Czy dwa lata wystarczą, by organizację obciążoną informatycznym i operacyjnym legacy przekształcić w biznes cyfrowy, napędzany danymi? Przykład amerykańskiego ubezpieczyciela Humana pokazuje, że można. Sławomir Kierner, wiceprezes i Chief Data and Analytics Officer w firmie, opowiedział nam, jak im się to udało.
W ostatniej edycji rankingu Fortune 500 największych amerykańskich przedsiębiorstw pod względem przychodów brutto, zajął 52. miejsce, a jego kapitalizacja to obecnie ponad 57 mld dolarów.
Od dwóch lat wiceprezesem i Chief Data and Analytics Officerem w Humana jest Sławomir Kierner, który przyszedł na to stanowisko z Microsoftu, gdzie również odpowiadał za obszar analityki danych.
Kierner, który był gościem czwartego tegorocznego spotkania społeczności CIONET Polska, „Being Data Driven”, sam przyznaje, że na miejscu zastał firmę nieco skostniałą z punktu widzenia IT – zasoby informatyczne były oparte na architekturze on-premise. Pracownicy zajmujący się analizą danych byli rozproszeni po różnych jednostkach organizacyjnych, problematyczne było też wielokrotne wykorzystywanie tych samych danych oraz tworzenie modeli data science w oparciu o deep learning.
Nowe porządki
Nowy CDO Humana wdrożył działania zmierzające do integracji zespołu analitycznego z liniami biznesowymi, wprowadzając strukturę bazującą na macierzowym modelu organizacyjnym. W efekcie, jeden z większych zespołów zajmuje się dziś machine learningiem, Business Intelligence oraz tworzeniem raportów i dashboardów wspomagających zarząd w podejmowaniu decyzji biznesowych.
W ostatnich dwóch latach przenieśliśmy dane do chmury i udostępniliśmy ok. 200 naszym pracownikom data science nowoczesne technologie do budowania modeli machine learningowych jako kodu – mówił Sławomir Kierner w trakcie wystąpienia na „Being Data Driven”.
Obecnie Humana korzysta z wewnętrznej platformy Florence.AI – platformy w chmurze Azure do automatyzacji i przyśpieszania dostarczania rozwiązań data science. Jednym z kluczowych elementów platformy są tzw. feature stores – zbiory parametrów (danych), gromadzonych w procesach przetwarzania potokowego. Parametry te służą do budowania modeli uczenia maszynowego, a ich liczba sięga dziś ok. 20 tysięcy.
Florence.AI to przykład myślenia platformowego, jeśli chodzi o dane w firmie. Dużą wartością dla organizacji jest stworzenie wewnętrznego ekosystemu, gdzie dane są używane wielokrotnie – mówi przedstawiciel Humany.
Jak to wygląda w praktyce
Wyzwania sektora opieki zdrowotnej w Stanach Zjednoczonych to tzw. food insecurity – ograniczona dostępność żywności odpowiedniej jakości, izolacja społeczna i utrudnienia w przemieszczaniu się oraz ubóstwo – zjawiska, które jeszcze nasiliły się po wybuchu pandemii. Humana używa modeli uczenia maszynowego w predykcjach, kto spośród klientów objętych ubezpieczeniem może być szczególnie narażony na te niekorzystne czynniki. Na tej podstawie ubezpieczyciel może podjąć decyzję o interwencji, na przykład zaplanowanie wizyty personelu medycznego u klienta.
W oparciu o modele możemy przewidzieć na przykład prawdopodobieństwo zawału serca i na kilka tygodni wcześniej wysyłać do pacjenta pielęgniarkę, by oceniła stan jego zdrowia – mówił Kierner. Model ten jest obecnie testowany na bazie kilkudziesięciu tys. amerykańskich klientów ubezpieczyciela.
Analityka dotyka też obszaru rozpoznawania mowy – milionów rozmów przeprowadzanych z klientami dzwoniącymi do call center. Wiele rozmów jest analizowanych w czasie rzeczywistym, a pracownicy call center dostają podpowiedzi, jak poprawić komunikację z klientem, przykładowo – mówić szybciej albo bardziej empatycznie. Co więcej, każda rozmowa przynosi określoną ilość punktów danych, które można następnie włączyć do feature store’u i jeszcze lepiej budować kolejne predykcje.
Każdy model przed wprowadzeniem do produkcji jest sprawdzany pod kątem zgodności z zasadami etycznego wykorzystania danych klientów – zapewnia wiceprezes Humany.