Maor Shlomo Maor Shlomo

当现实变化时，您需要跟着变化 – 思想领袖

对于人类来说，生活的不可预测性是一个存在主义问题。对于算法模型来说也是如此。像我们一样，算法试图通过概括过去的事件来预测未来。历史越随机，我们越难以从混乱中创造出一种模式。一个月前，我们认为COVID可能已经结束。现在，随着德尔塔变异体的出现，经济正处于开放和关闭之间的奇怪舞蹈中。如果我们想知道接下来会发生什么——比如，如果我们向预测模型提供过去一年半的总结——它可能会告诉我们，我们正朝着另一个封锁走去。数据就像食物或时尚潮流一样，会过期。如果您只为模型提供有限的历史数据，它们就无法准确地描绘出当前市场的状况，更不用说明天会发生什么。当现实变化时，您需要不断更新模型，使用新的数据资产和新的维度来提供对当前背景的洞察。当现实变化时，您需要跟着变化每一次公共安全指南的变化都引发了消费者行为的显著变化。不幸的是，每一次消费者行为的变化都使得组织的分析模型过时。现在想想那些尽管不断变化，但仍然保持和甚至增长了业务的公司。他们迅速找到合适的数据集，以便在客户行为变化时获得可见性。那些试图坚持使用相同的旧数据源的公司，即使世界已经完全改变，也失去了市场份额。零售行业，例如，必须在疫情开始时接受向在线购物的巨大转变，包括在线下单和店内取货的复杂性，以及随着COVID限制解除，现场体验的复兴。精明的零售公司寻找替代数据源，以便在每一步中提供适当的背景。首先，他们寻找与COVID相关的数据集——例如CDC关于疾病传播的数据——以调整他们的销售预测模型。然后，他们审查了脚步流量与在线流量，以确定他们的开放方法。随着疫情的持续，零售公司检查了销售和信用卡支出数据与人口统计属性，以了解他们的典型客户资料如何变化。数据劣化的似曾相识尽管我们都期待着重新开放（无论何时），但这种戏剧性的社会变化预示着与第一次全球停摆相同的结果。使用与疫情时代市场相关的数据集训练其分析模型的组织将再次需要寻找新的数据源。但与第一次封锁不同，这次我们有机会为即将到来的重大变化做好准备。我们知道我们需要找到替代的数据源，并创建能够理解新现实的模型。那么，当您知道您的数据会过期时该怎么办？首先，寻找方法来扩大您的数据源，超出历史数据。拥有最强大的分析程序的组织将数据采集视为客户采集一样——他们建立了一种可扩展的方法，持续发现、验证和集成新的数据资产。这种方法分为三个组件：人员、系统和流程，按此顺序排列。人员有很多数据源。您如何知道您正在使用的数据源是有效的？您如何知道您缺少什么？通过建立一个专门的团队来获取合适的数据，与供应商合作，并管理自己的数据资产。需要招聘的角色包括数据采集负责人、数据架构师、数据策略师和数据科学家。系统记得一些公司在转向远程工作时由于没有集中式IT而苦苦挣扎吗？这是我们在处理分析模型时仍需要被提醒的教训。我看到一些大公司在不同阶段多次购买和集成相同的数据。一个集中式的位置是必要的，让业务的不同方面可以在数据进入组织时合作。 更重要的是，您的数据采集生态系统应该允许您迭代各种数据，并加速您的产品生命周期、测试和业务计划。您应该能够在几天内不仅列出新的数据源，还能将它们部署到生产环境中。当现实变化如此迅速时，时间就是一切。 流程说到时间，如果您的组织需要两个或三个月来检查一个单一的数据源（更不用说集成它），那就是您不太适合吸收新数据的迹象。为数据采集的生命周期创建一个工作流，从测试到购买到集成。这一过程应该涉及IT、采购、法律、合规和安全等多个团队的合作，每个团队都可以解决相应的数据源问题。结论智能数据领导者知道数据源是快速响应市场条件的竞争优势。一旦您投资了数据采集策略，无论我们是否重新封锁或迅速恢复，您都将准备好在任何重大干扰中站稳脚跟。