Sigortada Veri Biliminin Geleceği: Analitik Garajından Fabrikaya Geçiş

Rekabetçi kalmak için sigorta şirketlerinin verilerinden ürettikleri içgörü ve değeri ölçeklendirmeleri gerekir. yakın tarihli bu web seminerinin ikinci bölümünde Allianz Benelux Bölgesel Veri ve Analitik Direktörü Sudaman Thoppan Mohanchandralal, veri biliminin potansiyelini tam olarak gerçekleştirmek için sigorta şirketlerinin atması gereken kilit adımları ele alıyor.

Veri Bilimi Garajından Fabrikaya

Web seminerinde Sudaman, sigorta sektöründe veri biliminin mevcut kullanımını bir analitik garajına benzetiyor. Kuruluşlar büyük verinin öncelik olduğunun farkında, ancak bunu tüm kararlar genelinde verimli şekilde kullanmıyorlar.

IBM raporları, sigortacıların %71’inin portföylerinde veriye dayalı ürünler bulunduğunu, ancak birçoğunun veri bilimi ve makine öğrenimini ölçeklemek için bütüncül bir veri stratejisine sahip olmadığını gösteriyor. Sudaman, hedeflenmesi gereken nihai durumu bir analitik fabrikasına benzetiyor. Burada kuruluşlar, üç temel faydayı sağlayacak şekilde tüm kararlar genelinde veriyi ölçekli olarak kullanır:

1. Büyük finansal potansiyel: Makine öğrenimi kullanım senaryolarıyla temel işi ölçeklendirmek için çok sayıda fırsat.
2. Pazara yeni giren rakiplere karşı avantajlar: Veriye dayalı karar almak, veriye ve analitiğe dayalı yıkıcı iş modellerine sahip yeni rakiplerle rekabet etmek için gereklidir.
3. Temel işi genişletmek için yeni olanaklar: Temel iş için daha akıllı kararlar alarak, bugünkü çekirdeğin dışında yeni iş modellerine açılmak için kaynaklar yaratılır. Bu yeni nesil hizmetlerin bazıları Capgemini tarafından burada anlatılıyor.

Bununla birlikte, sigortacıların analitik fabrikalarını ölçeklemesini engelleyen açık engeller mevcut. Web seminerinde bunlardan bazıları şöyle sıralanıyor

Engel #1: Belirsiz Yönetişim

Bir analitik fabrikasına ulaşmanın ilk adımı açık bir yönetişimdir. bu web seminerinde Ingredion Inc.’de Veri Yönetişimi ve Yapay Zekâ Müdürü Aaren Stubberfield, veri yönetişiminin veriye dair netlik sağlayarak veri gizliliği yasalarından kaynaklanan iş riskini nasıl en aza indirdiğini anlatıyor. Bu netlik, bu veriye dayalı olarak alınan kararlara daha fazla güven duyulmasını da sağlar. McKinsey, yönetişim eksikliği nedeniyle veri kalitesi ve erişilebilirliği zayıf olduğunda bazı departmanlarda çalışanların zamanının %30’dan fazlasının katma değer yaratmayan işlerde boşa harcandığını savunuyor. Açık yönetişim, bir veri bilimi fabrikası oluşturmak için esastır.

Engel #2: Kritik Yeteneğin Azlığı

Sıradaki adım, kuruluş içinde veri bilimi yeteneklerini geliştirmektir. Bu yetkinlikler üç ana role ayrılabilir:

1. Veri Bilimci: Uygulamalı matematik geçmişi ve veri madenciliği, istatistik, makine öğrenimi ve bilgisayar bilimi gibi alanlarda teknik beceriler gerektirir. Ana görevleri, değerli kullanım senaryoları için algoritmalar geliştirmektir.
2. Analitik Mühendisi: Genellikle veri bilimi geçmişine sahip olup bilgisayar bilimi ve programlama becerilerine daha fazla ağırlık verir. Rolleri, veri bilimcisinin algoritmalarını üretim ortamları için ölçeklenebilir hâle getirmektir.
3. Analitik Tercüman: Veri bilimi ve iş dünyası geçmişine sahiptir. İşlevleri, iş problemlerini teknik dile çevirmek ve model çıktılarından iş çözümleri üretmektir.

Veri yeteneği açığı nedeniyle bu becerileri ölçekli olarak geliştirmek zor olabilir. Bu nedenle kuruluşlar, bir öğrenme kültürü oluşturarak içten yetkinlik geliştirmeye yönelmelidir. Veri bilimi fabrikasına ulaşmak için bu rollerin tümü gereklidir.

Bu roller doldurulduktan sonra, fabrikanın potansiyelini kanıtlamak için hızlı kazanımlar sağlayan projeler seçilebilir. Bu hızlı kazanımlar daha sonra sistematikleştirilip ölçeklendirilerek, uçtan uca veri ürünleriyle analitik sürecinin üretime alınması sağlanabilir. Tüm bu faydalar, doğru ekibi kurmaktan ve yetenek açığını kurum içinde ele almaktan gelir.

Engel #3: Ön Safların Yetersiz Katılımı

Üçüncü adım, ön saflardaki çalışanların sürece dahil edilmesidir. Kuruluştaki herkesin veri okuryazarı olması gerekir. Müşteriye yakın çalışanların devreye alınan sistemleri anlaması önemlidir. Müşteriye neden belirli bir hizmeti önerdiklerini veya hizmetlerin neden bu şekilde fiyatlandığını açıklayabilmelidirler. Müşterilerle etkili iletişim—ki bu bir analitik fabrika kurmak için esastır—ön safların katılımından doğar. Bu noktada veri kültürü inşa etmek devreye girer—ki bu konu Sudaman tarafından başka bir DataCamp web seminerinde ele alınmıştır.

Engel #4: Yönetimin Dikkati

Son olarak, fabrikanın çalışması için yönetimin sürece dahil olması gerekir. Örgütsel dönüşümü sağlamak üzere veri yeteneğiyle yakından çalışmalıdırlar. İş bilgilerini ve uzmanlıklarını, veri ekiplerinin geliştirdiği yeni teknolojiden kuruluşa finansal etki ve değer yaratacak şekilde kullanmalıdırlar. Karar vericilerin gerekli ilgisi olmadan, fabrikanın sağlayacağı faydalar gerçekleşemez.

Sigortacıların analitik garajlarını fabrikalara nasıl ölçekleyebilecekleri hakkında daha fazla bilgi için talep üzerine web seminerini izlemeyi unutmayın.