New developments in data science offer a tremendous opportunity to improve decision-making. Machine learning, pattern recognition, and other predictive analytics tools can constitute a source of competitive advantage for those companies that adopt them early on; but like any new capability, there is an enormous gulf between awareness, intent and early engagement, and achieving significant business impact.
How can companies better manage the process of converting the potential of data science to real business outcomes? How can companies go beyond merely generating new insights to changing behaviors—not only of their employees, but customers too? We would like to offer some lessons from AIG’s early experiences with deploying new analytical tools to leaders across industries who may be considering embarking on a similar journey.
In January 2012, AIG launched the “Science Team.” One might be surprised to find a Science Team in an insurance company. However, Peter Hancock, President and CEO of the global insurance giant, saw a huge opportunity to apply evidence-based decision making in an industry which was still very reliant on individual expert judgment and in so doing to create not only tactical but also competitive advantage. By early 2014, 130 people from diverse scientific and managerial backgrounds were devoting themselves to realizing the team’s mission: Para ser um catalisador para a tomada de decisão baseada em evidências em AIG. E por uma boa razão:
The Science Team intentionally refrains from using the words “data” or “analytics,” as the team’s capabilities stretch far beyond these two disciplines: behavioral economists, psychologists, engineers, and change management experts work hand-in-hand with data scientists, mathematicians, and statisticians. And for good reason: Essa abordagem multidisciplinar é essencial para ir além da apenas geração de novas idéias a partir de dados, mas também para aprimorar sistematicamente o julgamento humano individual em contextos de negócios reais. Noventa por cento da equipe foi recrutado além do setor de seguros para permitir que ela contestasse a abordagem do status quo da tomada de decisão. A equipe de ciências não apenas prepara dados e cria modelos, mas também enfatiza a identificação de oportunidades de negócios e educação, gerenciamento e implementação de mudanças - a cadeia de valor completa, desde questões de enquadramento até comportamentos de mudança. Matéria
Key factors in the success of the Science Team’s efforts to date include the following:
Start by focusing on questions and problems that matter. Os preditores de gravidade de reivindicações, portanto, desempenham um papel enorme na melhoria dos resultados, permitindo o direcionamento anterior e mais preciso de medidas de intervenção, como revisão médica e investigações especiais. Este é um bom exemplo do poder de incorporar completamente a solução técnica nos negócios: o resultado não é apenas previsões melhores e custos mais baixos, mas também melhores resultados para os clientes. Iniciativa em toda a empresa para melhorar as habilidades quantitativas e de tomada de decisão usando as cúpulas físicas e as ferramentas de aprendizado on-line modulares e sob demanda. Os relacionamentos são avaliados e priorizados com base no volume, valor, potencial e eficácia geral. A plataforma de decisão que a AIG construiu é capaz de prever com precisão a eficiência de retenção e "submissão" (proposta) de corretores únicos-um nível de micro-segmentação e previsão que poucos outros no setor conseguiram alcançar. Todos os dias, a análise de desempenho agregada e profunda, apresentada em um formato visual fácil de usar, são empurrados para as pontas dos dedos dos gerentes de vendas para apoiar decisões sobre como gerenciar a rede de intermediários. Abordagem A small proportion of workers’ compensation claims account for a large proportion of complexity, contention, delay and losses for AIG: 10 percent of claims account for almost 60 percent of costs. Claims severity predictors therefore play a huge role in improving outcomes by enabling earlier and more accurate targeting of intervention measures like physician review and special investigations. This is a good example of the power of fully embedding the technical solution in the business: the result is not only better predictions and lower costs, but also better outcomes for customers.
Ensure that the mandate stretches beyond producing insights—supporting the change and learning process across the organization. AIG not only supports embedding solutions and managing change to realize specific opportunities, but has also launched a company-wide initiative to improve quantitative and decision-making skills using both physical summits and on-demand, modular online learning tools.
Work with early adopters to demonstrate significant wins which are visible to the whole organization. Much of AIG’s business relies on agents and brokers. Relationships are assessed and prioritized based on volume, value, potential, and their overall effectiveness. The decision platform which AIG built is able to accurately predict the retention and “submission” (proposal) efficiency of single brokers—a level of micro-segmentation and prediction which few others in the industry have been able to achieve. Every day, aggregated and deep-dive performance analytics, presented in a user-friendly visual format, are pushed to the fingertips of sales managers to support decisions on how to manage the network of intermediaries.
Don’t make the effort dependent on one or two initiatives: adopt a portfolio approach. Ao pioneir em novas abordagens para a tomada de decisões, nem todos os esforços podem ser um sucesso e, portanto, as empresas não devem apostar apenas no sucesso de um projeto. Além dos exemplos acima, a AIG atualmente possui cerca de uma dúzia de projetos relacionados à tomada de decisão em vários estágios de desenvolvimento. A AIG desenvolveu ferramentas e modelos proprietários que identificam padrões preditivos nos dados de reivindicações usando aprendizado de máquina, modelagem preditiva, análise de links, análise de padrões e outras técnicas. Depois de começar do zero, a segunda geração de ferramentas desenvolvidas pela AIG já identifica quase o dobro de casos de fraude do que as principais ofertas dos fornecedores. Aplicada pela primeira vez à compensação dos trabalhadores, as mesmas abordagens estão sendo lançadas em vários negócios. Este exemplo ilustra a importância e o poder de uma abordagem iterativa baseada em aprendizado para o desenvolvimento de soluções. Ironicamente, isso envolve um viés à ação e não ao planejamento ou análise-mesmo na área de análise!
An iterative, rapid-cycle adaptive approach is much more effective than a planned, single step change—much of the learning occurs by taking action. Preventing fraudulent claims is an important area for AIG due to its significant financial impact. AIG has developed proprietary tools and models that identify predictive patterns in claims data using machine learning, predictive modeling, link analysis, pattern analysis and other techniques. After starting from scratch, the second generation of AIG-developed tools already identify almost twice as many cases of fraud than leading vendors’ offerings. First applied to workers’ compensation, the same approaches are being now being rolled out across multiple businesses. This example illustrates the importance and power of an iterative, learning-based approach to solution development. Ironically, this involves a bias to action rather than planning or analysis—even in the area of analytics!
Plan for impact on multiple time horizons, combining immediate evidence of value, some medium-term big wins as well as a transformational long-term perspective. Além das soluções de curto e médio prazo mencionadas acima, a AIG também está contemplando algumas iniciativas mais ousadas e de longo prazo que podem potencialmente alterar o modelo de negócios e o escopo dos negócios. Por exemplo, está analisando possibilidades, como avaliar reivindicações de danos a acidentes de automóveis usando a análise de imagem de fotografias ou medir e modular avaliações de risco usando sensores e telemáticos. É autoliminado apenas melhorar a tomada de decisões existentes-as companos também precisam estar alertas para a oportunidade de criar maneiras fundamentalmente novas de tomar decisões e até reconsiderar os modelos de negócios e a pegada de atividades da empresa, como resultado das oportunidades desencadeadas.
The constantly evolving tools of data science will both enable and require companies to continue to improve how they make decisions. It’s self-limiting to only improve existing decision-making, however—companies need also to be alert to the opportunity of creating fundamentally new ways of making decisions, and even to reconsider the business models and the firm’s activity footprint, as a result of the opportunities unleashed.
This blog Originalmente apareceu no hb.org . É reposnsurado com permissão da Harvard Business Publishing.
