Para se manter competitivo, o setor de seguros precisa ampliar a escala de insights e de valor extraídos dos seus dados. Na segunda parte deste webinar recente, Sudaman Thoppan Mohanchandralal, Regional Chief Data and Analytics Officer na Allianz Benelux, apresenta os passos essenciais para que seguradoras aproveitem ao máximo o potencial da ciência de dados.
Da garagem à fábrica de ciência de dados
No webinar, Sudaman descreve o uso atual de ciência de dados no setor de seguros como uma “garagem” de analytics. As organizações já entendem que big data é prioridade, mas ainda não o utilizam de forma eficiente em todas as decisões.
Relatórios da IBM mostram que, embora 71% das seguradoras tenham produtos baseados em dados em seus portfólios, muitas ainda não contam com uma estratégia coesa para escalar ciência de dados e machine learning. Sudaman compara o objetivo final a uma “fábrica” de analytics, em que os dados são usados em escala em todas as decisões, trazendo três benefícios centrais:
- Potencial financeiro massivo: inúmeras oportunidades de escalar o core do negócio com casos de uso de machine learning.
- Vantagem frente a novos entrantes: tomar decisões orientadas por dados é indispensável para competir com modelos de negócios disruptivos baseados em dados e analytics.
- Novas possibilidades de estender o core: ao tomar decisões mais inteligentes no negócio principal, liberam-se recursos para explorar modelos além do core atual. Alguns desses serviços de próxima geração são descritos pela Capgemini neste relatório.
Apesar disso, há obstáculos claros que impedem as seguradoras de escalar suas fábricas de analytics. Veja alguns destacados no webinar:
Obstáculo nº 1: governança pouco clara
O primeiro passo para chegar à fábrica de analytics é ter uma governança clara. Neste webinar, Aaren Stubberfield, Manager of Data Governance and AI na Ingredion Inc., mostra como a governança de dados reduz riscos de negócios diante das leis de privacidade ao trazer clareza sobre os dados. Essa clareza também dá mais confiança às decisões tomadas com base neles. A McKinsey aponta que, em alguns departamentos, mais de 30% do tempo dos colaboradores é desperdiçado em atividades sem valor quando a qualidade e a disponibilidade dos dados são baixas por falta de governança. Ter governança clara é essencial para criar uma fábrica de ciência de dados.
Obstáculo nº 2: escassez de talentos-chave
O passo seguinte é desenvolver talentos em ciência de dados dentro da organização. Essas competências se distribuem em três papéis principais:
- Data Scientist: exige base sólida em matemática aplicada e habilidades técnicas em mineração de dados, estatística, machine learning e ciência da computação. Seu papel é construir algoritmos para casos de uso de alto valor.
- Analytics Engineer: geralmente tem formação em ciência de dados com ênfase maior em computação e programação. Seu papel é pegar os algoritmos do data scientist e torná-los escaláveis para ambientes de produção.
- Analytics Translator: tem bagagem em ciência de dados e negócios. Sua função é traduzir problemas de negócio em linguagem técnica e converter saídas de modelos em soluções para o negócio.
Desenvolver essas competências em escala é desafiador diante da escassez de talentos em dados. Por isso, as organizações precisam investir em capacitação interna e construir uma cultura de aprendizado. Esses papéis são todos necessários para chegar à fábrica de ciência de dados.
Depois que essas funções são preenchidas, é possível selecionar projetos com ganhos rápidos para provar o potencial da fábrica. Esses quick wins podem então ser sistematizados e escalados, levando o processo de analytics à produção com data products full stack. Todos esses benefícios vêm de montar o time certo e enfrentar a escassez de talentos internamente.
Obstáculo nº 3: pouca participação da linha de frente
O terceiro passo é envolver quem está na linha de frente. Todos na organização precisam ter letramento em dados. Colaboradores que lidam diretamente com clientes devem entender os sistemas implantados. Eles precisam ser capazes de explicar por que recomendam um determinado serviço ao cliente ou por que os preços são definidos daquela forma. A comunicação eficaz com o cliente, essencial para construir uma fábrica de analytics, nasce desse envolvimento na ponta. É aqui que entra a construção de uma cultura de dados — tema abordado por Sudaman em outro webinar da DataCamp.
Obstáculo nº 4: atenção da liderança
Por fim, a liderança precisa estar envolvida para que a fábrica funcione. Ela deve trabalhar de perto com os talentos de dados para impulsionar a transformação organizacional. Cabe aos executivos usar seu conhecimento do negócio para gerar impacto financeiro e valor a partir das novas tecnologias desenvolvidas pelos times de dados. Sem a devida atenção de quem decide, os benefícios da fábrica não se concretizam.
Para saber mais sobre como seguradoras podem escalar suas garagens de analytics para verdadeiras fábricas, assista ao webinar on-demand.
