Gareth Ross de MassMutual : le travail d'analyse le plus difficile "se situe sur les bords"

Peu de secteurs s'appuient davantage sur l'analyse de données que l'assurance, avec toutes ses exigences en matière de souscription des risques et de calcul de divers scénarios "si ceci, alors cela". Et c'est certainement vrai pour la compagnie d'assurance-vie MassMutual, vieille de 170 ans.

Gareth Ross, responsable de la technologie d'entreprise et de l'expérience client chez MassMutual, s'est entretenu avec Clint Boulton de CIO.com pour discuter de sa stratégie d'analyse, des débuts de l'entreprise. son parcours d'apprentissage automatique, l'évolution de la fonction d'analyse de MassMutual et les leçons qu'il a apprises en cours de route. Regardez l'interview vidéo complète ci-dessous pour plus d'informations. nous embauchons ou n'embauchons pas, comment nous associons un agent à un client, à quoi ressemble le profil de risque de ce client particulier, … ou si nous devons enquêter sur une plainte pour fraude dans 15 ou 20 ans, nous estimons que toutes ces décisions doivent être créé, augmenté ou soutenu d'une manière ou d'une autre par les meilleures données possibles, et donc les meilleures analyses et modèles possibles pour le faire.

Sur l'organisation de la fonction analytique :

[A]s nous avons métastasé plus profondément dans l'entreprise,… ce que nous avons fini par créer une série de domaines ou une sorte de profondeur de expertise, où nous mettons les scientifiques des données dans des groupes axés sur un domaine pour un horizon temporel ou un cycle de trois à quatre ans…. Et puis nous les faisons tourner, de sorte qu'à la fin, ce que vous finissez par avoir, en théorie – et je pense que, dans la pratique, cela commence à apparaître – vous avez des scientifiques des données qui comprennent en quelque sorte toute la profondeur de l'entreprise à la fois du point de vue des données et du point de vue des problèmes commerciaux. Cela nécessite une décentralisation.

Avec le recul, je suppose que cela s'avère être une approche décente, qui est très ciblée et concentrée au début ; décentralisez une fois que vous avez atteint l'échelle. Et c'est là où nous devons investir le plus, bien faire les choses. Si vous me demandez ou demandez à l'un des scientifiques des données dans notre monde aujourd'hui, je pense que sans être dédaigneux du travail, la caractérisation réelle d'un modèle est l'un des travaux les plus faciles. Et le travail le plus difficile qui se trouve autour de cela est l'adoption et les normes culturelles qui vont avec pour que les gens veuillent utiliser le modèle.

Il en est un similaire, et c'est du même type, mais l'ingénierie des données et le mouvement des données à travers les écosystèmes et la disponibilité des données. Nous avons massivement sous-investi dès le début, pour la même raison, en pensant que vous venez d'arriver au modèle et que vous êtes bon. Alors qu'en fait, pour que cela fonctionne, vous devez avoir l'ingénierie nécessaire pour déplacer les données afin de permettre à ces modèles d'être frais et vivants.

Sur les modèles explicables :

[If you think of a model that] renvoie après des millions et des millions de calculs pour tout individu une variable continue entre 1 et 100 qui est prédictive de votre mortalité. Si vous l'utilisez dans un processus de souscription, il ne suffit pas de dire à quelqu'un que son score est de 84, et c'est pourquoi nous vous offrons ce prix particulier pour votre produit. Il est donc extrêmement important que nous soyons en mesure d'effectuer une sorte d'ingénierie inverse de ce modèle et de fournir un aperçu à ces personnes…. Donc, en fait, nous avons tout un programme au sein de la science des données, qui, là où c'est approprié, nous procédons à une sorte d'ingénierie inverse de ses modèles et les exécutons à nouveau pour un pouvoir explicatif.

Sur le recours croissant à l'automatisation :

Ce domaine est incroyable, il peut faire beaucoup. Mais ce que nous devons faire, c'est avoir une symbiose transparente entre les humains qui peuvent appliquer le jugement et les modèles qui peuvent appliquer la science. Et savoir où tirer ce compromis n'est pas un jeu ponctuel.