Що робити, коли зміни COVID роблять ваші дані застарілими – лідери думок

Для людей непередбачуваність життя є екзистенційною проблемою. Це подібна загроза для аналітичних моделей. Як і ми, алгоритми намагаються передбачити майбутнє, узагальнюючи минулі події. Чим більш випадкова історія, тим більше нам обом важко створити з хаосу певний порядок.

Місяць тому ми думали, що COVID може закінчитися. Тепер, з появою варіанту Дельта, економіка знаходиться у дивному танці між відкриттям і закриттям. І якщо ми хочемо дізнатися, що буде далі – наприклад, якщо ми надамо передбачувальній моделі підсумок останніх півтора років – вона може сказати нам, що ми прямимо до нового карантину.

Дані, як і продукти харчування або модні тенденції, застарівають. Якщо ви постачаєте свої моделі лише обмеженими історичними даними, вони не можуть створити дуже точної картини того, що відбувається на ринку сьогодні, не кажучи вже про те, що буде завтра.

Коли реальність щоденного життя змінюється щотижня, навіть щодня, вам потрібно оновлювати свої моделі постійно, надаючи їм нові дані та нові виміри, які дають уявлення про поточний контекст.

Коли реальність змінюється, вам потрібно змінюватися з нею

Кожна флуктуація у громадській безпеці викликала помітну зміну у поведінці споживачів. На жаль, кожна з цих змін у поведінці споживачів зробила великі частини аналітичних моделей організацій застарілими.

Тепер подумайте про компанії, які, незважаючи на постійні зміни, зберегли і навіть збільшили свій бізнес під час пандемії. Вони швидко знайшли правильні набори даних, які могли б дати їм видимість у змінах поведінки споживачів. Компанії, які намагалися дотримуватися своїх старих джерел даних, хоча світ змінився повністю, втратили свою частку ринку.

Роздрібна торгівля, наприклад, мала прийняти масовий перехід до онлайн-шопінгу на початку пандемії, складність онлайн-офлайн комбінацій (як кур’єрська доставка)івідновлення особистих досвідів після зняття обмежень COVID.

Розумні роздрібні компанії шукали альтернативні джерела даних, щоб надати належний контекст кожному етапу процесу. Спочатку вони шукали набори даних, пов’язані з COVID, – наприклад, дані CDC про поширення захворювання – щоб调整 свої моделі прогнозування продажів. Потім вони переглянули трафік пішоходів проти онлайн-трафіку, щоб визначити свій підхід до відкриття. Коли пандемія тривала, роздрібні компанії розглядали дані про продажі та витрати за кредитними картами проти демографічних ознак, щоб зрозуміти, як змінився їхній типовий клієнт.

Дежавю застарівання даних

Наскільки б ми не чекали на відкриття (хоч би коли воно відбулося), ця драматична зміна суспільства попереджує про подібний результат, як і під час першого глобального закриття. Організації, які тренували свої аналітичні моделі за допомогою наборів даних, пов’язаних з ринком епохи пандемії, знову будуть шукати нові джерела.

Але на відміну від першого карантину, цього разу у нас є можливість підготовки до значної зміни, коли вона настане. Ми знаємо, що нам потрібно буде знайти альтернативні джерела даних і створити моделі, які можуть зрозуміти нову реальність.

Отже, що вам потрібно зробити, коли ви знаєте, що ваші дані застарівають? Спочатку шукайте способи розширити свої джерела даних за межі історичних даних. Організації з найбільш потужними аналітичними програмами ставляться до придбання даних так само, як до придбання клієнтів – вони будують масштабований підхід для постійного відкриття, перевірки та налаштування нових активів даних. Цей підхід складається з трьох компонентів: людей, систем і процесів, у такому порядку.

Люди

Є багато джерел даних. Як ви знаєте, що ті, які ви використовуєте, працюють? Як ви знаєте, чого вам бракує? Будуючи команду, присвячену придбанню правильних даних, роботі з постачальниками та керуванню своїми власними активами даних. Ролі для найму включають Голову придбання даних, Архітекторів даних, Стратега даних і Ученого-дослідника даних.

Системи

Пам’ятайте, як деякі компанії боролися з переходом на віддалену роботу, тому що у них не було централізованого ІТ? Це урок, якого нам ще потрібно нагадувати, коли мова йде про аналітичні моделі. Я бачив великі організації, які купували та інтегрували одну й ту ж дані два чи три рази на різних етапах. Необхідно мати централізоване місце, де різні сторони бізнесу можуть співпрацювати над наборами даних, що входять до організації.

Ще важливіше, ваша екосистема придбання даних повинна дозволяти вам ітерувати над різними даними та прискорювати ваші життєві цикли, тести та бізнес-ініціативи. За кілька днів вам потрібно буде не тільки каталогізувати нові джерела даних, але й розгортати їх у виробництві. Час – все, коли реальність змінюється так швидко.

Процеси

Говорячи про час, якщо вашій організації потрібно два чи три місяці, щоб розглянути один джерело даних (не кажучи вже про його інтеграцію), це означає, що ви не дуже добре підготовлені до поглинання нових даних. Створіть робочий процес життєвого циклу придбання даних, від тестування до покупки та інтеграції. Цей процес повинен включати партнерство між декількома функціональними командами, включаючи ІТ, закупівлі, юридичну, відповідальну за дотримання вимог та команду безпеки, щоб кожна команда могла розглянути відповідні питання джерел даних.

Висновок

Розумні лідери даних знають, що джерела даних є конкурентною перевагою для швидкої реакції на ринкові умови. Як тільки ви інвестували в стратегію придбання даних, це не має значення, чи повернемося ми до карантину чи швидко відновимося. Ви будете готові приземлитися на ноги серед будь-яких великих порушень.