Zero
Dati Pervasive la scienza sta diventando un core abilitatore di business per l’innovazione e la concorrenza. Data la loro importanza, vale la pena di esaminare il contesto dei dati che la scienza considera la sua traiettoria e valore futuro.
A mio avviso, la sfida principale attorno scienza di dati per i dirigenti aziendali proviene da tre fonti:
- La gente di affari, non sempre in grado di comprendere il potere e le implicazioni di ciò che è possibile con i dati della scienza e machine learning. L’impatto sui modelli di business, le operazioni e i clienti possono essere profonda. La mancanza di dati disponibili per alimentare la macchina di apprendimento bestia. Senza storiche o di altri dati, machine learning ha poco valore. L’aggregazione di dati utili possono essere costoso e richiede tempo. Insufficiente talenti e risorse per la creazione di modelli e set di analisi che possono servire al meglio gli utenti e i clienti. Facendo uso efficace dei dati della scienza, richiede un diverso tipo di pensiero, di analisi tradizionali, anche un cambiamento culturale, quindi è difficile per le organizzazioni di adattarsi rapidamente.
Sull’episodio 259 del CXOTalk serie di conversazioni con gli innovatori, ho invitato due esperti per esaminare questi problemi e parlare di scienza di dati nei servizi finanziari e assicurativi.
La discussione ha riguardato anche un’eccezionale esposizione del più ampio contesto di business e il valore della scienza di dati, così abbiamo tirato fuori il breve autonoma di video incorporato qui sopra.
I miei due ospiti di questa puntata sono:
Murli Buluswar, ex Chief Science Officer di assicurazione colosso AIG e attualmente Senior Executive Advisor con il Boston Consulting Group Dr. Tianhui Michael Li, CEO di Dati Incubatrice e l’ex data scientist presso FourSquare
Per saperne di più, guarda il breve video qui sopra e leggere la trascrizione di seguito. È anche possibile vedere l’intero episodio e leggere l’intero episodio di trascrizione presso l’CXOTalk sito.
Da dove viene data science fit nel settore assicurativo?
Murli Buluswar: La sfida centrale per il settore assicurativo è simile a quella di alcuni servizi finanziari. Nel settore assicurativo, si sta cercando di prevedere il costo dei beni venduti presso il punto vendita. Ottenere che il diritto è assolutamente fondamentale nella vostra capacità di raggiungere i margini lungo la strada. Nulla e tutto ciò che si può fare per capire che alla sua base vi darà un vantaggio competitivo significativo.
Macchina di intelligenza è l’esperienza collettiva di un’istituzione che si manifesta attraverso i dati.
— Murli Buluswar
Ora, se si rimpicciolire il problema economico, ci sono molte similitudini nell’assicurazione di altre industrie di tutto il ruolo della scienza di dati e machine learning aumentando l’intelligenza umana e prendere decisioni migliori. Più strutturato, granulare, sofisticato, di prendere decisioni coerenti, di vendita e di marketing, nonché nella determinazione del prezzo di sottoscrizione, e dei crediti, che è una parte significativa dell’adempimento della promessa che le compagnie di assicurazione fanno per i loro clienti.
Michael Li: Ciò che noi chiamiamo scienza di dati di oggi è parte di una lunga storia di applicazioni della matematica e dell’informatica per l’industria.
Quando sono entrato nel settore, e ho iniziato il mio mondo in finanza di Wall Street, allora abbiamo usato per chiamare questi lavori quant ruoli. Si sarebbe capire come il commercio nei mercati dei capitali, fare previsioni su quale strada il prezzo delle azioni sarebbe spostare. Penso che quello che abbiamo visto è che gli strumenti e le tecnologie che abbiamo utilizzato ci sono stati effettivamente adottati nella Silicon Valley, davvero turbo, francamente fatto, in realtà, molto più usabile. Quindi il costo di calcolo fatto in modo che si potrebbe applicare questo non solo per un paio di selezionare i problemi di Wall Street, ma tutta la Strada Principale, tutto il resto del settore dei servizi finanziari.
Si prega di elaborare somiglianze di scienza di dati tra assicurazione e di altre industrie?
Murli Buluswar: La prima grande differenza, per così dire, quando si confrontano assicurazione per altri settori, è che il ruolo della professione attuariale risale ai primi giorni in cui l’assicurato è stato creato come un settore. Analytics in assicurazione è stata in gran parte guidato dalla funzione attuariale, che porta sfumato, le competenze e le capacità che sono rilevanti per l’assicurazione.
Se si pensa al ruolo più ampio che i dati che la scienza potrebbe giocare oggi in assicurazione, si può fondamentalmente rimodellare un giudizio umano, quando si tratta di vendite, quando si tratta di sottoscrizione di giudizio. Anche quando si tratta di crediti attraverso la lente dei dati e la tecnologia in modi che non sarebbe stato fattibile, 10, 12, 15 anni fa.
Come molti altri settori, nel settore assicurativo, hai una vendita o il canale di distribuzione. Hai un prodotto di canale che è intorno al prezzo del prodotto. Alcuni di che è il costo dei beni venduti, e un po ‘ cercando di capire il mercato dell’appetito e le esigenze dei clienti, o di elasticità della domanda.
Ultimo, ma non meno importante, hai l’adempimento della promessa di molto, molto ricca di dati. Quindi, se si rompono che la catena del valore per i suoi elementi di base, ci sono somiglianze con altri settori.
Ora la differenza potrebbe essere che, se pensi di assistenza sanitaria, per esempio, l’assistenza sanitaria è molto più di una transazione e ricca di dati, industria, forse, rispetto alle assicurazioni. Stai impegnando con i clienti su una base costante, proprio come voi, nei servizi finanziari, bancari e carte di credito e simili. La differenza, forse, tra assicurazione e di questi settori è non necessariamente ricca di dati, in quanto la transazione di dati ricchi, come in altri settori. [Tuttavia] certamente ottenere il costo delle merci vendute a destra presto rimane critica.
Michael Li: a Destra, ma si vede con vendita al dettaglio. Puoi vedere questo attraverso lo smartphone, e stavamo facendo un sacco di che, quando ero a Foursquare cercando di rendere al dettaglio di mattoni e malta esperienza un po ‘ più digitale attraverso il vostro smartphone. Questo si vede in tutto il luogo.
Penso che questo sarà un importante driver di elettronica di consumo; si sta andando a vedere la necessità per le aziende di disporre di dati per unità di interazioni su smartphone, tablet e capi d’abbigliamento.
Che cosa circa gli aspetti tecnici?
Murli Buluswar: costruire su ciò che hai appena detto, Michael, se si contestualizzano che di assicurazione, vedo il grande salto nell’innovazione, nei prossimi due o tre anni intorno a questa nozione di rendere più granulare, le decisioni in tempo reale con il machine learning.
Mediante la definizione di dati non solo nel tradizionale interni strutturati termini, ma pensare di farlo in quattro quadranti: interno / esterno in una dimensione e strutturati / non strutturati in un’altra dimensione.
La capacità di costruire algoritmi di machine learning su queste piattaforme si rimodellare ciò che fanno gli esseri umani con il processo decisionale e di giudizio e in cui i modelli di armonizzare o equilibrio di giudizio umano con la macchina di intelligenza.
Spesso, la gente pensa di esso come un o/o. Ma se si ri-parafrasi macchina di intelligenza come nulla, ma l’esperienza collettiva dell’istituzione che si manifesta attraverso i dati, porta la coerenza e la granularità del processo decisionale.
Questo non per dire che si evita il ruolo di un giudizio umano completamente, ma è per dire che l’equilibrio, armonia e sarà notevolmente differenti, due anni, tre anni che ha fatto per gli ultimi dieci anni e prima che.
Il prossimo grande cambio di passo che vedo per questo settore è in continua evoluzione da un indicatore del rischio di un vero e proprio partner di rischio che possono mitigare i risultati attraverso il potere di insight in tempo reale.
L’esempio più evidente è il ruolo che i sensori possono svolgere nel fornire un feedback in tempo reale per i conducenti di veicoli in un modo che, si spera, riduce rischioso di guida e riduce il rischio di incidenti. Per me, che è il vero potere della scienza di dati nel settore assicurativo.
Non solo contribuisce a ridurre gli incidenti accada, o eventi avversi accada, ma riduce i costi di assicurazione e si espande la portata della protezione di una gamma molto più ampia di popolazione, sia in paesi sviluppati e in via di sviluppo mondi. Per me è una bella cosa se ci pensate società che ha un livello molto più elevato di protezione finanziaria in ogni aspetto della nostra vita.
Michael Li: Pensare a cosa c’è di nuovo in scienza di dati, che è, perché è scienza di dati diversi o come scienza di dati espandere su cose come il attuariali tradizione, come gli statistici, i quants di un tempo.
Non siamo più solo utilizzo di dati strutturati, quindi non è solo query SQL di più. Ora è semi-dati strutturati e non strutturati. Come si fa a iniziare a gestire le cose quando non venire a nizza tabelle che è possibile caricare i dati in Excel o che si può mettere in SQL?
Siamo anche in un mondo in cui i dati è molto più grande. Hai citato telematica. Se si ha una lettura da ogni automobile ogni secondo, che è un sacco di numeri che hai un negozio, e questo è molto diverso paradigma per il calcolo. Si deve pensare a gestire questi dati. Come si fa a trattare con i dati, ora che è memorizzato su più computer? Come si fa a pensare di calcolo in che contesto?
Poi, naturalmente, l’ultima cosa è il tempo reale di dati. Analytics è storicamente — si potrebbe chiamare — un processo batch. Eseguirlo una volta, di generare un report; mostrare alla gente; il gioco è fatto.
Ora è un processo continuo. Viene eseguito; è necessario trovare istantaneamente le ultime tendenze; mettere in produzione, in modo che si possono adattarsi in modo intelligente; e poi farlo di nuovo l’ora, il minuto successivo. Questo è dove la concorrenza è di guida è.
Se si guarda a ciò che la Silicon Valley sta facendo, è molto di più, il tuo server è in costante apprendimento dal comportamento dell’utente e regola il suo modo di interagire con gli utenti in un modo che-per prendere in prestito un’espressione piaceri dell’utente. Penso che noi vediamo.
Le società tradizionali, camere non-tech imprese, devono emulare quel tipo di livello di servizio al cliente e la soddisfazione. Un sacco di che tratta di grandi quantità di dati e di avere una squadra in grado di comprendere nuovi e diversi tipi di dati, in un mondo in rapida evoluzione.
Murli Buluswar: Se si pensa alla storica definizione di dati transazionali, nel settore sanitario e dei servizi bancari, sappiamo che è stato al centro di come pensano di google analytics. Tradizionalmente, l’assicurazione non ha avuto quella versione.
Se si esegue lo zoom out e definire i dati in un senso molto più ampio che include immagini, audio, tutti i tipi di dati non strutturati: l’assicurazione poi ha la sua versione, a strati sulla parte superiore con IoT. L’assicurazione ha la sua versione dei dati transazionali. La capacità di sfruttare e modificare drasticamente il tempo di ciclo di processo decisionale, nonché la granularità del processo decisionale, è dove la miniera d’oro è per l’assicurazione nei prossimi cinque anni.
Condividere il vostro consiglio sulla costruzione di una data cultura scientifica?
Michael Li: Due di base, i primi passi. In primo luogo, ottenere i dati, raccogliere, [e] negozio, quello che hai. Secondo, trovare il talento che è necessario trattare i dati, modificare i dati, e venire con intuizioni da tali dati. Se si può fare entrambe le cose, puoi prendere i primi passi nella direzione della costruzione di un data-driven cultura.
CXOTalk riunisce il mondo migliori aziende leader in profondità conversazioni su AI e l’innovazione. Immagine di anteprima Creative Commons da FreeVector. com.
Argomenti Correlati:
Big Data Analytics
La Trasformazione Digitale
L’innovazione
La Leadership Di Pensiero
Settore Tech
0