Agar tetap kompetitif, organisasi asuransi harus meningkatkan skala jumlah insight dan nilai yang dihasilkan dari data mereka. Dalam paruh kedua webinar terbaru ini, Sudaman Thoppan Mohanchandralal, Regional Chief Data and Analytics Officer di Allianz Benelux, membahas langkah-langkah kunci yang harus diambil organisasi asuransi untuk sepenuhnya mewujudkan potensi data science.
Dari Garasi Data Science ke Pabrik
Dalam webinar tersebut, Sudaman menggambarkan pemanfaatan data science saat ini di industri asuransi sebagai garasi analitik. Organisasi saat ini menyadari bahwa big data adalah prioritas, tetapi mereka belum memanfaatkannya secara efisien di semua pengambilan keputusan.
Laporan IBM menyebutkan bahwa meskipun 71% perusahaan asuransi memiliki produk yang bergantung pada data dalam portofolionya, banyak yang belum memiliki strategi data yang kohesif untuk meningkatkan skala data science dan machine learning. Sudaman menyamakan tujuan akhir yang seharusnya dicapai organisasi dengan sebuah pabrik analitik. Di sini, organisasi memanfaatkan data dalam skala besar di seluruh keputusan, yang memungkinkan tiga manfaat utama:
- Potensi finansial yang masif: Banyak peluang untuk meningkatkan skala bisnis inti melalui use case machine learning.
- Keunggulan atas pendatang baru di pasar: Pengambilan keputusan berbasis data diperlukan untuk bersaing dengan pendatang baru yang mengusung model bisnis disruptif berbasis data dan analitik.
- Peluang baru untuk memperluas bisnis inti: Dengan membuat keputusan yang lebih cerdas bagi bisnis inti, sumber daya terbuka untuk berekspansi ke model bisnis baru di luar inti saat ini. Beberapa layanan generasi berikutnya dijelaskan oleh Capgemini di sini.
Namun, terdapat hambatan jelas yang saat ini menghalangi perusahaan asuransi untuk meningkatkan skala pabrik analitik. Berikut beberapa di antaranya yang disebutkan dalam webinar
Hambatan #1: Tata Kelola yang Tidak Jelas
Langkah pertama untuk mencapai pabrik analitik adalah tata kelola yang jelas. Dalam webinar ini, Aaren Stubberfield, Manager of Data Governance and AI di Ingredion Inc., menjelaskan bagaimana tata kelola data meminimalkan risiko bisnis dari undang-undang privasi data dengan memberikan kejelasan tentang data. Kejelasan ini juga memungkinkan adanya keyakinan lebih besar dalam keputusan yang dibuat berdasarkan data tersebut. McKinsey berpendapat bahwa lebih dari 30% waktu karyawan di beberapa departemen terbuang untuk tugas-tugas yang tidak menambah nilai ketika kualitas dan ketersediaan data buruk akibat kurangnya tata kelola. Tata kelola yang jelas sangat penting untuk membangun pabrik data science.
Hambatan #2: Kekurangan Talenta Kunci
Langkah berikutnya adalah mengembangkan talenta data science di dalam organisasi. Keterampilan ini dapat diuraikan menjadi tiga peran utama:
- Data Scientist: Memerlukan latar belakang matematika terapan dan keterampilan teknis dalam bidang seperti data mining, statistika, machine learning, dan ilmu komputer. Pekerjaan utama mereka adalah membangun algoritma untuk use case bernilai.
- Analytics Engineer: Umumnya memiliki latar belakang data science dengan penekanan lebih pada ilmu komputer dan keterampilan pemrograman. Peran mereka adalah menggunakan algoritma data scientist dan membuatnya dapat diskalakan untuk lingkungan produksi.
- Analytics Translator: Memiliki latar belakang data science dan bisnis. Fungsi mereka adalah menerjemahkan masalah bisnis ke dalam bahasa teknis dan menerjemahkan keluaran model menjadi solusi bisnis.
Mengembangkan keterampilan ini dalam skala besar dapat menantang karena kekurangan talenta data. Karena itu, organisasi harus meningkatkan keterampilan secara internal dengan membangun budaya belajar. Semua peran ini diperlukan untuk mencapai pabrik data science.
Setelah peran-peran ini terisi, proyek dengan quick win dapat dipilih untuk membuktikan potensi pabrik. Quick win ini kemudian dapat disistematiskan dan diskalakan untuk memproduksi proses analitik dengan produk data full-stack. Semua manfaat ini berasal dari membangun tim yang tepat dan mengatasi kekurangan talenta secara internal.
Hambatan #3: Minimnya Keterlibatan Garda Depan
Langkah ketiga adalah melibatkan pekerja garis depan. Semua orang di organisasi harus melek data. Karyawan yang bekerja dekat dengan pelanggan perlu memahami sistem yang diterapkan. Mereka harus mampu mengomunikasikan mengapa mereka merekomendasikan layanan tertentu untuk pelanggan atau mengapa layanan diberi harga seperti adanya. Komunikasi yang efektif dengan pelanggan, yang penting untuk membangun pabrik analitik, berangkat dari keterlibatan garda depan. Di sinilah pembangunan budaya data berperan—yang dibahas oleh Sudaman dalam webinar DataCamp lainnya.
Hambatan #4: Perhatian Manajemen
Pada akhirnya, manajemen harus terlibat agar pabrik dapat berjalan. Mereka harus bekerja erat dengan talenta data untuk mendorong perubahan organisasi. Mereka perlu memanfaatkan pengetahuan dan keahlian bisnis mereka untuk mendorong dampak finansial dan nilai bagi organisasi dari teknologi baru yang dikembangkan oleh tim data. Tanpa perhatian yang memadai dari para pengambil keputusan, manfaat dari pabrik tidak akan terwujud.
Untuk mempelajari lebih lanjut bagaimana perusahaan asuransi dapat meningkatkan skala garasi analitik mereka menjadi pabrik, pastikan untuk menyimak webinar on-demand.
