Để duy trì lợi thế cạnh tranh, các tổ chức bảo hiểm phải mở rộng số lượng insight và giá trị họ tạo ra từ dữ liệu. Trong phần hai của hội thảo trực tuyến gần đây, Sudaman Thoppan Mohanchandralal, Giám đốc Dữ liệu và Phân tích Khu vực tại Allianz Benelux, thảo luận các bước then chốt mà các tổ chức bảo hiểm cần thực hiện để khai thác trọn vẹn tiềm năng của khoa học dữ liệu.
Từ "nhà để xe" Khoa học Dữ liệu đến "nhà máy"
Trong hội thảo, Sudaman mô tả việc ứng dụng khoa học dữ liệu hiện nay trong ngành bảo hiểm giống như một “nhà để xe” phân tích. Các tổ chức đã nhận ra dữ liệu lớn là ưu tiên, nhưng chưa tận dụng hiệu quả trên mọi quyết định.
IBM báo cáo rằng dù 71% nhà bảo hiểm có sản phẩm phụ thuộc vào dữ liệu trong danh mục, nhiều đơn vị chưa có chiến lược dữ liệu mạch lạc để mở rộng khoa học dữ liệu và máy học. Sudaman ví mục tiêu cuối cùng mà các tổ chức nên hướng tới là một “nhà máy” phân tích. Ở đó, dữ liệu được khai thác ở quy mô lớn trên mọi quyết định, mang lại ba lợi ích chính:
- Tiềm năng tài chính to lớn: Nhiều cơ hội để mở rộng kinh doanh cốt lõi thông qua các bài toán ứng dụng máy học.
- Lợi thế trước các đối thủ mới gia nhập thị trường: Ra quyết định dựa trên dữ liệu là điều kiện cần để cạnh tranh với những mô hình kinh doanh đột phá dựa trên dữ liệu và phân tích.
- Khả năng mở rộng kinh doanh cốt lõi: Bằng cách đưa ra các quyết định thông minh hơn cho hoạt động cốt lõi, nguồn lực sẽ được giải phóng để mở rộng sang các mô hình kinh doanh mới ngoài lõi hiện tại. Một số dịch vụ thế hệ tiếp theo được Capgemini mô tả tại đây.
Tuy nhiên, hiện đang có những rào cản rõ ràng khiến các nhà bảo hiểm chưa thể mở rộng thành “nhà máy” phân tích. Dưới đây là một vài rào cản được nêu trong hội thảo
Rào cản #1: Quản trị chưa rõ ràng
Bước đầu tiên để đạt tới “nhà máy” phân tích là có quản trị rõ ràng. Trong hội thảo này, Aaren Stubberfield, Quản lý Quản trị Dữ liệu và AI tại Ingredion Inc., mô tả cách quản trị dữ liệu giảm thiểu rủi ro kinh doanh từ các luật về quyền riêng tư dữ liệu bằng cách mang lại sự rõ ràng về dữ liệu. Sự rõ ràng này cũng cho phép tự tin hơn trong các quyết định dựa trên dữ liệu đó. McKinsey cho rằng hơn 30% thời gian của nhân viên ở một số bộ phận bị lãng phí cho các tác vụ không tạo giá trị khi chất lượng và khả dụng của dữ liệu kém do thiếu quản trị. Quản trị rõ ràng là điều thiết yếu để xây dựng một “nhà máy” khoa học dữ liệu.
Rào cản #2: Thiếu hụt nhân tài chủ chốt
Bước tiếp theo là phát triển năng lực khoa học dữ liệu trong tổ chức. Các kỹ năng này có thể chia thành ba vai trò chính:
- Nhà khoa học dữ liệu: Cần nền tảng toán ứng dụng và kỹ năng kỹ thuật trong các lĩnh vực như khai thác dữ liệu, thống kê, máy học và khoa học máy tính. Nhiệm vụ chính là xây dựng thuật toán cho các bài toán có giá trị.
- Kỹ sư phân tích: Thường có nền tảng khoa học dữ liệu với trọng tâm hơn vào khoa học máy tính và lập trình. Vai trò của họ là sử dụng các thuật toán của nhà khoa học dữ liệu và làm cho chúng có thể mở rộng trong môi trường vận hành.
- Người phiên dịch phân tích: Có nền tảng về khoa học dữ liệu và kinh doanh. Chức năng của họ là chuyển ngữ các vấn đề kinh doanh sang ngôn ngữ kỹ thuật và chuyển kết quả mô hình thành giải pháp kinh doanh.
Phát triển các kỹ năng này ở quy mô lớn không đơn giản do tình trạng thiếu hụt nhân lực dữ liệu. Vì vậy, các tổ chức phải chú trọng nâng cao kỹ năng nội bộ bằng cách xây dựng văn hóa học tập. Tất cả các vai trò này đều cần thiết để đạt tới một “nhà máy” khoa học dữ liệu.
Khi đã có đủ các vai trò, có thể chọn các dự án mang lại “thắng nhanh” để chứng minh tiềm năng của “nhà máy”. Những thắng nhanh này sau đó có thể được hệ thống hóa và mở rộng để đưa quy trình phân tích vào vận hành với các sản phẩm dữ liệu full-stack. Tất cả lợi ích này đến từ việc xây dựng đúng đội ngũ và giải quyết thiếu hụt nhân tài từ bên trong.
Rào cản #3: Thiếu sự tham gia của tuyến đầu
Bước thứ ba là huy động nhân sự tuyến đầu. Mọi người trong tổ chức phải có hiểu biết dữ liệu. Nhân viên làm việc gần khách hàng cần hiểu các hệ thống đang triển khai. Họ phải có khả năng giải thích vì sao họ khuyến nghị một dịch vụ cụ thể cho khách hàng hoặc vì sao giá dịch vụ được thiết lập như vậy. Giao tiếp hiệu quả với khách hàng, điều thiết yếu để xây dựng “nhà máy” phân tích, đến từ sự tham gia của tuyến đầu. Đây là lúc văn hóa dữ liệu phát huy tác dụng—đã được Sudaman đề cập trong một hội thảo trực tuyến của DataCamp khác.
Rào cản #4: Sự quan tâm của ban lãnh đạo
Cuối cùng, ban lãnh đạo phải tham gia thì “nhà máy” mới vận hành hiệu quả. Họ cần phối hợp chặt chẽ với đội ngũ dữ liệu để thúc đẩy thay đổi trong tổ chức. Họ nên tận dụng kiến thức và chuyên môn kinh doanh để tạo tác động tài chính và mang lại giá trị cho tổ chức từ công nghệ mới do các nhóm dữ liệu phát triển. Nếu những người ra quyết định không quan tâm đúng mức, lợi ích từ “nhà máy” sẽ không thể hiện thực hóa.
Để tìm hiểu thêm về cách các nhà bảo hiểm có thể mở rộng từ “nhà để xe” phân tích thành “nhà máy”, hãy theo dõi hội thảo trực tuyến theo yêu cầu.
