Noll
Genomgripande data vetenskap är att bli en central möjliggörare för business innovation och konkurrens. Med tanke på denna betydelse, det är värt att undersöka ramen för data vetenskap att tänka på sin bana och det framtida värdet.
I min mening, viktigaste utmaningarna kring data vetenskap för företagsledare kommer från tre källor:
- Business människor inte alltid förstår kraften och konsekvenserna av vad som är möjligt med data vetenskap och lärande. Påverkan på affärsmodeller, verksamhet och kunder kan vara djupa. Bristen på tillgängliga data att mata maskinen lärande odjuret. Utan historiska eller andra data, maskininlärning och har litet värde. Sammanställning av användbara data kan vara dyrt och tidskrävande. Otillräcklig talang och resurser för att skapa modeller och ställa upp för analyser som bäst kan tjäna användare och kunder. Gör en effektiv användning av data vetenskap kräver en annan typ av tanke än traditionella analytics, en kultur skift, så det är svårt för etablerade organisationer att anpassa sig snabbt.
På episod 259 av CXOTalk serie samtal med innovatörer, som jag bjudit in två experter för att undersöka dessa frågor och prata om data vetenskap i finansiella tjänster och försäkring.
Diskussionen ingår en utestående exponering i bredare sammanhang och värdet av data vetenskap, så vi drog det ut som korta, fristående och inbäddade videon ovan.
Mina två gäster för detta avsnitt är:
Murli Buluswar, tidigare Chief Science Officer vid försäkring jätte AIG och för närvarande Senior Executive Advisor med Boston Consulting Group Dr Tianhui Michael Li, VD Data Inkubator och tidigare data scientist på FourSquare
För att läsa mer, kolla in den korta videon ovan och läs redigerad avskrift nedan. Du kan också se hela avsnitt och läser hela avsnittet utskrift över på CXOTalk webbplats.
Där finns data vetenskap passa in i försäkringsbranschen?
Murli Buluswar: Den centrala utmaningen för försäkringssektorn är liknande till några av finansiella tjänster. I försäkringen, kan du försöka förutse din kostnad för sålda varor vid försäljningsstället. Att få denna rätt är helt avgörande för din förmåga att uppnå marginaler på vägen. Allt som du kan göra för att förstå att kärnan kommer att ge dig en betydande konkurrensfördel.
Maskinen intelligens är den samlade erfarenheten av en institution som skickas med manifest via data.
— Murli Buluswar
Nu, om du zooma ut från den frågeställningen, det finns många likheter i försäkring övriga branscher runt om i rollen som data vetenskap och lärande i utöka den mänskliga intelligensen och fatta bättre beslut. Mer strukturerad, granulat, sofistikerad, konsekventa beslut, inom försäljning och marknadsföring, prissättning, emissionsgarantier och i anspråk, vilket är en betydande del av uppfyllelsen av löftet att försäkringsbolagen gör sina kunder.
Michael Li: Vad vi kallar data science idag är en del av en lång historia av tillämpningen av matematik och data branschen.
När jag anslöt sig till industrin, och jag började min värld i finansiell ekonomi vid Wall Street, då vi brukade kalla dessa jobb så roller. Skulle du räkna ut hur att handeln på kapitalmarknaden, göra förutsägelser om vilka sätt att aktiekursen skulle flytta. Jag tror att vad vi har sett är att de verktyg och den teknik som vi använde var det då egentligen som antogs i Silicon Valley, verkligen turboladdad, uppriktigt gjort, faktiskt, mycket mer användbart. Då kostnaden för design och gjort den så att du kan tillämpa detta inte bara att ett fåtal problem på Wall Street, men alla över huvudgatan, hela resten av branschen för finansiella tjänster.
Förklara på likheter data vetenskap inom försäkring och andra branscher?
Murli Buluswar: Den första stora olikhet, så att säga, när man jämför försäkring till andra sektorer är att den roll av aktuarieyrket går tillbaka till tidiga dagar när försäkringen skapades som en sektor. Analytics i försäkring har till stor del drivits av aktuariella funktion, som ger nyanserad kompetenser och förmågor som är relevanta för försäkringen.
Om du tycker om den bredare roll som data vetenskap kunde spela i dag i försäkring, du kan i grunden omforma det mänskliga omdömet när det kommer till försäljning, när det kommer till underwriting dom. Även när det gäller påståenden genom linsen av data och teknik på ett sätt som kanske inte varit genomförbart 10, 12, 15 år sedan.
Som många andra sektorer, försäkring, har du fått en försäljning eller distribution channel. Du har fått en produkt kanal som är runt prissättning av produkten. En del av det är din kostnad för sålda varor, och en del av detta är att försöka förstå marknadens aptit och kundernas krav, eller krav på elasticitet om du kommer.
Sist, men inte minst, du har fått uppfyllelsen av löftet om att mycket data som rika. Så, om man bryter ner detta värde kedjan till sina centrala delar, det finns likheter med andra sektorer.
Nu skillnaden kan vara att om du tycker om hälso-och sjukvård, till exempel hälso-och sjukvård är mycket mer en transaktion, data-rik-branschen kanske jämföras med en försäkring. Du är engagerande med kunder på ett mycket konsekvent sätt, precis som du är i finansiella tjänster, i bank-och kreditkort och sådant. Skillnaden, kanske, mellan försäkring och dessa andra sektorer är att du inte nödvändigtvis som data-rika, som transaktions-data rika, som andra sektorer. [Men] säkert få din kostnad för sålda varor bruttoresultat rätt tidigt är fortfarande kritisk.
Michael Li: Höger, men du ser det här med detaljhandeln. Du ser detta genom en smartphone, och vi gjorde en hel del för att när jag var på Foursquare försöker få det att detaljhandeln tegel och murbruk uppleva lite mer digitalt via din smartphone. Du ser detta överallt.
Jag tror att det kommer att vara en viktig drivkraft för hemelektronik, du kommer att se behovet för företag att ha data att köra interaktioner på smartphones, surfplattor och personliga tillbehör.
Vad gäller de tekniska aspekterna?
Murli Buluswar: Att bygga vidare på vad du just sa, Michael, om du skulle kontextualisera som försäkringar, jag ser den stora språng inom innovation som händer under de närmaste två till tre åren kring denna idé om att göra en mer detaljerad, i realtid beslut med maskininlärning.
Genom att definiera data inte bara i den traditionella interna strukturerad form, men funderar på det i fyra kvadranter: inre / yttre på en dimension och strukturerad / ostrukturerad på den andra dimensionen.
Förmågan att bygga maskinlärande algoritmer på dessa plattformar kommer att omforma vad människor gör med beslutsfattande och dom och där modeller harmonisera eller balans mänskliga dom med maskin intelligens.
Ofta människor tänker på det som ett antingen/eller. Men om du re-parafras maskin intelligens som något annat än den kollektiva erfarenheten av den institution som skickas med manifest via data, det ger konsekvens och precision för att fatta beslut.
Det är inte att säga att det innebär att betydelsen av mänskliga dom helt, men det är att säga att denna balans, harmoni bör och kommer att se dramatiskt annorlunda två år, tre år från och med nu än vad det har under de senaste tio åren och innan.
Nästa stora steg-förändringen som jag kan se för denna sektor som helhet är att utvecklas från att förutsäga risken för att en verklig risk partner som kan mildra resultaten genom kraften i realtid insikter.
Det mest uppenbara exemplet på det är den roll som givare kan spela i att ge feedback i realtid till förare av fordon på ett sätt som förhoppningsvis minskar riskfylld körning och minskar risken för olyckor. För mig, som är den verkliga makten i data-vetenskap i försäkringen.
Inte nog med att minska olyckor från att hända, eller negativa händelser inträffar, men minskar kostnaden för försäkring och utökar räckvidden av skydd för en mycket bredare befolkningen, både i de utvecklade länderna och utvecklingsländerna. För mig, som är en vacker sak om du tror att om samhället har en mycket högre grad av ekonomiskt skydd i varje aspekt av våra liv.
Michael Li: Fundera på vad som är nytt i data-vetenskap, det är, varför är data vetenskap skiljer sig från eller hur data vetenskap expandera på saker som de aktuariella tradition, som statistiker, avståndskvanta fordom.
Vi är inte längre bara med hjälp av strukturerade data, så det är inte bara SQL-frågor längre. Det är nu semi-strukturerad och ostrukturerad data. Hur tycker du börja hantera saker när de inte kommer i fina tabeller som du kan ladda in i Excel eller som du kan sätta in SQL?
Vi är också i en värld där data är mycket större. Du nämnde telematik. Om du tog en läsning från varje bil varje sekund, det är en hel del nummer som du har att lagra, och det är ett väldigt olika paradigm för beräkning. Du måste tänka på att lagra denna data. Hur gör du för att hantera data nu att den lagras på flera datorer? Hur tycker du om beräkning i detta sammanhang?
Sedan, naturligtvis, den sista sak är att data i realtid. Analytics har historiskt sett varit-du kan kalla det — en satsvis process. Kör det en gång, skapa en rapport, visar det att människor; du är klar.
Nu är det en kontinuerlig process. Du kör det, du har för att direkt hitta de senaste trenderna, sätta den i produktion så att du kan intelligent anpassa sig, och sedan göra det igen nästa timme, nästa minut. Det är där konkurrensen är en drivkraft för dig.
Om man tittar på vad Silicon Valley har gjort, det är mycket som din server är ständigt lärande från användarnas beteende och justerar hur det interagerar med användare på ett sätt som, för att låna ett uttryck — läckerheter användaren. Jag tror att vi ser det.
Traditionella företag, icke-tech-baserade företag, som har att efterlikna denna typ av nivå av kundservice och tillfredsställelse. En hel del som kommer ner till big data och att ha ett lag som klarar av att förstå nya och olika typer av data i en värld som snabbt förändras.
Murli Buluswar: Om du tänker på den historiska definitionen av transaktionsdata i hälso-och banktjänster, vi vet att det har varit kärnan i hur de tänker på analytics. Traditionellt, försäkring har inte haft den versionen.
Om du zoomar ut och definiera data i en mycket bredare bemärkelse som innehåller bilder, ljud, alla typer av ostrukturerade data: försäkring då har sin egen version i lager på toppen med sakernas internet, och sådant. Försäkring har sin egen version av transaktionsdata. Förmågan att utnyttja det och dramatiskt ändra cykeltiden för beslutsfattande, samt precision i beslutsfattandet, är där guldgruva är för försäkring som under de kommande fem åren eller så.
Dela dina råd om att bygga en data-vetenskap-kultur?
Michael Li: Två grundläggande första steg. För det första, få data, samla in det, [och] lagra det, vad har du. För det andra, hitta den talang som krävs för att hantera data, ändra data, och kommit med värdefulla insikter från dessa data. Om du kan göra båda dessa saker, kommer du åtminstone ta de första stegen i riktning mot att bygga en data-driven kultur.
CXOTalk samlar världens företagsledare för fördjupade samtal om AI och innovation. Miniatyrbild Creative Commons från FreeVector. com.
Relaterade Ämnen:
Big Data Analytics
Digital Omvandling
Innovation
Trodde Ledarskap
Tech-Industrin
0