Что делать, когда изменения, связанные с COVID, делают ваши данные устаревшими – лидеры мнений

Для людей непредсказуемость жизни является существенной проблемой. Это аналогичная угроза и для аналитических моделей. Как и мы, алгоритмы пытаются предсказать будущее, обобщая прошлые события. Чем более случайна история, тем больше мы оба боремся за создание закономерности из хаоса.

Месяц назад мы думали, что COVID может закончиться. Теперь, с появлением варианта Дельта, экономика находится в странном танце между открытием и закрытием. И если бы мы хотели узнать, что будет дальше — скажем, если бы мы дали прогностической модели сводку прошедших полутора лет — она, скорее всего, сказала бы нам, что мы направляемся к еще одному локдауну.

Данные, как и продукты питания или модные тенденции, имеют срок годности. Если вы снабжаете свои модели только ограниченными историческими данными, они не могут нарисовать очень 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 каждый день, вам нужно обновлять свои модели постоянно, с новыми данными и новыми измерениями, которые предоставляют информацию о текущем контексте.

Когда реальность меняется, вам нужно меняться вместе с ней

Каждая флуктуация в общественных правилах безопасности вызвала замечательный сдвиг в поведении потребителей. К сожалению, каждый из этих сдвигов в поведении потребителей сделал большую часть аналитических моделей организаций устаревшими.

Теперь подумайте о компаниях, которые, несмотря на постоянные изменения, смогли сохранить и даже увеличить свой бизнес во время пандемии. Они быстро нашли правильные наборы данных, которые могли бы дать им видимость изменяющихся привычек клиентов. Компании, которые пытались придерживаться своих старых источников данных, хотя мир изменился полностью, потеряли свою долю рынка.

Российская розничная промышленность, например, должна была принять массовый переход к онлайн-шопингу в начале пандемии, сложность онлайн-оффлайн транзакций (например, самовывоз) и возрождение личных опытов, когда ограничения COVID были сняты.

Умные розничные компании искали альтернативные источники данных, чтобы предоставить правильный контекст на каждом этапе процесса. Сначала они искали наборы данных, связанные с COVID, — которые включали данные CDC о распространении заболевания, например, — чтобы скорректировать свои модели прогнозирования продаж. Затем они рассмотрели трафик по сравнению с онлайн-трафиком, чтобы определить свой подход к открытию. Когда пандемия продолжалась, розничные компании изучали данные о продажах и расходах по кредитным картам против демографических атрибутов, чтобы понять, как изменился их типичный профиль клиента.

Дежавю деградации данных

Как бы мы ни смотрели вперед к открытию (когда бы оно ни произошло), это драматическое социальное изменение предсказывает аналогичный исход, как и во время первого глобального закрытия. Организации, которые обучили свои аналитические модели с использованием наборов данных, связанных с рынком эпохи пандемии, снова должны будут искать новые источники.

Но, в отличие от первого локдауна, у нас теперь есть возможность подготовиться к значительным изменениям, когда они наступят. Мы знаем, что нам нужно будет найти альтернативные источники данных и создать модели, которые могут осмыслить новую реальность.

Итак, что вы должны делать, когда знаете, что ваши данные устареют? Сначала ищите способы расширить свои источники данных за пределами исторических данных. Организации с наиболее мощными аналитическими программами рассматривают приобретение данных так же, как и приобретение клиентов — они строят масштабируемый подход для постоянного открытия, проверки и интеграции новых активов данных. Этот подход сводится к трем компонентам: людям, системам и процессам, в этом порядке.

Люди

Существует множество источников данных. Как вы знаете, что те, которые вы используете, работают? Как вы знаете, что вам не хватает? Создавая команду, посвященную приобретению правильных данных, работе с поставщиками и управлению своими собственными активами данных. Роли для найма включают руководителя по приобретению данных, архитекторов данных, стратега данных и ученых-дата.

Системы

Помните, как некоторые компании боролись с переходом на удаленную работу, потому что у них не было централизованной ИТ-инфраструктуры? Это урок, который нам все еще нужно помнить, когда речь идет об аналитических моделях. Я видел большие организации, покупающие и интегрирующие одни и те же данные два или три раза на разных этапах. Необходимо иметь централизованное место, где разные стороны бизнеса могут сотрудничать над наборами данных, входящими в организацию.

Более того, ваша экосистема приобретения данных должна позволять вам итеративно работать с разными данными и ускорять ваши PLC, тесты и бизнес-инициативы. В течение нескольких дней вы должны быть в состоянии не только каталогизировать новые источники данных, но и развертывать их в производство. Время — все, когда реальность меняется так быстро.

Процессы

Говоря о времени, если вашей организации требуется два или три месяца, чтобы изучить один источник данных (не говоря уже об интеграции), это знак того, что вы не очень хорошо подготовлены к поглощению новых данных. Создайте рабочий процесс для жизненного цикла приобретения данных, от тестирования до покупки и интеграции. Этот процесс должен включать партнерство между несколькими функциями, включающее ИТ, закупки, юридический, соответствие требованиям и безопасность, чтобы каждая команда могла решить соответствующие проблемы с источниками.

Заключение

Умные лидеры данных знают, что источники данных являются конкурентным преимуществом для быстрой реакции на рыночные условия. Как только вы инвестировали в стратегию приобретения данных, уже не важно, вернемся ли мы к локдауну или быстро оправимся. Вы будете готовы приземлиться на ноги среди любых крупных нарушений.