Nul
Pervasive data science is steeds een kern enabler van innovatie in het bedrijfsleven en de concurrentie. Gegeven dit belang is het de moeite waard te onderzoeken in de context van data science te overwegen zijn traject en de toekomstige waarde.
In mijn ogen primaire uitdagingen rond data science for business leaders komt uit drie bronnen:
- Mensen uit het bedrijfsleven niet altijd juist de kracht en de implicaties van wat mogelijk is met de gegevens van de wetenschap en machine learning. De impact op business modellen, operaties, en klanten kunnen ingrijpend zijn. Het ontbreken van beschikbare gegevens voor het voeden van de machine learning beest. Zonder historische of andere gegevens, machine learning heeft weinig waarde. Het aggregeren van nuttige gegevens kan duur en tijdrovend zijn. Onvoldoende talent en middelen om modellen te maken en het opzetten van analyses die het beste kunnen dienen gebruikers en klanten. Om effectief gebruik te maken van gegevens wetenschap vraagt om een ander soort denken dan de traditionele analytics; zelfs een cultuurverandering, dus het is moeilijk voor gevestigde organisaties om snel aan te passen.
Op aflevering 259 van de CXOTalk serie gesprekken met vernieuwers, nodigde ik twee experts het onderzoeken van deze problemen en praten over de wetenschap in de financiële dienstverlening en het verzekeringswezen.
De discussie inbegrepen een uitstekende uiteenzetting van de bredere business context en de waarde van data science, dus we trokken het uit als de korte, standalone video hierboven.
Mijn twee gasten voor deze aflevering zijn:
Murli Buluswar, voormalig Chief Science Officer bij verzekeringen reus AIG en momenteel Senior Executive Advisor bij the Boston Consulting Group Dr. Tianhui Michael Li, CEO van De Gegevens Incubator en voormalig data scientist bij FourSquare
Voor meer informatie, bekijk de korte video hierboven en lees de bewerkte transcriptie hieronder. U kunt ook kijken naar de hele episode en lees het complete transcript aflevering over op de CXOTalk site.
Waar komt gegevens wetenschap passen in de verzekeringssector?
Murli Buluswar: De kern van de uitdaging voor de insurance sector is vergelijkbaar met een deel van de financiële diensten. In de verzekering, bent u proberen te voorspellen uw kostprijs van de verkochte goederen op het moment van verkoop. Aan dat recht is absoluut essentieel in uw vermogen om te bereiken marges op de weg. Van alles en nog wat dat je kunt doen om te begrijpen dat in de kern geeft u een aanzienlijk concurrentievoordeel.
Machine-intelligentie is de collectieve ervaring van een instelling tot uitdrukking in de gegevens.
— Murli Buluswar
Nu, als je uitzoomt van die probleemstelling, zijn er veel overeenkomsten in verzekeringen andere industrieën over de rol van de wetenschap en machine learning in het vergroten van de menselijke intelligentie en het maken van betere beslissingen te nemen. Meer gestructureerd, nauwkeurig en verfijnd, consistente beslissingen, in verkoop en marketing, evenals in de prijsstelling, de acceptatie, en in claims, die een significant deel van de vervulling van de belofte dat verzekeraars hun klanten.
Michael Li: Wat wij noemen gegevens van de wetenschap vandaag de dag is een onderdeel van een lange geschiedenis van de toepassing van de wiskunde en informatica aan de industrie.
Toen ik bij de industrie, en ik begon mijn wereld in finance op Wall Street, toen we noemen deze banen quant rollen. Je zou erachter te komen hoe de handel in de kapitaalmarkten, voorspellingen te doen over welke kant de aandelenkoersen zou verplaatsen. Ik denk dat wat we gezien hebben is dat de tools en de technieken die we gebruikten waren er dan echt aangenomen in Silicon Valley, echt turbo, eerlijk gezegd, eigenlijk veel meer bruikbaar. Dan de kosten van computing het zo dat je kon dit niet alleen tot een paar uitgezochte problemen op Wall Street, maar over Main Street, over de rest van de financiële sector.
Neem dan ingaan op de overeenkomsten van data science over verzekeringen en andere industrieën?
Murli Buluswar: De eerste grote verschil, om zo te spreken, bij het vergelijken van verzekeringen met andere sectoren is dat de rol van het actuariële beroep dateert uit de vroege dagen, toen de verzekering werd opgericht als een sector. De analyses in verzekering is grotendeels verdreven door de actuariële functie, waardoor het voorziet in genuanceerde competenties en capaciteiten die relevant zijn voor de verzekering.
Als u denkt over de bredere rol die gegevens wetenschap zou kunnen spelen vandaag in verzekeringen, kunt u van fundamenteel hervormen menselijk oordeel als het gaat om verkoop, wanneer het gaat om underwriting oordeel. Zelfs wanneer het gaat om vorderingen door de lens van data en technologie op een manier die misschien niet haalbaar zijn 10, 12, 15 jaar geleden.
Net als veel andere sectoren, in de verzekering, heb je een verkoop of distributie kanaal. Heb je een product kanaal dat rond de prijsstelling van het product. Wat is de kost van de verkochte goederen, en sommige van die probeert te begrijpen de markt, de eetlust en de wensen van de klanten, of vraag elasticiteit als je wil.
Laatste maar niet de minste, je hebt de vervulling van de belofte dat zeer, zeer gegevens rijke. Dus, als je breken dat de keten van de kern elementen zijn er overeenkomsten met andere sectoren.
Nu het verschil zou kunnen zijn dat als je nadenkt over de gezondheidszorg, bijvoorbeeld in de gezondheidszorg is veel meer een transactie, data-rich-industrie misschien wel vergeleken met een verzekering. Je bent bezig met klanten op een zeer consistente basis, net als u zijn in de financiële dienstverlening, bank-en creditcards en dergelijke. Het verschil misschien, tussen de verzekering en de overige sectoren is dat je niet per se als data-rich, zoals transactie-gegevens rijke, net als andere sectoren. [Maar] zeker het krijgen van uw kostprijs van verkochte goederen rechter vroeg nog steeds kritisch.
Michael Li: Recht, maar ziet u deze met de detailhandel. Ziet u dit via de smartphone, en we deden veel van dat ik, toen ik bij Foursquare proberen te maken dat de retail baksteen en mortel ervaring een beetje meer digitaal via uw smartphone. Zie je dit helemaal over de plaats.
Ik denk dat dat een belangrijke oorzaak van consumentenelektronica; je zal zien dat de noodzaak voor bedrijven om gegevens te rijden interacties op smartphones, tablets en wearables.
Hoe zit het met de technische aspecten?
Murli Buluswar: om voort Te bouwen op wat je net zei, Michael, als je te contextualiseren die de verzekering, zie ik de grote sprong in vernieuwing gebeurt er in de komende twee tot drie jaar rond met dit idee van het maken van meer gedetailleerde, real-time beslissingen te nemen met machine learning.
Door het definiëren van gegevens niet alleen in de traditionele interne gestructureerde termen, maar het denken van het in vier kwadranten: intern / extern op één dimensie en gestructureerde / ongestructureerde op de andere dimensie.
De mogelijkheid voor het bouwen van machine learning algoritmes op deze platformen zal hervormen wat mensen doen met de besluitvorming en het oordeel, en waar modellen te harmoniseren of in evenwicht menselijk oordeel, met machine-intelligentie.
Vaak denken mensen dat het een of/of. Maar als je opnieuw te parafraseren machine-intelligentie als niets, maar de collectieve ervaring van de instelling gemanifesteerd door middel van data, het zorgt voor consistentie en granulatie tot de besluitvorming.
Dat is niet om te zeggen dat het obviates de rol van het menselijk oordeel volledig, maar het is te zeggen dat die balans, harmonie moet en ziet het er dramatisch anders dan twee jaar, drie jaar vanaf nu dan voor de laatste tien jaar daarvoor.
De volgende grote stap verandering die ik zie voor deze sector als geheel evolueert van een voorspeller van het risico op een actuele risico-partner die kan het inperken van resultaten door middel van de kracht van real-time inzicht.
De meest voor de hand liggende voorbeeld is de rol die de sensoren kunnen spelen in het bieden van real-time feedback voor bestuurders van voertuigen op een manier die hopelijk riskant rijden en reduceert de kans op ongevallen. Voor mij is dat de echte kracht van data science in de verzekering.
Niet alleen het beperken ongevallen te voorkomen, of negatieve gebeurtenissen van het gebeuren, maar vermindert de kosten van de verzekering en breidt het bereik van de bescherming van een veel bredere bevolking, zowel in de ontwikkelde als ontwikkelingslanden werelden. Voor mij is dat een mooi ding als je denkt over de samenleving het hebben van een veel hoger niveau van financiële bescherming in elk aspect van ons leven.
Michael Li: Denk na over wat de nieuwe gegevens in de wetenschap, dat het is, waarom is data science anders of hoe gegevens wetenschap uit te breiden op zaken als de actuariële traditie, zoals statistici, de quants van weleer.
We zijn niet langer alleen met behulp van gestructureerde gegevens, dus niet alleen voor SQL-query ‘ s niet meer. Het is nu semi-gestructureerde en ongestructureerde gegevens. Hoe begin je omgaan met dingen als ze niet in mooie tabellen die u kunt laden in Excel of die u in kunt zetten in SQL?
We zijn ook in een wereld waar de gegevens is veel groter. U noemde telematica. Als u het uitlezen van elke auto, elke seconde, dat is een hoop nummers die je hebt op te slaan, en dat is een heel ander paradigma voor de berekening. Je hebt om na te denken over de opslag van deze gegevens. Hoe ga je om met de gegevens die nu is opgeslagen op meerdere computers? Hoe denk je over de berekening in die context?
Dan, natuurlijk, de laatste wat is real-time data. Google Analytics is van oudsher — je zou kunnen noemen — een batch proces. Voer het eens; het genereren van een rapport, laten zien aan de mensen; u bent klaar.
Nu is het een continu proces. Je loopt; je vindt direct de nieuwste trends; zet die in de productie dus u kunt op intelligente wijze aan te passen en vervolgens opnieuw te doen het volgende uur, de volgende minuut. Dat is waar de concurrentie door te rijden.
Als je kijkt naar wat Silicon Valley heeft gedaan, is het heel erg uw server continu te leren van het gedrag van de gebruiker en past de manier waarop interactie met gebruikers in een manier dat — te lenen van een expressie (heerlijkheden van de gebruiker. Ik denk dat we dat zien.
Traditionele bedrijven, non-tech bedrijven, heeft te emuleren dat soort niveau van klantenservice en-tevredenheid. Veel van dat komt neer op big data en het hebben van een team in staat inzicht te verwerven in nieuwe en verschillende soorten gegevens in een wereld die zich snel ontwikkelt.
Murli Buluswar: Als u denkt over de historische definitie van transactionele gegevens in de gezondheidszorg en het bankwezen, we weten dat dat is de kern van hoe ze denken over google analytics. Traditioneel verzekering niet heeft gehad die versie.
Als je uitzoomt en het definiëren van gegevens in een veel bredere zin en dat is inclusief de afbeeldingen, audio, allerlei ongestructureerde gegevens: verzekering heeft dan zijn eigen versie, lagen op de top met de IoT en dergelijke. De verzekering heeft zijn eigen versie van transactionele gegevens. De mogelijkheid om uit te rusten en drastisch veranderen de cyclus tijd van de besluitvorming, alsmede het detailniveau van de besluitvorming, is de plaats waar de goudmijn is voor de verzekering in de komende vijf jaar of zo.
Deel uw advies over het bouwen van een data science cultuur?
Michael Li: Twee eenvoudige, eerste stappen. Eerst krijgen de gegevens, verzamelen, [en] te slaan, wat heb je. Ten tweede, het talent dat nodig is om te gaan met de gegevens, het bewerken van de gegevens, en komen met inzichten uit de data. Als je beide van deze dingen, u zal in ieder geval de eerste paar stappen in de richting van het bouwen van een data-gedreven cultuur.
CXOTalk brengt de top van de wereld leiders uit het bedrijfsleven voor diepgaande gesprekken over AI en innovatie. Thumbnail image Creative Commons-van FreeVector. com.
Verwante Onderwerpen:
Big Data Analytics
Digitale Transformatie
Innovatie
Thought Leadership
Tech Industrie
0