Vad du ska göra när COVID-förändringar gör din data föråldrad – Tankeledare

För människor är livets oförutsägbarhet en existentiell fråga. Det är ett liknande hot för analytiska modeller. Liksom oss försöker algoritmer förutsäga framtiden genom att generalisera tidigare händelser. Ju mer slumpmässig historien är, desto mer kämpar vi båda för att skapa ett mönster ur kaoset.

För en månad sedan trodde vi att COVID kanske var över. Nu, med framväxten av Delta-varianten, är ekonomin i en konstig dans mellan öppen och stängd. Och om vi ville ta reda på vad som händer härnäst – säg, om vi matade en prediktiv modell med en sammanfattning av de senaste ett och ett halvt åren – skulle den mycket väl kunna berätta för oss att vi är på väg mot en annan låsning.

Data, som mat- eller modetrender, går ut på datum. Om du bara försörjer dina modeller med begränsad historisk data kan de inte måla en särskilt exakt bild av vad som händer på marknaden idag, än mindre vad som kommer att hända i morgon.

När verkligheten i dagligt liv förändras varje vecka och till och med varje dag, måste du uppdatera dina modeller konstant med nya data tillgångar och nya dimensioner som ger insikt i den aktuella kontexten.

När verkligheten förändras, måste du förändras med den

Varje fluktuation i allmänna säkerhetsriktlinjer har utlöst en remarkabel förändring i konsumentbeteende. Tyvärr har var och en av dessa förändringar i konsumentbeteende gjort stora delar av organisationernas analytiska modeller föråldrade.

Tänk nu på de företag som, trots den konstanta förändringen, har upprätthållit och till och med växt sin verksamhet under pandemin. De agerade snabbt för att hitta rätt datauppsättningar som kunde ge dem insikt i kundernas förändrade vanor. Företagen som försökte hålla fast vid sina gamla datakällor, trots att världen hade förändrats helt, förlorade sin marknadsandel.

Detaljhandelsbranschen, till exempel, var tvungen att omfamna den massiva övergången till online-shopping i början av pandemin, komplexiteten i online-offline-kombinations-transaktioner (som till exempel avhämtning vid sidan av) och återupplivandet av personliga upplevelser när COVID-restriktionerna har lyfts.

Smart detaljhandelsföretag sökte alternativa datakällor för att ge rätt kontext med varje steg i processen. Till en början letade de efter COVID-relaterade datauppsättningar – som till exempel CDC-data om sjukdomens spridning – för att justera sina försäljningsprognosmodeller. Sedan granskade de fotgängartrafik jämfört med online-trafik för att bestämma sin strategi för att öppna igen. När pandemin pågick undersökte detaljhandelsföretag försäljnings- och kreditkortsuppgifter mot demografiska attribut för att förstå hur deras typiska kundprofil hade förändrats.

Dataförsämring déjà vu

Så mycket som vi alla ser fram emot att återöppna (när det än kommer), varnar denna dramatiska samhällsförändring om en liknande utgång som den första globala stängningen. Organisationer som har tränat sina analytiska modeller med datauppsättningar relaterade till pandemi-eran marknad kommer återigen att behöva leta efter nya källor.

Men till skillnad från den första låsningen har vi nu möjligheten att förbereda oss för den betydande förändringen när den kommer. Vi vet att vi kommer att behöva hitta alternativa datakällor och skapa modeller som kan förstå den nya verkligheten.

Så, vad ska du göra när du vet att din data kommer att gå ut på datum? Först, leta efter sätt att bredda dina datakällor utanför din historiska data. Organisationer med de mest kraftfulla analytiska programmen behandlar dataförvärv på samma sätt som de behandlar kundförvärv – de bygger en skalbar strategi för att kontinuerligt upptäcka, granska och ansluta nya data tillgångar. Denna strategi kokar ner till tre komponenter: människor, system och processer, i den ordningen.

Människor

Det finns många datakällor där ute. Hur vet du att de du använder fungerar? Hur vet du vad du saknar? Genom att bygga ett team som är dedikerat till att förvärva rätt data, arbeta med leverantörer för att göra det och hantera dina egna data tillgångar. Roller att anställa inkluderar en chef för dataförvärv, dataarkitekter, datastrateg och datavetare.

System

Kom ihåg hur vissa företag kämpade med övergången till distansarbete eftersom de inte hade en central IT? Det är en läxa vi fortfarande behöver påminnas om när det gäller analytiska modeller. Jag har sett stora organisationer köpa och integrera samma data två eller tre gånger i olika skeden. En central plats där olika sidor av verksamheten kan samarbeta om datauppsättningar som kommer in i organisationen är nödvändig.

Ännu viktigare är att din dataförvärvsekosystem ska tillåta dig att iterera på en mängd olika data och accelerera dina PLC:er, tester och affärsinitiativ. Inom några dagar bör du kunna inte bara katalogisera nya datakällor utan också distribuera dem till produktion. Tid är allt när verkligheten förändras så snabbt.

Processer

När det gäller tid, om det tar din organisation två eller tre månader att undersöka en enda datakälla (för att inte tala om att integrera den) är det ett tecken på att du inte är särskilt väl förberedd för att absorbera ny data. Skapa en arbetsflöde för livscykeln för dataförvärv, från testning till inköp till integration. Denna process bör involvera ett tvärfunktionellt partnerskap som består av IT, inköp, juridik, regelefterlevnad och säkerhet så att varje team kan hantera respektive källproblem.

Slutsats

Smart dataledare vet att datakällor är en konkurrensfördel för att reagera snabbt på marknadsförhållanden. När du har investerat i en dataförvärvsstrategi spelar det ingen roll om vi går tillbaka till låsning eller återhämtar oss snabbt. Du kommer att vara redo att landa på fötterna mitt i något stort avbrott.