Om concurrerend te blijven, moeten verzekeraars het aantal inzichten en de waarde die ze uit hun data halen opschalen. In de tweede helft van dit recente webinar bespreekt Sudaman Thoppan Mohanchandralal, Regional Chief Data and Analytics Officer bij Allianz Benelux, de belangrijkste stappen die verzekeraars moeten zetten om het volledige potentieel van data science te benutten.
Van data science-garage naar fabriek
In het webinar omschrijft Sudaman het huidige gebruik van data science in de verzekeringssector als een analytics-garage. Organisaties erkennen momenteel dat big data een prioriteit is, maar benutten het nog niet efficiënt bij alle beslissingen.
IBM meldt dat hoewel 71% van de verzekeraars producten in hun portfolio heeft die op data steunen, veel organisaties geen samenhangende datastrategie hebben om data science en machine learning op te schalen. Sudaman vergelijkt het einddoel waar organisaties naar zouden moeten streven met een analytics-fabriek. Daarin benutten organisaties data op schaal bij alle beslissingen, wat drie belangrijke voordelen oplevert:
- Enorme financiële potentie: Veel kansen om de kernactiviteiten op te schalen via machine-learning-usecases.
- Voordeel ten opzichte van nieuwe toetreders: Datagedreven beslissingen zijn nodig om te kunnen concurreren met nieuwkomers met ontwrichtende, data- en analytics-gedreven businessmodellen.
- Nieuwe mogelijkheden om de kernactiviteiten uit te breiden: Door slimmer te beslissen over de kernactiviteiten komen middelen vrij om uit te breiden naar nieuwe businessmodellen buiten de huidige kern. Enkele van deze next-gen diensten worden door Capgemini hier beschreven.
Er zijn echter duidelijke obstakels die verzekeraars momenteel beletten om analytics-fabrieken op te schalen. In het webinar worden er een paar genoemd
Obstakel #1: Onheldere governance
De eerste stap richting een analytics-fabriek is duidelijke governance. In dit webinar beschrijft Aaren Stubberfield, Manager of Data Governance and AI bij Ingredion Inc., hoe data governance bedrijfsrisico’s door privacywetgeving minimaliseert door duidelijkheid over data te bieden. Die duidelijkheid zorgt ook voor meer vertrouwen in beslissingen die op deze data zijn gebaseerd. McKinsey stelt dat in sommige afdelingen meer dan 30% van de tijd van medewerkers verloren gaat aan niet-waarde-toevoegende taken wanneer de datakwaliteit en -beschikbaarheid slecht zijn door een gebrek aan governance. Duidelijke governance is essentieel om een data science-fabriek te creëren.
Obstakel #2: Tekort aan cruciaal talent
De volgende stap is het ontwikkelen van data science-talent binnen de organisatie. Deze vaardigheden zijn te verdelen over drie hoofdrollen:
- Data Scientist: Heeft een achtergrond in toegepaste wiskunde en technische skills op het gebied van data mining, statistiek, machine learning en informatica. Hun kerntaak is het bouwen van algoritmen voor waardevolle usecases.
- Analytics Engineer: Heeft doorgaans een achtergrond in data science met meer nadruk op informatica en programmeervaardigheden. Hun rol is om de algoritmen van de data scientist schaalbaar te maken voor productieomgevingen.
- Analytics Translator: Heeft een achtergrond in data science en business. Hun functie is om bedrijfsproblemen te vertalen naar technische taal en modeluitkomsten te vertalen naar businessoplossingen.
Het op schaal ontwikkelen van deze skills kan een uitdaging zijn door het tekort aan datatalent. Daarom moeten organisaties intern gaan upskillen door een leercultuur te creëren. Deze rollen zijn allemaal nodig om een data science-fabriek te bereiken.
Als deze rollen zijn ingevuld, kunnen projecten met quick wins worden gekozen om het potentieel van de fabriek te bewijzen. Deze quick wins kunnen vervolgens worden gesystematiseerd en opgeschaald om het analytics-proces te productiseren met full-stack dataprodukten. Al deze voordelen komen voort uit het bouwen van het juiste team en het intern aanpakken van het talenttekort.
Obstakel #3: Gebrek aan betrokkenheid van de frontlinie
De derde stap is het betrekken van medewerkers aan de frontlinie. Iedereen in de organisatie moet data-geletterd zijn. Werknemers die dicht bij de klant staan, moeten de systemen begrijpen die worden uitgerold. Ze moeten kunnen uitleggen waarom ze een specifieke dienst voor de klant aanbevelen of waarom diensten geprijsd zijn zoals ze zijn. Effectieve communicatie met klanten, essentieel voor het bouwen van een analytics-fabriek, komt voort uit betrokkenheid van de frontlinie. Hier komt het bouwen van een datacultuur om de hoek kijken—iets wat Sudaman in een ander DataCamp-webinar heeft behandeld.
Obstakel #4: Aandacht van het management
Tot slot moet het management betrokken zijn om de fabriek te laten werken. Ze moeten nauw samenwerken met het datatalent om organisatieverandering te sturen. Ze moeten hun businesskennis en expertise benutten om financiële impact en waarde voor de organisatie te realiseren met de nieuwe technologie die door de datateams wordt ontwikkeld. Zonder de juiste aandacht van de beslissers kunnen de voordelen van de fabriek niet worden verzilverd.
Wil je meer weten over hoe verzekeraars hun analytics-garages kunnen opschalen tot fabrieken? Kijk dan zeker het on-demand webinar.
