Enten det er innen bankvirksomhet, forsikring eller en annen bransje, er presset for å forbedre kundeopplevelsen enormt. Hvordan kan en organisasjon engasjere seg tettere med forbrukere og bli mer lydhør for deres behov? Jo, ved å bruke data strategisk gjennom AI og ML – og et godt datagrunnlag er avgjørende for suksess.
I de fleste organisasjoner er hvert eneste element raskt i ferd med å bli en datadrevet spill. Alle aspekter av virksomheten genererer informasjon som bidrar til å utvikle og forbedre tjenester, for de som klarer å høste den. Å gjøre det er avgjørende for suksess i dagens marked.
Når det gjelder forsikringsselskaper, for eksempel, ønsker de å forstå data rundt skader, forbedre tapsforebygging, sørge for at kundene er riktig forsikret, og lære av erfaring for å styrke kundeopplevelsen. Nå, med alle de tilkoblede enhetene og bilene, er det enorme muligheter til å lære av data og foreslå nye, lønnsomme forretningsmodeller.
I bankverdenen dreier behovene seg også om det å bli bedre kjent med kundene. Banker ønsker blant annet å kunne forstå kundenes viktige øyeblikk i livet for å dekke de økonomiske behovene deres når det er nødvendig, bygge nye økosystemer med fintech-partnere og forbedre risikostyring med prediktive evner.
Sørg for at grunnlaget er riktig
Likevel er det slik at de fleste organisasjoner ikke utnytter nok data til å bli virkelig digitale og datadrevne gjennom AI og ML. Hva er det som stopper dem? Normalt gjør det å ha for mange datakilder, informasjon i siloer og en blanding av strukturerte og ustrukturerte data det vanskelig å trekke ut noen reell verdi fra eksisterende data. Det kan også være mangel på andre suksessdrivere som lederstøtte, evnen til å beholde og ta vare på ansatte, mangel på fokus på organisatorisk endringsinnsats, mangel på fokus på menneske-datamaskin-samarbeid, etc.
Selv om AI og ML er forretningsmuliggjørere, må vi bli litt tekniske. Å bruke AI- og ML-teknologier i stor skala krever et funksjonelt datagrunnlag. Det er relativt vanlig at dette blir sett på som et infrastrukturproblem snarere enn et forretningsspørsmål og disse blir kanskje ikke prioritert som ett, men det burde de egentlig bli. Dette har potensial til å muliggjøre nye inntektsmuligheter, utvide eksisterende virksomhet og forbedre bunnlinjen.
Det du trenger er en motor som tillater innhenting av alle typer data, som genererer innsikt gjennom analytiske modeller og som, i sanntid, sørger for at denne innsikten blir integrert med kjerneprosesser. Motoren skal også støtte behandling av data fra ting som foregår live. På toppen av dette må du også kunne skalere de datadrevne initiativene dine utover Proof-of-concept-stadiene. Du må også skape samarbeid rundt data i bedriftsteamene dine ved å gi enkel tilgang til data og verktøy for å leke med dataene.
Er en data lake (datasjø) løsningen?
Tradisjonelle dataplattformer, som relasjonsdatabaser, kan kanskje ikke dekke mange av AI-behovene. De er avhengige av å bruke rigid teknologisk infrastruktur for å fange stort sett interne data i forhåndsdefinerte formater, og dette er ikke lenger tilstrekkelig. Derfor er identifisering av riktig datainfrastruktur (big data, datasjøer og andre moderne dataplattformer) nøkkelen til suksessen med å ha riktig datagrunnlag.
Vår erfaring er at en datasjø er et godt alternativ. De er rimelige datalagringsmiljøer som bruker hyllevaremaskiner og en integrert teknologistack med åpen kildekodedata og analyseverktøy. De fleste skyleverandører har gode kommersielle skytilbud, inkludert lagring, databehandling, dataanalyse- og visualiseringsverktøy og tjenester rundt seg.
Datasjøen kan lagre enorme mengder strukturerte og ustrukturerte data for AI-formål og bidra til å generere mer verdi fra eksisterende dataressurser ved å kombinere, analysere og bruke tradisjonelle og nye typer data. Det tillater også demokratisering av data ved å gi bedriftsomfattende tilgang til informasjon.
Bare å lagre dataene er ikke nok. Du må også jobbe med dem, forberede dem, eksperimentere med dem og til slutt gjøre dem AI-klare slik at teamene dine kan bygge analyseprodukter på toppen av dem (f.eks. prediktive modeller). Omtrent 25–30 forskjellige teknologikomponenter (mange av dem åpen kildekode) samles for å jobbe sammen. Dette er på ingen måte ukomplisert, og du trenger et erfarent team som kan skalere datapipelinene dine i produksjon.
Noen råd på veien
Cognizant har vært involvert i flere slike datamoderniseringsprosjekter, blant dem for et forsikringsselskap og for et nordisk-baltisk bankkonsern, som en del av forberedelsene til å realisere AI- og ML-initiativer. Vi har gjort oss noen viktige erfaringer som har gitt oss noen distinkte make-or-break-faktorer:
Få med deg den interne organisasjonen og sats på å demokratisere bruken av data med moderne teknikker.
Vær ambisiøs - velg forretningsdrivere og use cases som vil ha en innvirkning i motsetning til enkle lavthengende frukter som noen ganger krever lignende innsats, men som ikke gir klare, gode resultater som kan begeistre virksomheten.
Finn tyngdepunktet og identifiser hvorfor det er viktig å bygge en plattform som igjen gjør det mulig for forretningsteam å eksperimentere og bygge dataprodukter på egen hånd – ellers vil det ikke skje.
Kom i mål. Å bygge en god prediktiv modell er bare 10–15 prosent av aktiviteten. Tenk på å bruke innsikten i forretningsprosessene dine. Dette er ikke bare et frontend-integrasjonsspørsmål, men enda viktigere et endringshåndteringsproblem der forretningsteam må lære å jobbe med maskinintelligens.
Lag en plan for å revidere viktige design- og teknologibeslutninger, slik at du kontinuerlig forbedrer og gjør grunnlaget ditt fremtidssikkert.
Bedrifter over hele verden har innsett at AI vil spille en nøkkelrolle i forstyrrelsen av industrier globalt. Hvis du raskt får på plass de nødvendige grunnelementene, vil du sannsynligvis være blant vinnerne i din bransje.
