Para mantenerse competitivas, las aseguradoras deben escalar tanto el número de insights como el valor que generan a partir de sus datos. En la segunda parte de este webinar reciente, Sudaman Thoppan Mohanchandralal, Regional Chief Data and Analytics Officer en Allianz Benelux, repasa los pasos clave que las organizaciones del sector deben dar para aprovechar todo el potencial de la ciencia de datos.
Del garaje de ciencia de datos a la fábrica
En el webinar, Sudaman describe el uso actual de la ciencia de datos en el sector asegurador como un garaje de analítica. Las organizaciones reconocen que el big data es una prioridad, pero no lo están aprovechando de forma eficiente en todas sus decisiones.
IBM señala que, aunque el 71% de las aseguradoras ya incluyen productos basados en datos en sus carteras, muchas carecen de una estrategia de datos cohesionada que permita escalar la ciencia de datos y el aprendizaje automático. Sudaman compara el objetivo final al que deberían aspirar con una fábrica de analítica. En ella, las organizaciones aprovechan los datos a escala en todas sus decisiones, lo que aporta tres beneficios clave:
- Un enorme potencial financiero: multitud de oportunidades para escalar el negocio principal mediante casos de uso de machine learning.
- Ventajas frente a nuevos competidores: tomar decisiones basadas en datos es imprescindible para competir con actores que llegan con modelos de negocio disruptivos impulsados por datos y analítica.
- Nuevas vías para ampliar el negocio principal: al tomar decisiones más inteligentes sobre el core, se liberan recursos para explorar nuevos modelos de negocio más allá del actual. Algunos de estos servicios de nueva generación están descritos por Capgemini aquí.
Ahora bien, existen obstáculos claros que impiden a las aseguradoras escalar hacia verdaderas fábricas de analítica. Estos son algunos de los que se comentan en el webinar:
Obstáculo n.º 1: gobernanza poco clara
El primer paso para llegar a una fábrica de analítica es contar con una gobernanza sólida. En este webinar, Aaren Stubberfield, Manager of Data Governance and AI en Ingredion Inc., explica cómo la gobernanza de datos reduce el riesgo empresarial derivado de las leyes de privacidad al aportar claridad sobre los datos. Esta claridad también aumenta la confianza en las decisiones basadas en ellos. McKinsey sostiene que, en algunos departamentos, más del 30% del tiempo de los empleados se pierde en tareas sin valor cuando la calidad y disponibilidad de los datos es deficiente por falta de gobernanza. Una gobernanza clara es esencial para crear una fábrica de ciencia de datos.
Obstáculo n.º 2: escasez de talento clave
El siguiente paso es desarrollar talento en ciencia de datos dentro de la organización. Estas competencias suelen agruparse en tres roles principales:
- Data Scientist: requiere formación en matemáticas aplicadas y habilidades técnicas en áreas como minería de datos, estadística, aprendizaje automático e informática. Su función principal es crear algoritmos para casos de uso de alto valor.
- Analytics Engineer: normalmente proviene de la ciencia de datos, con mayor énfasis en informática y programación. Su rol es tomar los algoritmos del data scientist y hacerlos escalables para entornos de producción.
- Analytics Translator: combina conocimientos de ciencia de datos y negocio. Su función es traducir problemas de negocio a lenguaje técnico y convertir las salidas de los modelos en soluciones de negocio.
Desarrollar estas competencias a escala puede ser complicado debido a la escasez de talento en datos. Por ello, las organizaciones deben apostar por la capacitación interna creando una cultura de aprendizaje. Estos roles son imprescindibles para alcanzar una fábrica de ciencia de datos.
Una vez cubiertos estos roles, conviene seleccionar proyectos con quick wins para demostrar el potencial de la fábrica. Después, esos quick wins pueden sistematizarse y escalarse para llevar la analítica a producción mediante productos de datos full-stack. Todos estos beneficios nacen de construir el equipo adecuado y abordar la escasez de talento desde dentro.
Obstáculo n.º 3: poca implicación del personal de primera línea
El tercer paso es implicar al personal de primera línea. Toda la organización debe tener competencia en datos. Quienes trabajan cerca del cliente necesitan comprender los sistemas que se implementan. Deben ser capaces de explicar por qué recomiendan un servicio concreto o por qué los precios son los que son. La comunicación eficaz con los clientes, esencial para construir una fábrica de analítica, nace de esta implicación en primera línea. Aquí entra en juego la creación de una cultura de datos, que Sudaman abordó en otro webinar de DataCamp.
Obstáculo n.º 4: atención por parte de la dirección
Por último, la dirección debe involucrarse para que la fábrica funcione. Debe colaborar estrechamente con el talento de datos para impulsar el cambio organizativo. Tiene que aprovechar su conocimiento del negocio y su experiencia para generar impacto financiero y valor a partir de la nueva tecnología desarrollada por los equipos de datos. Sin la atención adecuada de quienes toman decisiones, los beneficios de la fábrica no se materializarán.
Si quieres saber más sobre cómo las aseguradoras pueden escalar sus garajes de analítica y convertirlos en fábricas, no te pierdas el webinar on-demand.
