет об аналитических моделях. Я видел, как крупные организации покупали и интегрировали одни и те же данные два или три раза на разных этапах. Необходимо централизованное место, где различные стороны бизнеса могут совместно работать над наборами данных, поступающими в организацию. 

Что еще более важно, ваша экосистема сбора данных должна позволять вам повторять различные данные и ускорять ваши ПЛК, тесты и бизнес-инициативы. В течение нескольких дней вы сможете не только каталогизировать новые источники данных, но и развернуть их в рабочей среде. Время решает все, когда реальность меняется так быстро.

Процессы

Говоря о времени, если вашей организации требуется два или три месяца для изучения одного источника данных (а тем более для его интеграции), это признак того, что вы не очень хорошо подготовлены к восприятию новых данных. Создайте рабочий процесс для жизненного цикла сбора данных, от тестирования до покупки и интеграции. Этот процесс должен включать межфункциональное партнерство, включающее ИТ, закупки, юридические вопросы, соблюдение нормативных требований и безопасность, чтобы каждая команда могла решать соответствующие вопросы поиска поставщиков.

Заключение

Умные лидеры данных знают, что источники данных являются конкурентным активом, позволяющим быстро реагировать на рыночные условия. После того, как вы вложили средства в стратегию сбора данных, не имеет значения, вернемся ли мы обратно в режим самоизоляции или быстро восстановимся. Вы будете готовы приземлиться на ноги во время любого серьезного сбоя.