Nul
Pervasive data videnskab bliver en central katalysator for innovation og konkurrence. I betragtning af denne betydning, er det værd at undersøge rammerne af data videnskab til at overveje sin bane og den fremtidige værdi.
I min opfattelse primære udfordringer omkring data videnskab til ledere kommer fra tre kilder:
- Business folk ikke altid forstår, magt og konsekvenserne af, hvad der er muligt med data videnskab og machine learning. Virkningen på de forretningsmodeller, operationer, og kunderne kan være dyb. Manglen på tilgængelige data til at fodre maskinen læring dyr. Uden historisk eller andre data, machine learning, har ringe værdi. Sammenlægning af nyttige oplysninger, som kan være dyre og tidskrævende. Utilstrækkelig talent og ressourcer til at skabe modeller og oprette analyser, der bedst kan tjene brugere og kunder. For at gøre effektiv brug af data videnskaben kræver en anden slags tanker end traditionelle analytics; selv et kulturskifte, så det er svært for etablerede organisationer at tilpasse sig hurtigt.
På episode 259 af CXOTalk serie af samtaler med innovatorer, jeg har inviteret to eksperter til at undersøge disse spørgsmål og tale om data, videnskab og finansielle ydelser og forsikringsydelser.
Diskussionen omfattede en fremragende gennemgang af den bredere erhvervsmæssig sammenhæng og værdien af de data, videnskab, så vi trak den ud som den korte, enkeltstående video indlejret ovenfor.
Mine to gæster til denne episode, er:
Murli Buluswar, tidligere Chief Science Officer i forsikring giant AIG og i øjeblikket Senior Executive Advisor med Boston Consulting Group Dr. Tianhui Michael Li, CEO af Data Inkubator og tidligere data forsker på FourSquare
For at lære mere, se den korte video ovenfor og læs redigeret udskrift nedenfor. Du kan også se hele episoden og læs hele episode udskrift over på CXOTalk site.
Hvor kommer data videnskab passer ind i forsikringsbranchen?
Murli Buluswar: Den centrale udfordring for forsikringssektoren svarer til nogle af finansielle tjenesteydelser. I forsikring, du forsøger at forudsige dine udgifter til varer, der sælges i salgsstedet. Få denne ret er helt afgørende i din evne til at opnå avancer ned af vejen. Noget, og alt, hvad du kan gøre for at forstå, at kernen vil give dig en væsentlig konkurrencemæssig fordel.
Maskinen intelligens er den kollektive erfaring af en institution, der kommer til udtryk gennem data.
— Murli Buluswar
Nu, hvis du zoomer ud fra, at problemet, der er mange ligheder i forsikring andre industrier omkring den rolle data videnskab og machine learning i at forstærke den menneskelige intelligens og bedre beslutninger. Mere struktureret, kornet, sofistikeret, konsekvente beslutninger, i salg og marketing, samt i pris, garanti, og i fordringer, som er en væsentlig del af opfyldelsen af det løfte, at forsikring luftfartsselskaber give til deres kunder.
Michael Li: det, vi kalder data videnskaben i dag er en del af en lang historie af anvendelse af matematik og it industrien.
Da jeg kom til industrien, og jeg startede min verden i finansiering på Wall Street, dengang vi plejede at kalde disse job quant roller. Du vil regne ud, hvordan at handle på kapitalmarkederne, komme med forudsigelser om, hvilken vej aktiekursen ville flytte. Jeg tror, at det vi har set er, at de værktøjer og den teknologi, som vi har brugt, at der var så virkelig, der er vedtaget i Silicon Valley, virkelig turbo, helt ærligt gjort, faktisk, meget mere brugbare. Så cost of computing gjort det, så du kan anvende dette ikke bare et par udvalgte problemer på Wall Street, men hele hovedgaden, alle over resten af den finansielle sektor.
Venligst uddybe, om ligheder af data videnskab på tværs af forsikring og andre brancher?
Murli Buluswar: Den første store forskel, så at sige, når man sammenligner forsikring til andre sektorer er, at den rolle, de aktuarmæssige erhverv går tilbage til de tidlige dage når forsikringen blev oprettet som en sektor. Analytics i forsikring har i vid udstrækning været drevet af den aktuarmæssige funktion, som bringer nuanceret kompetencer og kapaciteter, der er relevante for forsikring.
Hvis du synes om den bredere rolle, at data videnskab kunne spille i dag i forsikring, du kan fundamentalt ændre den menneskelige dømmekraft, når det kommer til salg, når det kommer til underwriting dom. Selv når det kommer til krav gennem linsen af data og teknologi på måder, der måske ikke har været muligt, 10, 12, 15 år siden.
Ligesom mange andre sektorer, forsikring, du har fået en salgs-eller distributionskanal. Du har fået en produkt-kanal, der er omkring prissætning af produktet. Noget af det er din pris for varer, der er solgt, og vi er nogle, der forsøger at forstå markedet appetit og kundernes krav, eller krav elasticitet, hvis du vil.
Sidst, men ikke mindst, har du fået opfyldelsen af løftet om, at det er meget, meget data rige. Så, hvis du bryder ned, at værdikæden til sin centrale elementer, der er ligheder til andre sektorer.
Nu er forskellen kunne være, at hvis du tænker over sundhedsydelser, for eksempel, sundhedsydelser er meget mere en transaktion, data-rige industri måske i forhold til forsikring. Du er engagere sig med kunder på en meget konsekvent basis, ligesom du er inden for finansielle tjenesteydelser, bankvæsen, og kredit kort og sådan. Den forskel, måske, mellem forsikring og disse andre sektorer, er du ikke nødvendigvis som data-rige, som transaktionen-data rige, som andre sektorer. [Men] helt sikkert få din omkostningerne for solgte varer ret tidligt på fortsat kritisk.
Michael Li: Højre, men du kan se dette med detailhandel. Du kan se det via din smartphone, og vi lavede en masse af det, da jeg var på Foursquare forsøger at gøre, at detailhandel mursten og mørtel opleve en smule mere digitalt via din smartphone. Du kan se denne over det hele.
Jeg tror, at der kommer til at være en væsentlig drivkraft for forbruger-elektronik, og du kommer til at se behovet for, at virksomheder har data til at styre samspillet på smartphones, tablets, og wearables.
Hvad om de tekniske aspekter?
Murli Buluswar: At bygge videre på det, du lige sagde, Michael, hvis du var til at kontekstualisere, at forsikring, jeg kan se det store spring i innovation, der sker i de næste to til tre år omkring dette begreb for at gøre mere kornet, real-time beslutninger med machine learning.
Ved at definere oplysninger, der ikke bare i den traditionelle interne struktureret form, men tænker på det i fire kvadranter: intern / ekstern på den ene dimension og struktureret / ustruktureret på den anden dimension.
Evnen til at opbygge machine learning algoritmer på disse platforme vil omforme, hvad mennesker gør med beslutningstagning og dømmekraft, og hvor modeller harmonisere eller balance menneskelige dom med maskinen intelligens.
Ofte, folk tror på det som et enten/eller. Men hvis du re-parafrase maskine intelligens som noget, men den kollektive erfaring af den institution, der kommer til udtryk gennem data, der bringer konsistens og nøjagtighed til beslutningsprocessen.
Det er ikke til at sige, at det fjerner den rolle, menneskelig dom helt, men det er til at sige, at denne balance, harmoni, bør og vil se dramatisk anderledes, to år, tre år fra nu, end det har for de sidste ti år, og før det.
Det næste store skridt-at ændre på, at jeg kan se, for denne sektor som helhed udvikler sig fra en indikator for risiko for en reel risiko partner, der kan afbøde resultater i kraft af real-time indsigt.
Det mest oplagte eksempel på, at den rolle, som sensorer, der kan spille i at levere real-time feedback til førere af køretøjer, der på en måde, der forhåbentlig reducerer risikabelt at køre og mindsker sandsynligheden for ulykker. For mig at se, er den sand effekt af data videnskab i forsikring.
Ikke kun det at modvirke, at der sker ulykker eller hændelser sker, men reducerer udgifterne til forsikring og udvider rækkevidden af beskyttelsen til en meget større del af befolkningen, både i de udviklede lande og udviklingslandene. For mig at se, er en smuk ting, hvis du tænker at samfundet har et meget højere niveau af finansiel beskyttelse i alle aspekter af vores liv.
Michael Li: Tænk over hvad der er nyt i data videnskab, det er, hvorfor er data videnskab forskellige fra eller hvordan data videnskab udvide sig ved ting som de aktuarmæssige tradition, som statistikere, quants, skinner.
Vi er ikke længere blot ved hjælp af strukturerede data, så det er ikke bare SQL-forespørgsler længere. Det er nu semi-strukturerede og ustrukturerede data. Hvordan kan du begynde at håndtere tingene, når de ikke kommer i nice tabeller, som du kan indlæse i Excel eller at du kan sætte ind i SQL?
Vi er også i en verden, hvor data er meget større. Du nævnte telematik. Hvis du tog en læsning fra hver en bil, hvert sekund, der er en masse tal, du har fået til at gemme, og det er en meget anderledes paradigme for beregningen. Du er nødt til at tænke på opbevaring af disse data. Hvordan kan du håndtere data nu, at det er gemt på tværs af flere computere? Hvordan synes du om beregning i denne sammenhæng?
Så selvfølgelig, er den sidste ting, er real-time data. Analytics har historisk set været — man kan kalde det-en batch proces. Køre det en gang; generere en rapport, og vise det til folk, du er færdig.
Nu er det en kontinuerlig proces. Du kører det, og du er nødt til straks at finde de nyeste trends; sætte det i produktion, så du kan intelligent tilpasse sig; og så gør det igen den næste time, den næste minut. Der, hvor konkurrencen er det, der driver dig.
Hvis man ser på, hvad Silicon Valley har gjort, det er meget din server er konstant at lære af brugernes adfærd og justerer, hvordan det interagerer med brugerne på en måde, der — for at låne et udtryk — lækkerier brugeren. Jeg tror, at vi kan se, at.
Traditionelle selskaber, ikke-tech-baserede virksomheder, nødt til at efterligne denne form for niveau af kundeservice og-tilfredshed. En masse, der kommer ned til big data og have et team i stand til at forstå nye og forskellige typer af data i en verden, der er under hastig udvikling.
Murli Buluswar: Hvis du synes om den historiske definition af transaktions-data i sundheds-og bankvæsen, og vi ved, at der er blevet kernen i, hvordan de tænker om analytics. Traditionelt, forsikring, har ikke haft den pågældende version.
Hvis du zoomer ud og angive data i en langt bredere forstand, som indeholder billeder, lyd, alle former for ustruktureret data: forsikring derefter har sin egen version, lag på toppen med tingenes internet og sådan. Forsikring har sin egen version af transaktions-data. Evnen til at udnytte det og dramatisk ændre cycle-tid for beslutningstagning, samt den nøjagtighed af beslutningsprocessen, hvor den guldgrube for forsikring i de kommende fem år eller så.
Del dine gode råd om opbygning af et data videnskab kultur?
Michael Li: To basic, de første skridt. Først, få data, hente den, og gemme det, hvad har du. For det andet, finde det talent, der er nødvendigt at beskæftige sig med data, manipulere data, og komme op med en handlingsorienteret indsigt fra disse data. Hvis du kan gøre begge disse ting, vil du i det mindste tage de første par skridt i retning af opbygningen af en data-drevet kultur.
CXOTalk samler verdens bedste business ledere for dybdegående samtaler om AI og innovation. Thumbnail billede Creative Commons fra FreeVector. kom.
Relaterede Emner:
Big Data Analytics
Digital Transformation
Innovation
Thought Leadership
Tech-Branchen
0