Datascience as a Service (DaaS): best of both worlds
De meeste verzekeringsbedrijven die meer uit de ‘resource data’ willen halen en overwegen om in huis maatwerk AI oplossingen te ontwikkelen, kiezen traditioneel uit twee opties:
U probeert in de build strategie schaarse, liefst ervaren data science professionals te werven én te behouden. Dit geeft een idee van volledige controle over het proces, toegang tot interne kennis en hopelijk diepgaand begrip van bedrijfsbehoeften. Het vergt echter aanzienlijke investeringen in werving, salarissen, infrastructuur en management en kan langere tijd in beslag nemen, voordat er resultaten worden geboekt.
In de buy strategie worden data scientists ingekocht en tijdelijk aan uw bedrijf toegewezen. Hierdoor kan uw organisatie snel externe expertise in huis halen zonder langdurige toezeggingen. Dit is flexibel en kan sneller op gang komen dan het aannemen van personeel. De nadelen zijn hogere kosten per uur en uitdagingen bij het integreren van externe krachten in het interne team.
Een bekende gezegde luidt echter: één data scientist is géén data scientist. Wat hiermee bedoeld wordt is, dat een data scientist niet goed kan functioneren als hij/zij geen onderdeel uitmaakt van een multidisciplinair team. Een dergelijk team moet worden begeleid en aangestuurd door een ervaren AI strateeg, die tevens functioneert als een data translator tussen de commerciële business en de hoog technische data scientists. Een AI strateeg bewaakt tevens de voortgang van het proces , adviseert u over welke keuzes u moet maken en beoordeelt de kwaliteit en kwantiteit van het door de data scientists geleverde werk. Dit is typisch iets wat u zelf niet kunt doen. Ervaren AI strategen met relevante verzekeringskennis zijn echter niet of nauwelijks te vinden. Daarnaast dient u in geval van het aannemen of detacheren van data scientists allerlei randzaken te regelen, zoals tooling, architectuur, training en certificering.
Datascience as a Service (DaaS) biedt u als verzekeringsbedrijf een uitstekend compromis tussen het traditionele 'buy or build'-dilemma als u data science capaciteit wilt inhuren. DaaS stelt u in staat om snel en kosteneffectief toegang te krijgen tot gespecialiseerde datawetenschappelijke expertise, tools en infrastructuur. Dit minimaliseert initiële investeringen en risico's, terwijl het mogelijk maakt om toch in huis op maat gemaakte AI-oplossingen te ontwikkelen voor uw specifieke (verzekerings)behoeften.
Wij zetten de voordelen voor u op een rij:
|
Voordeel voor u | Aannemen van data scientists | Detacheren van data scientists | DAAS Datascience as aService |
|
U heeft snel de beschikking over relevante expertise | -/- | + | ++ |
|
De kosten zijn voorspelbaar en beheersbaar |
-/- | + | ++ |
|
U bouwt kennis op in de organisatie door eigen mensen te trainen | + | -/- | ++ |
|
U kunt snel en flexibel opschalen bij meerdere projecten | -/- | + | ++ |
|
Het proces wordt begeleid door ervaren experts | -/- | +/- | ++ |
|
U kunt sturen op meetbare resultaten | +/- | +/- | ++ |
Wilt u meer weten over onze DaaS dienstverlening?
Voor het op maat bouwen van algoritmes met Proof of Predictions
Naast DaaS dienstverlening bieden wij u nog een andere manier om heel snel op maat algoritmes te bouwen. Onze aanpak is gebaseerd op ruim 10 jaar innoveren met big data, data science en AI voor grote bedrijven zoals Samsung, Coca Cola, Basic fit, Corendon, Sligro, CZ en andere corporates.
Hierbij wordt op een ‘agile’ manier in een zeer korte tijd voor u op maat en tegen een vaste prijs een algoritme gebouwd met een ‘Proof of Predictions’. Daarmee weet u dus zeker dat dit algoritme doet wat het moet doen, binnen de gekozen use case.
In één dagdeel definiëren wij u samen met uw MT een aantal use cases waarbij de inzet van data waardevol kan zijn om uw organisatiedoelen sneller of effectiever te realiseren. Door onze ruime ervaring kennen wij nagenoeg alle relevante use cases in verzekeringsland. Samen selecteren wij dan één of twee use cases, waarvan de toegevoegde waarde en/of prioriteit hoog is en de effort in termen van complexiteit om te implementeren het laagst is.
Veel voorkomende organisatiedoelen zijn:
- Verhogen van de premie- en/of provisie-omzet
- Verbeteren van rendement van de portefeuille
- Verbeteren van combined-ratio
- Verhogen van klantloyaliteit
- Verhogen van klanttevredenheid
- Verbeteren van acceptatie- of schadebehandelings-processen
- Verbeteren van kwaliteit van dienstverlening (o.a. invullen van zorgplicht)
- Optimaliseren van distributie via intermediairs of subagenten
In de AI Kickstart werken we één of twee geprioriteerde use cases voor u uit tot een algoritme met een Proof of Predictions. De AI Kickstart is dus géén consultancy, we gaan echt met uw eigen data aan de slag. De AI Kickstart omvat vier tweewekelijkse sprints die door een multidisciplinair sprintteam worden uitgevoerd. Uiteraard kunt u in het sprintteam ook uw eigen mensen aan laten sluiten. De sprints zijn:
Data engineering
Sprint 1
Data engineering: o.a. datadeling, security, scope, formaliteiten
Sprint 2
Descriptive: o.a. data cleaning, data preppen, eerste descriptive analytics
Model engineering
Sprint 3
Diagnostic: o.a. patroonherkenning, selectie van ML modellen
Sprint 4
Predictive: o.a. testen van ML modellen, trainen op historische data
Indien de output van de AI Kickstart naar uw maatstaven een algoritme heeft opgeleverd met een voldoende mate van betrouwbaarheid en nauwkeurigheid, kan dit vervolgens tijdens de AI delivery in de praktijk worden gebracht. Daarin onderscheiden we twee fases:
Fase 1 Pilotperiode
o.a. optimaliseren en operationaliseren, ophalen gebruikersfeedback
Fase 2 Go live
o.a. periodiek hertrainen en monitoren, resultaten rapporteren
De verschillen op een rij
Als u deze twee vragen met Ja kunt beantwoorden, dan is PRaaS voor u het meest geschikt:
U wilt snel starten met bewezen algoritmes
U wilt een concrete businesscase met een zo laag mogelijk risico en maximaal resultaat
Als u deze twee vragen met Ja kunt beantwoorden, dan is DaaS voor u het meest geschikt:
U wilt een algoritme in huis kunnen operationaliseren
U wilt een start maken met data science en eerst een gedegen fundament leggen
Als u deze twee vragen met Ja kunt beantwoorden, dan is PoP voor u het meest geschikt:
U wilt een algoritme geheel op maat laten maken en dit daarna snel risicoloos inzetten
U wilt een algoritme op maat laten maken tegen een vaste prijs