为保持竞争力，保险机构必须扩大其从数据中产出的洞察与价值。在这场近期网络研讨会的下半部分，Allianz Benelux 区域首席数据与分析官 Sudaman Thoppan Mohanchandralal 阐述了保险机构要充分释放数据科学潜力所需采取的关键步骤。
从数据科学“车库”到“工厂”
在研讨会上，Sudaman 将当前保险业对数据科学的运用形容为“分析车库”。机构目前虽然认识到大数据是优先事项，但尚未将其高效运用于所有决策。
IBM 的报告指出，尽管有 71% 的保险公司在其产品组合中拥有依赖数据的产品，但许多公司并没有一套可将数据科学与机器学习规模化的连贯数据战略。Sudaman 将机构应努力达成的最终目标比作“分析工厂”。在这里，机构在所有决策中大规模利用数据，从而带来三大关键收益：
- 巨大的财务潜力：通过机器学习用例为核心业务带来大量可扩展机会。
- 对新入局竞争者的优势：在面对以数据与分析驱动、具颠覆性的新商业模式时，做出数据驱动决策是竞争所必需的。
- 拓展核心业务的新可能：通过为核心业务做出更明智的决策，能释放资源，扩展至当下核心之外的新业务模式。Capgemini 在此处介绍了部分下一代服务。
然而，当前仍存在一些明确障碍，阻碍保险公司将“分析工厂”规模化。以下是在研讨会中列出的一些障碍：
障碍一：治理不清晰
迈向“分析工厂”的第一步是明确的治理。在这场研讨会中，Ingredion Inc. 的数据治理与人工智能经理 Aaren Stubberfield 介绍了数据治理如何通过提供数据清晰度来降低数据隐私法带来的业务风险。这种清晰度也让基于数据所作的决策更具信心。麦肯锡指出，当缺乏治理导致数据质量与可用性较差时，在某些部门，员工多达 30% 以上的时间被浪费在无增值的任务上。清晰的治理是打造数据科学工厂的基础。
障碍二：关键人才短缺
下一步是在组织内部培养数据科学人才。这些技能可分为三类核心角色：
- 数据科学家：需要具备应用数学背景以及数据挖掘、统计、机器学习和计算机科学等技术能力。其主要工作是围绕有价值的用例构建算法。
- 分析工程师：通常拥有数据科学背景，更侧重计算机科学与编程技能。他们的职责是将数据科学家的算法在生产环境中实现规模化。
- 分析翻译者：兼具数据科学与业务背景。他们负责将业务问题转换为技术语言，并将模型输出转化为业务解决方案。
在数据人才短缺的情况下，要大规模培养这些技能并不容易。因此，机构必须通过打造学习型文化来推动内部技能提升。这些角色都是实现数据科学工厂所必需的。
一旦这些岗位配齐，可优先选择能快速见效的项目来验证工厂的潜力。随后将这些快速成果系统化并规模化，通过全栈数据产品将分析流程产品化。以上收益皆来自于打造合适的团队并在内部应对人才短缺。
障碍三：一线参与不足
第三步是让一线员工参与进来。组织中的每个人都必须具备数据素养。贴近客户的员工需要理解所部署的系统，能够向客户解释为何推荐特定服务，或为何服务会以这种方式定价。与客户的有效沟通——这对构建“分析工厂”至关重要——源于一线的参与。这正是构建数据文化的用武之地——Sudaman 在另一场DataCamp 网络研讨会中对此进行了介绍。
障碍四：管理层重视
最后，要让工厂运转，管理层必须参与其中。他们需要与数据人才紧密协作，推动组织变革。管理层应利用其业务知识与专业能力，将数据团队开发的新技术转化为对组织的财务影响与价值。若决策层缺乏足够重视，工厂所能带来的收益将无法实现。
想进一步了解保险公司如何将“分析车库”规模化为“分析工厂”，欢迎观看按需回放的研讨会。
为保持竞争力，保险机构必须扩大其从数据中产出的洞察与价值。在这场近期网络研讨会的下半部分，Allianz Benelux 区域首席数据与分析官 Sudaman Thoppan Mohanchandralal 阐述了保险机构要充分释放数据科学潜力所需采取的关键步骤。
从数据科学“车库”到“工厂”
在研讨会上，Sudaman 将当前保险业对数据科学的运用形容为“分析车库”。机构目前虽然认识到大数据是优先事项，但尚未将其高效运用于所有决策。
IBM 的报告指出，尽管有 71% 的保险公司在其产品组合中拥有依赖数据的产品，但许多公司并没有一套可将数据科学与机器学习规模化的连贯数据战略。Sudaman 将机构应努力达成的最终目标比作“分析工厂”。在这里，机构在所有决策中大规模利用数据，从而带来三大关键收益：
然而，当前仍存在一些明确障碍，阻碍保险公司将“分析工厂”规模化。以下是在研讨会中列出的一些障碍：
障碍一：治理不清晰
迈向“分析工厂”的第一步是明确的治理。在这场研讨会中，Ingredion Inc. 的数据治理与人工智能经理 Aaren Stubberfield 介绍了数据治理如何通过提供数据清晰度来降低数据隐私法带来的业务风险。这种清晰度也让基于数据所作的决策更具信心。麦肯锡指出，当缺乏治理导致数据质量与可用性较差时，在某些部门，员工多达 30% 以上的时间被浪费在无增值的任务上。清晰的治理是打造数据科学工厂的基础。
障碍二：关键人才短缺
下一步是在组织内部培养数据科学人才。这些技能可分为三类核心角色：
在数据人才短缺的情况下，要大规模培养这些技能并不容易。因此，机构必须通过打造学习型文化来推动内部技能提升。这些角色都是实现数据科学工厂所必需的。
一旦这些岗位配齐，可优先选择能快速见效的项目来验证工厂的潜力。随后将这些快速成果系统化并规模化，通过全栈数据产品将分析流程产品化。以上收益皆来自于打造合适的团队并在内部应对人才短缺。
障碍三：一线参与不足
第三步是让一线员工参与进来。组织中的每个人都必须具备数据素养。贴近客户的员工需要理解所部署的系统，能够向客户解释为何推荐特定服务，或为何服务会以这种方式定价。与客户的有效沟通——这对构建“分析工厂”至关重要——源于一线的参与。这正是构建数据文化的用武之地——Sudaman 在另一场DataCamp 网络研讨会中对此进行了介绍。
障碍四：管理层重视
最后，要让工厂运转，管理层必须参与其中。他们需要与数据人才紧密协作，推动组织变革。管理层应利用其业务知识与专业能力，将数据团队开发的新技术转化为对组织的财务影响与价值。若决策层缺乏足够重视，工厂所能带来的收益将无法实现。
想进一步了解保险公司如何将“分析车库”规模化为“分析工厂”，欢迎观看按需回放的研讨会。