Per restare competitive, le compagnie assicurative devono aumentare la quantità di insight e di valore che ricavano dai propri dati. Nella seconda parte di questo recente webinar, Sudaman Thoppan Mohanchandralal, Regional Chief Data and Analytics Officer presso Allianz Benelux, illustra i passaggi chiave che le organizzazioni assicurative devono compiere per realizzare appieno il potenziale della data science.
Dal garage alla fabbrica della Data Science
Nel webinar, Sudaman descrive l’attuale utilizzo della data science nel settore assicurativo come un garage di analytics. Le organizzazioni riconoscono che i big data sono una priorità, ma non li sfruttano in modo efficiente in tutte le decisioni.
IBM riporta che, sebbene il 71% degli assicuratori abbia in portafoglio prodotti basati sui dati, molti non dispongono di una strategia dati coerente per scalare data science e machine learning. Sudaman paragona l’obiettivo finale a cui le organizzazioni dovrebbero ambire a una fabbrica di analytics. Qui, i dati vengono sfruttati su larga scala in tutte le decisioni, consentendo tre benefici chiave:
- Enorme potenziale finanziario: molte opportunità per scalare il core business tramite casi d’uso di machine learning.
- Vantaggi rispetto ai nuovi concorrenti che entrano nel mercato: prendere decisioni basate sui dati è necessario per competere con nuovi attori con modelli di business fondati su dati e analytics dirompenti.
- Nuove possibilità di estendere il core business: prendendo decisioni più intelligenti per il core business, si liberano risorse per espandersi in nuovi modelli di business al di fuori dell’attuale core. Alcuni di questi servizi di nuova generazione sono descritti da Capgemini qui.
Tuttavia, esistono ostacoli evidenti che attualmente impediscono agli assicuratori di scalare verso fabbriche di analytics. Eccone alcuni elencati nel webinar
Ostacolo n. 1: governance poco chiara
Il primo passo per arrivare a una fabbrica di analytics è una governance chiara. In questo webinar, Aaren Stubberfield, Manager of Data Governance and AI presso Ingredion Inc., spiega come la data governance riduca il rischio aziendale derivante dalle leggi sulla privacy dei dati offrendo chiarezza sui dati stessi. Questa chiarezza permette anche di avere maggiore fiducia nelle decisioni basate su tali dati. McKinsey sostiene che in alcuni reparti oltre il 30% del tempo dei dipendenti venga sprecato in attività senza valore quando qualità e disponibilità dei dati sono scarse per mancanza di governance. Una governance chiara è essenziale per creare una fabbrica di data science.
Ostacolo n. 2: carenza di talenti chiave
Il passo successivo è sviluppare il talento in ambito data science all’interno dell’organizzazione. Queste competenze si possono suddividere in tre ruoli principali:
- Data Scientist: richiedono una formazione in matematica applicata e competenze tecniche in ambiti come data mining, statistica, machine learning e informatica. Il loro compito principale è costruire algoritmi per casi d’uso di valore.
- Analytics Engineer: in genere hanno un background in data science con maggiore enfasi su informatica e programmazione. Il loro ruolo è utilizzare gli algoritmi dei data scientist e renderli scalabili per ambienti di produzione.
- Analytics Translator: hanno competenze sia in data science sia in business. La loro funzione è tradurre i problemi di business in linguaggio tecnico e convertire gli output dei modelli in soluzioni di business.
Sviluppare queste competenze su larga scala può essere impegnativo a causa della carenza di talenti nei dati. Pertanto, le organizzazioni devono puntare sulla crescita interna creando una cultura dell’apprendimento. Tutti questi ruoli sono necessari per raggiungere una fabbrica di data science.
Una volta coperti questi ruoli, si possono scegliere progetti con risultati rapidi per dimostrare il potenziale della fabbrica. Questi quick win possono poi essere sistematizzati e scalati per portare in produzione il processo di analytics con data product full-stack. Questi benefici derivano dalla costruzione del team giusto e dall’affrontare internamente la carenza di talenti.
Ostacolo n. 3: scarsa partecipazione della prima linea
Il terzo passo è coinvolgere i lavoratori in prima linea. Tutti nell’organizzazione devono essere data literate. I dipendenti a contatto con i clienti devono comprendere i sistemi che vengono implementati. Devono saper comunicare perché raccomandano un determinato servizio al cliente o perché i servizi hanno un certo prezzo. Una comunicazione efficace con i clienti, essenziale per costruire una fabbrica di analytics, nasce dal coinvolgimento della prima linea. Qui entra in gioco la costruzione di una cultura dei dati, tema trattato da Sudaman in un altro webinar di DataCamp.
Ostacolo n. 4: attenzione del management
Infine, il management deve essere coinvolto perché la fabbrica funzioni. Deve lavorare a stretto contatto con i talenti dei dati per guidare il cambiamento organizzativo. Dovrebbe sfruttare la propria conoscenza del business e l’esperienza per generare impatto finanziario e valore per l’organizzazione a partire dalle nuove tecnologie sviluppate dai team dati. Senza la giusta attenzione da parte di chi prende le decisioni, i benefici della fabbrica non possono concretizzarsi.
Per saperne di più su come gli assicuratori possono scalare dai garage alle fabbriche di analytics, guarda il webinar on-demand.
