Welke meerwaarde kan data science bieden in een organisatie?

Tegzign Talks, where Techzign Analyst bridge the gap between IT solutions and the people who need them. Techzign is your single source of truth. For more information and insights, visit techzign.nl or techzign.eu. Don't forget to subscribe to this podcast. In een organisatie komen we niet hierin. We hebben nog een aflevering opgenomen. We hebben ook een graast uiteraard, want we gaan niet zelf doen. We hebben uitgenen dat het antal nussoldig is Lead Data Scientist bij ORA. Even voor de mensen thuis ORA, dat is een bekende zorggezeker. Maar ze bieden veel meer versekeringen en ze hebben 900.000 klanten en 550 medewerkers. Dus het is best wel een flinke organisatie. Daarin speelt Data Science een grote rol, zo led ik net in de voorbesprekking. En het is een grote rol? -Ja. Het is een grote rol zelfs. We gaan alles over horen. -Ja, alles over horen. Ja, mensen, vergeet je niet te abonneren op de Techzign Talks. Dat kan via Apple, Spotify, Google en veel andere diensten. Data Science is sandig. -Ja, moet je het nog niet bijkijken. Ik ben niet in de gast niet. Nee, ik werd een tijdje te verpenaden door jullie. Wil je er een keer over hebben over hoe je Data Science in zet in een organisatie als ORA, maar meer in het algemeen, want ze veel mogelijk concrete handvatten bij de uiteraard. Die zelf misschien met vragen zitten over het hele verhaal. Nou, Data kan je het even werken. -Dus het lijkt wel interessant om een simpelie gedort te nemen van hoe jullie en in principe een specifieke jouw rol dan hoe jullie Data in zetten om de producten van ORA bij te maken. Zowel voor de mensen die het mee moeten werken, of mensen die de consumenten op de nummer die het consumenten. Dus dat willen we het nu weer gaan doen, lijkt mij een leuke idee. Dat is mooi, want dat is een waardoor zelfs wel graag geweest. Maar even voor het begin, wat verstaan jullie binnen ORA onder het Data Science teamen? Hoe is dat ontwikkeld in de afgelopen tijd? En hoeveel mensen werken er aan en wat je dat soort dingen mee van een soort van baseline te hebben? Ja, bij ons is het Team Estratie in Data heet ons team. Het is al boorlijk lange tijd als centraal team gepositioneerd bij ORA. Dus daarvoor zat het allemaal versnippert in verschillende silos. Dus jullie zitten over alle juni te zijn, zeg maar, binnen ORA? Ja, dat klopt. We zijn onderdeel van de business, van de commerciën afdeling. Maar we werken voor commerciën, voor schadeverzekering, verzofzekeringen. Maar ook voor het contractcentre en voor de kleemsaafdeling bijvoorbeeld. En soms ook voor die heterogenisatie. Dus alles wat de ORA is? Hoe lang bestaat deze inrichting bij jullie? Deze inrichting bestaat nu soms vijfdien jaar. Het is een behoorlijke tijd en het is zo lange werk. En daarvoor deed jullie in het Doek of als met Data. Maar toch ging het gewoon meer iedereen op zijn gepassetje een beetje aan. Ja, tot niet heel lang geleden was het vooral inderdaad. Dat iedereen met data bezig was, met modellen bezig was op zijn eigen laptop. Redelijk op een eilandje. En dat er nog te weinig kennis en tips en trucs gedeeld werd, werd onderling. En ook minder gebruik werd gemaakt van okaarsop lossingen. Ja, als we het op met een filmpogel gehandel om even te defineren als het over data hebben. Ben je jullie organisatie hebben? Wat moet je dan denken? Ons team heeft vrij brede inzet, dus dat kunnen heel ingewikkelde dingen zijn. Als AI-oplossingen, machine learning, oplossingen, olgeripmers, die dingen automatiseren, of makkelijker maken. Maar dat kunnen ook gewoon inzichtige bezeerde op data zijn die het bedrijf kan gebruik om producten te verbeteren bijvoorbeeld. En dan is het resultaat soms bijvoorbeeld gewoon de PowerPoint-presentatie met een geficter in. Dus heel breed. Een data specifiek, dat is gewoon alle data die klanten in de database hebben zitten. En die jullie in het verleden dat de database hebben zitten en extende data of wat voor data wordt er nog gebruikt? We gebruiken daar heel veel data voor die het bedrijf verzamelt. Dat zijn sowieso natuurlijk data over de producten die klanten bij ons hebben. Maar ook vanuit het klantencontactcent er bijvoorbeeld waarover gebeld wordt, dat soort zaken. En zo nu in dan gebruik ook wel externe data. Dat zijn dan open data, bronnen bijvoorbeeld van TDW. Oh ja, dat is wel handelijk. Dat soort dingen. Oké. En met het film even terugbarem, zijn jullie dat op deze week nog gaan doen? En wat zijn daar de basisdoelstellingen in geweest? Nou, wat wil gaan we wilde waarts twee dingen bereiken? Eén is we zagen dat de vragen naar data producten, naar oplossingen, steeds meer toenam. Dus vanuit klanten sowieso. Dus ja, die zijn nu de bolpendkomst in de Amazon's gewend. Die zijn gewend dat dingen dicht taal sneller makkelijk kunnen. En ook van hun verzekeraar. Maar ook van onze interne klanten, zullen we me zeggen. Dus mensen uit dat bedrijf die data oplossingen nodig had om processen makkelijker te maken. Dus dat kan bijvoorbeeld bij de marketing zijn. Maar dat kan ook zijn in het klantkontaktcentrum om bepaalde handelingen, repetitieve handelingen. Maar niemand op zit te wachten om die te automatiseren waardoor dingen leuker worden. En ook nog sneller gaan. Ja, dus hebben we gedeelde automatiseringen in het hele. Dus dat was de eerste doelstelling, dat we zagen dat we meer moesten kunnen doen met dezelfde mensen. En de tweede doelstelling was dat we ook meer grip wilden hebben op de kwaliteit van wat we aan het bouwen waren. Zijn. Ja, we waren allebei denk ik. Ja, we waren wij. Maar het even concreet gaat er ook om dat bijvoorbeeld een klant van jullie heel invoudig. Ze eigen verzekering afkansluiten online, zonder dat daar 17 telefoonkjes, meeldjes en dingen aan vooraf gaan. Dat is ook zeg maar een uitkomst van wat jullie doen. Soms wel. Dus we willen sowieso dat onze klanten een zo supermogelijke ervaring met ons hebben als ze met ons zaken doen. En bij het afsluit van producten dan is het toch vaak wel een systeme automatisering. Dus daar stapp je nog niet echt in de legendie bij nodig. Maar bijvoorbeeld in het verwerk van claims, bijvoorbeeld bij de huisdieren verzekering. Daar kunnen we zeker in de legendie inzetten om dat soepeler en sneller te maken. Ja, maar even, want in online producten of nemen, dus een familietje wel is niet zo spannend. Maar ik kan me voorstellen bij sommige verzekeringen dat je nog allemaal checkspel doen op de achtergrond voor dat zo verzekering is goed gekueurd. Komen we daar dan bijna geen mensmiraal aan te passen, is dat dan allemaal geautomatiseerd om basis van die data of hoe moet ik dat zien? De dingen die je automatiseerd kunnen, die proberen we wel zo veel mogelijk te automatiseren. Want niemand heeft tijd om er op te wachten, zowel de klant niet als onze medewerkers niet. Dat zijn toch vaak ook niet zo hele leuke dingen in je werk om te doen in een systeemcheck of een vinkje op groen staat. Dus dat soort dingen proberen we zo veel mogelijk te automatiseerd, zodat er meer tijd over blijft voor. Ja, de dingen die de echte doen, de ingewikkeelde dingen of als er het claim zijn of zaken zijn, waar veel emotie bij komt kijken. Dan willen we dat onze mensen daar juist veel tijd voor overhouden. Ja, oké, maar ja, oké, wat ik eerder aan ga heb, u het afsluit kan er wel in de formulities hebben. Dat is natuurlijk wel rondvoorwaard aan verbonden, maar als je altijd eerder al over data van de RDI, ik neem aan als jij ergens een verzekering voor een ongevallen verzekering voor je werk voor je auto afgesluiten van een ongelijke wereld tegenwoordat. De valwagen. Ja, dat is ook wel een kijkhove. Als je dat data van de RDI in doet, dan geef je daar een specifiek auto te hebben op een specifiek aan een valwagen te hebben. Dat dat dan ook wel, dat dat ook een impact heeft op wat je eventueel af kan nemen, wat je niet af kan nemen. Dat bedoel ik dan, daar zit ook data achter nemen kan. Ja, ik wil ook weten, moet je meer premium betalen als je een onbetrouwbare auto kan. Ja, ik neem maar uiteindelijk zitten er natuurlijk heel veel dingen aan verbonden. Als je kan zeggen, ik wil graag die verzekering hebben. Dan kan er gewoon gereichert worden op basis van iets. En dat moet ook data bijgebruikt voor de nemen kan. Dus dat was meedenvraag van isbeelden daar ook een rol in, dat gene wat je liet doen. Ja, dat zijn toch gebieden waar mijn team niet zoveel mee te maken heeft. Oké, wij kijken meer naar automatisering van processen voor medewerkers, waar enige form van intelligentie bij nodig is. En dit zijn toch vaak heel zwartwitregels die je opstelt, die ook in de voorwaarde staan bijvoorbeeld. En die moet ook heel zwartwit zijn, want je moet erop kunnen terugvallen. Dus dat zijn toch vaak meer pure IT-automatiseringen anders dan ijelklossingen. Ja, met dan ook de volgende vraag. Wat werkt dat dan bij jullie intern? Bedenken jullie vanavier, informatoren, alle mooie dingen en dat gaan we doen. Want dit kunnen we doen, dat je een oplossing bedenkt. En dat probleem gaan we hier meer oplossen. Of komt dat vanuit de business meer de vragen hoe zo zit die werk van wel graag? Ja, bij ons komt een beetje van twee kanten en ik denk ook dat dat heel belangrijk is. Want de business die weet heel goed waar er knelpum te liggen, waar de problemen liggen. En als wij daar goed naar luisteren dan kunnen wij bedenken wat voor data-oplossing heb je daar dan voor nodig. En van de andere kans zien wij vaak nieuwe technieken, of we zien nieuwe data-stromen binnenkomen. Dat we denken van, hier zou je misschien dit en dit in de business mee kunnen. En daarom is het ook heel belangrijk dat we in dat contact houden met alle teams. Dus juist met die businessver tegenwoordig is om dat gesprek te houden. Van heer wel ook jij tegenaan en wat zien wij voor kansen. En dat hebben we ook onderdeel van ons proces gemaakt. Wat hebben we? Ik kan in voorbeeld geven zo'n data-strom die je ooit is binnenzag komen dag en dag van heerje kunnen we wat mee. Hier moeten we zeker iets in te zalt mee. Of is dat al zo lang geleden? Dat gaat niet meer mee. Nou, er komen wel regelmatig nieuwe dingen bij, maar iets van iets langer geleden. Dat is dan bijvoorbeeld klik op de site. Dus waar kijken mensen naar waar wordt. Waar zit de knelpunt er bijvoorbeeld in de website? Waar veel mensen afhaken? Als we op een paar de pagina's komen zijn dat ze dan aan bellen of afhaken. En dan kunnen we bijvoorbeeld kijken. Maar daar heb je toch niet een heel teta-sign-steem van ours. Dat kan ik gewoon even van de saasdienst van inzetten. Ik kan niet te kritisch zijn, maar dit is een beetje makkelijk toch. Ik had wel. Ja, je wacht ook meer toch van heel teta-sign-steem? Ja, gewoon. Dat is natuurlijk een samenloop van alle datastromen. Dat kan bevoorstellen dat dat er een beetje is. Maar dan hebt je al meer? Nou, wat nu bijvoorbeeld ook ergens in opkomst is dat zijn taalmerdelen. Dus laat je lengels, laat je lengelsmodels. En daar zijn wij ook wel vaak aan het kijken van hoe kunnen we die dingen nou goed toepassen. Dus ook verantwoord toepassen natuurlijk in onze oplossingen. En één van de eerste dingen die we daar dan mee gaan doen is bijvoorbeeld e-mails-samvat-e-mails-stromen. Ja. Zodat het voor een kleembehandelaar heel makkelijk en snel overzichterd is. Wat is er nou gebeurd in zo'n dossier? Dus dat je eigenlijk een soort van Facebook achtergetijdlijn kan zien. van ja, waarom is het contact heen weer nou overgegaan? En wat is nou de volgende actie wie ik zou moeten gaan ondernemen met deze klant? Ja. Maar dan gebruik je jullie al al weg? Deze specifiek voorbeeld gebruikt wel, ja. Ja, oke, oke. En moet jullie dat zelf ontwikkelen? Of heb je jullie een van de software-opplicatie van een grote leven van het zieer. waarin alle verzekeringsdingen zit die dat voor jullie al maken? We maken er gebruik van een. ja, een lieze platform in de dat, en dat is een n2n-platform eigenlijk. Het is vanaf een data-transformatie-draten dat de bewerking tot aan modellen. treinen, tot ook de deployment, een live-zetten van de aan het producten. dat het zit allemaal in datzelfde platform. Ja, dat is voor ons ideaal omdat we snel willen kunnen ontwikkelen. En dus ook de tijd die het kost om. van systeem naar systeem te gaan of van team naar team dingen over te dragen. die willen we zo komen over te gaan. Maar jullie ontwikkelen dus zelf. Het is niet dat jullie een verzekeringssysteem hebben. van alle konden, van andere grote. SRAP-P. ja, nu hebben we allemaal van dat soort specifiek oplossing voor bepaalde industrieen. dat gebruik jullie niet waarin dat gewoon gedieploit wordt. En we gebruiken platformen van dat ik nu om op te ontwikkelen. Wat ook zo is is dat onderdeel van onze data-strategie is. build first by smarter, is een van de drippijlers van de strategie. En dat wilde zeggen dat we als we nieuwe dingen, nieuwe technologie, nieuwe databronnen. zien dat we eigenlijk het liefst dat graag zelf uitproberen. om daar een data-oplossing mee te maken. Als dat zelf lukt, dat is mooi, want dan hoef je het niet externe in te kopen. Als dat niet meteen lukt, dan heb je wel meteen geleerd van. ja, wat zijn nou de valkhuilen van dit nieuwe algerip. met alle lensen, bijvoorbeeld waar we het net over hadden. Wat zijn de uitdagingen? En dan kun je ook zo'n aanbieding van een derde pertij van een levensier. beter op waarde beoordelen. Dus kan best zijn dat we dan nog steeds gaan afnemen van een andere levensier. maar dan kunnen we wel veel beter uit dat gesprek voeren over kwaliteit. En je zou toch zeggen, is dat een gegeven grafisch zo verschillend. maar je zou toch zeggen dat dat er binnen jullie bedrijfstakt. toch wel nodig hebben met de gestanden die zeert zijn. kwal over de zelf, achtergaan dingen die je kan afnemen. Dat je niet per seerdet wil, elke keer zelf moet uitvinden. Of zijn er als zulke nu wansen verschillen? Dat je toch liever denkt van nou, we gaan toch even zelf. proberen er iets te ontwikkelen. Wat je veel ziet, is dat of de zelf dingen. meestal niet gemaakt zijn met de verzekeringsmarkt. ingedacht en zeker niet in de Nederlandse verzekeringsmarkt. of de Nederlandse taal überhaupt. En je ziet ook wel dat veel bedrijven. dat ook als concurrentievoordeel zien wat ze kunnen ontwikkelen. Dus het zelf proberen, het zelf achterkomen van wat werkt. wat werkt niet, wat moeten we extra neerleggen, wat kunnen we zelf. intern ontwikkelen is toch wel, is ook wel heel belangrijk. En daarbij komt natuurlijk dat we als verzekeraar. best wel veel gevoelige informatie verwijken. en die wil je ook niet zo maar naar elke extreone leveranciën sturen. Dus dat is een heel proces ook om dat goed te checken. dat het ook goed gebeurt. Ja, dat heb je natuurlijk ook nog iets van die kunt wel zelf willen doen. maar het moet ook wel een beetje opschieten natuurlijk. Je moet het ook wel een beetje tijd afwerpen, het moet ook goed zijn. en het moet ook veilig zijn, dat soort dingen allemaal. Ja, dat neem ik aan dat het tot, maar zal een van de veilig zijn. waarop je het ontwikkelen, omdat dan. Ja, dat klopt. En dat veilig, daar is de laatste tijd ook steeds meer aandacht voor. ook vanuit Europa, ook vanuit toen ons eigen toetsichthouders. Dus ja, je kan wel sneller gaan, maar als je het niet veilig doet. dan wordt je toch teruggevlooten. Dus ja, wat wij eigenlijk hebben gedaan. is ons proces zo uit tekenen dat het snel kan gaan. dus dat alle processtappen ideaal op elkaar aansluiten. en ook de teams ideaal op elkaar aansluiten. Maar dat ook die veiligheid, die controle, en die grip. dat die ook tijdens het ontwikkeld proces al ingebouwd is. Maar dit idee is dan dat de veilige route ook de snelste route is? Dat is het idee, ja, dat klopt. En er al of. Nou, zeker. We hebben daar dus een nieuw proces voor onszelf voor uitgetekend. in de daad waar die processtappen in staan, waar de controle is. in staan en waar ook onze interne steekhouders. dus nemen we het over legal, over compliance. maar ook over American PR. Die hebben daar ook een rol in dat proces, een moment in dat proces. waarin je ze betrokken worden. En we merken dat door dat dat allemaal zo gestructureerd. en duidelijk op papier staat voor iedereen in zichtelijken. wat doen we wanneer een welke vragen gaan we op dat moment stellen. dat het proces als totaal veel sneller en suppeler gaat. Want in het verleden hadden we toch vaak dat je in de mooie data. oplossing hebt gebouwd en dan aan het eind wil je ook nog weten. oké, vinden we dit met ze alleveilig en verantwoord. En dan ga je op dat moment gaan je naar zo'n juridische afdeling bijvoorbeeld. En dan krijg je alle vragen over jij in van "Ja maar heb je bij de ontwikkeling. waar ik in ieder gehouden met dit en dat. En wat was deze meting, kun je dat reproduceren. En nu hebben we eigenlijk die vragen in dat gesprek. hebben we al onderdeel gemaakt van het ontwikkeld voorzijden. Wij is dat ook, dat kan me natuurlijk zeggen. dat het security belt in verhaal is. Ja. Wij is dat ook aan het gevolgen van de platformen die je kieist. waarmee je aan de slag gaat. Dus je kunt wel vooral het bedenken. Maar als je op een duur, dan ben ik veel een toeling gebruikt. die misschien tot net niet helemaal binnen je kaders valt. Dus als er achteraf was nog heel veel vragen en krijgen over. is het wel veilig genoeg. Dus daar zit ook nog een niet alleen een organisatorische. component in dat je heel duidelijk moet stellen. Dit zijn de kaders en dit is dat dat hele verhaal. Dat heeft ook een hele duidelijk in. uitwerking op de keuze van de toeling die je gebruikt nemen kan. In onze vader, we hadden het geluk dat we ook in de daad. nieuwe toeling gingen kiezen. En toen hebben we dat gedacht goed meteen meegenomen. Maar in de basis kun je dit zelf doen ook zelfs. op je eigen laptop, je zou je het kunnen doen. Als je maar de stappen en de procesen en de code ook. standaar uiteindelijk struktureerd. en beschikbaar maakt voor iedereen en kenbaar maakt voor iedereen. Dus het platform wat wij dan gebruiken is eigenlijk ook gewoon. een schil bovenop open source python. Dus inwezen zijn dat ook zelf gewoon helemaal in python. kunnen maken. Ja, alleen met z'n toelsmakken. Ja, dat kan allemaal. Ja, dat was makkelijker. Maar dat ga je niet veel, denk ik. Ik denk dat we zo'n bovenop gaan doen. Hé, maar ik hoor nu veel over hoe het data. zijn te steen, praat met de andere afdelingen. om tot nieuwe data producten te komen binnen de organisatie. En dat je dat per veilig aan manier moet doen. Maar ik zou toch een concreter wel wat voorbeelden. Is er nou een data gebaseerd applicatie waar je heel trots op bent of. die veel resultaat gezorgd heeft of waar ze interneel blij mee waren? Of. en gewoon wat voorbeelden voor onze luisteraars? We moeten ze dan denken. Nou, wat we leuk is, denk ik, zijn oplossingen die. waar we het net over hadden die in de business in het klantcontactcentrum. bij die kleen behandelaren hun werk. Snijler en leuker ook maken. En dat zijn bijvoorbeeld het samenvat van. van e-ml-stromen, van kleen-immostromen, voorheen moesten. kleen-behandelaren dat met de hand doen. Dus dat de e-mail doorgelezen, dan een goede samenvatting. gemaakt die voor iedereen leesbaar is. Nee, ze hebben het anders voor het Facebook-achtige tijd. lijn waar ze het dusje verloop kunnen zien. Maar dat was best wel veel werk. En niet iedereen deed ook hetzelfde natuurlijk. Want de ene gebruikt alsteen ook. En die andere die. is gisteren begonnen en die kent het vakje gewoon misschien nog niet zo goed. En daar gebruik we nu loud language models om die iemos tromen samen te vatten in een gestanderd die zeerde vorm die altijd hetzelfde is en waardoor ze heel snel in zich kunnen krijgen in een dossier. Dat is een leuke en een andere, dat zit eigenlijk nog voor het proces dat ze met de claims aan de slag gaan. En daar kijken we bijvoorbeeld of een dossier naar verwachtingen in gewikkeld dossier gaat worden. Dus wat Unior claim behandelaren lastig vonden in het verleden dat dat model verspelt dat de claim al binnenkomt. En als dat naar verwachtingen in gewikkeld dossier gaat worden dan routeeren we normaal vast naar meer afvaren medewerkers zodat ze daar sneller mee aan slag kunnen. Maar dit klinkt het beter als twee GPT voorbeelden. Eentje waarbij je tekst samenvat en de andere bij je tekst analiseert om te bepalen hoe complex die claim gaat zijn. De eerste is een GPT voorbeeld inderdaad, die tweede die maakt meer gebruik van ja gestrukturede data. Dus de omstandigheden van de claim, het schade bedrag de oorzaak al dat soort dingen. Dat is meer en dat is een machine learning oplossing. Dat is een machine learning oplossing. Is er nog iets wat de veel meer data bevat waar we meer analytisch misschien. Nou dat is het al gerid, maar ze zijn gebaseerd op heel veel hele boel historische data van hoe onze klanten en medewerkers in het verleden omgingen met die producten. Dus daar zijn wel meer voorwilden van? Je treint die dingen op alleen op je eigen data, nee? Ja alleen op ons eigen data. Oké, dat was belangrijk, maar dat was ook een stukke grondslag voor het hele om die data te mogen gebruiken. Ja, dat is nabelijk. Mijn mannetje gingen data gebouwd die je niet mag gebruiken, dat je dat op slaat die niet mag. En maar in de mannetje bevoldert je dat je ADW-data gebruikt waar je niet aan bevoldert voor? Nou die gebruik we toevallig dan ook in dat complexe dossierstuk om gegevens van de auto op te halen. Dus alle gegevens die dan van belang kunnen zijn, dus ja hoe niet hoe is die auto, want dat zegt dan iets over, hoe veilig is die auto, dus hoe groot is het risico op dat de gevolgen grote zijn bij zo'n zaak en dat kunnen bijvoorbeeld ook om gebruiken om van te voor een inschatting van het schadebedrag te kunnen maken, dus wat voor op jekt hebben we mee te maken en wat kost het normaal gesproken om zo iets te repareren? Oké, want een durven vang op een porches duur, dan een durven vang op een IVL-pan. Ja precies. Dus daar kunnen we dat soort data ook goed voor gebruiken? Oké. Maar ja en dan hoor ik toch heel vaak zeggen dat je het product ontwikkelt aan zullen wel. En dan denk ik ja, maar jullie zijn geen developers dus ik wil even dat het nu aan te maken van wat wanneer houdt jullie werk op en wanneer je begint tit nog, ik neem aan dat jullie die developers niet te beoren en wanneer je begint het werk van die developers, wanneer jullie bouwen het niet helemaal tot aan de laatste punt komen en ook uurig weinig spreken? Ja, wat voor ons belangrijk was is dat we snel kunnen ontwikkelen, dus niet alleen binnen ons eigen team, maar als bedrijf totaal, dus samen met de organisatie die je het ook daadwerkelijk dan moet in bouwen in ons IT landschap, dus wij proberen zover mogelijk door te ontwikkelen, dus data bewerking, data verzameling, modeltraining en ook het bouwen van een API bijvoorbeeld en die API die kunnen we dan ook live zetten naar test, accentatie en productie omgevingen, zodat de IT-organisatie dat eigenlijk als een soort van black box kan beschouwen, dus zij sluiten gewoon aan op een API, we hebben ze van het voren verteld, welke data ze daarheen moeten sturen en wat ze terug kunnen verwachten en juist omdat we ons hele proces zo hebben gestandertiseerd en met een stevige governance te boven op kunnen zij dat ook als een black box beschouwen en kunnen ze de vernuitgaan dat wat zij in het IT landschap implementeren dat dat goed een veilig ontwikkeld is. Dus we proberen binnen ons team zover mogelijk door te ontwikkelen zodat ze maar die hand of naar die IT-organisatie zo kort en zo makkelijk mogelijk is. Hij brug een hele complexe, een heel complex voorbeeld van een data science toepassing. Maar ik denk dat daar zijn we heel langer bezig geweest of dat was een grote uitdaging of hadden we veel externe data bij nodig of die. Ja, een vrij complex oplossing denk ik is voor de huisdierge verzekering. Het voor een groot deel automatisch verwerken van huisdieren, dierenartsnota's. Dus klanten kunnen daar een foto van de nota of een PDF van de nota insturen en voor een heel groot gedeelte worden die dan automatisch verwerkt. Dus dat is een combinatie van OCR. Dus het uitlezen van plaatjes of van PDF's naar gestrukturede tekst. En daarachter zit dan nog een systeem van het interpreteren van die tekst die daaruit komt van "ok, maar is dit dan een verwonding of heeft hij iets aan ze daar maar of waar gaat het precies om?" En onder welke decking moet dat dan vallen en heeft die klant die decking dan ook. En het mooie daarvan is wel dat ook een heel proces van co-creation was met de business met de kleen behandelaren waarin we in een iteratief proces een zo'n interpretatie neerzetten. Vanaf we denken dat deze nota hierop van toepassing was en uitkerev niet. Dan een heel aantal voorbeelden daarvan maken en dan terug gaan naar de business. Oké, wat denk je jullie dat het moest zijn? En waarom denk je dat het misschien anders moest zijn dan wat ons model zijn? En als je heel veel keer zo'n cykles doorgaat dan kun je steeds beter je model afstemmen op wat de business nodig heeft. Met kennis die wij zelf in ons team niet hebben. En is dat niet dan volledig geautomatiseerd of hoe het dat zien? In heel veel gevallen is dat volledig admatiseerd. Ja. Oké, dus het gaat het buiten het normale valt of het bedrag gaat dat je er helemaal hoog dan dan wordt er even erg kijken. Nou dat soort veilig eten zitten erin, maar je kunt ook bijvoorbeeld denken aan. Stek proefers ja, wat inderdaad moet hoveilig en goed gecontroleerd worden heel goed. Maar je kunt ook denken bijvoorbeeld aan slecht kwaliteit foto's. Dus wat je bemocht ook ziet is dan dat mensen de nota op de bank leggen en dan van 5 meter afstand met de mobiltjes geven voor te gaan nemen. En die nota was ook nog handgeschreven. Ja, dan gaat het niet, want als het bijvoorbeeld hele complexe operaties zijn waarbij meerdere complicaties zijn, dan doen we het ook niet automatisch. Maar daar hebben we van de duidelijk als eigenaar van Vicki en ik ren ik en ik die niet in, dan heb ik binnen een dag het abog geregeld of is het nog sneller en opzegde van een week of twee weken hoe het voor de ene meerdere was. Wat zijn daar de snelheid? Wat zijn daar heb je daar enere ideeën van? Ja, als die nota automatisch verwerd kan worden, dus in de later waar het net over hadden, dan heb je de volgende dag je geld. Ben je snel? Ik denk dat het tint verleden en kan er weken duurden, toch of niet. Toen je alles nog mensen moest naar kijken. Enkele weken niet, maar enkele dagen zeker wel. Ja precies en. Nou, ik weet niet wel wat nooit is, dat bedankt, en ik kan worden natuurlijk een heleboel. En wat ook zo is en dat is dan kwalijk dat die kleen behandelaren, die hebben ook geen zin om tien keer dat Allergie meeld je te gaan beoordelen, want ja, dat is die keer hetzelfde en ja, dat stelt niks voor. Dus ja, er zitten uitdaging niet in. Dus door dat soort eenvoudere geval hebben automatiseerd, ja, dus ook wat meer eer van hun werk zeg maar, door dat soorten ingewikkelde geval ik juist wat meer aandacht kunnen geven. En, zingen we nu klaar, waar uiteindelijk van de basis van wat jullie vandaan komen en wat jullie wat mogelijk is, met andere woorden, zingen we nog uitbreidingen in de richting de toekomst. Ik is nog veel meer mogelijk met hoe jullie werken en wat de mogelijkheden zijn van het datazaansteem binnen woorden. En we zijn nooit klaar denk ik, dat je als moeide valt. Dat had ik ook niet verwachtig, dat ze zeggen. Nee, dat is juist moeide van. En ja, daarom voelte iedereen ja ook weer als een nieuwe uitdaging en je weet ook niet wat er aan komt, want ja, JetGPT is nu een jaar oud, maar daarvoor hadden ook nog die heel veel mensen ervan gehoord, dus je weet ook niet waar het naartoe gaat. Ik denk wel dat we als proces nu zo flexibel hebben neergezet dat heel veel daarin past om ook nieuwe toepassingen, nieuwe technieken op een goede en veilige manier te kunnen gaan gebruiken. Ja, dus dus de vergoncret als er nu een nieuwe datastroom komt, alla dan een LLM goed iets nieuws, wat erop blijft, wat er niet op lijkt misschien meer compleetje zand is, waarvan we nu niet bestaan hier zou we weten, dan kun je het in principe inpassen, in je bestaan de workflow, processen en daar gelijk. Ja, precies, en daar zitten dan ook de checks en controles met business, met legal in om te zorgen dat je dat je goede systemen ontwikkeld daarmee. Dan denk je dat dat je als oran zijn ook een soort concurrentie voordeel hebt door heel veel met data te werken, want ik kan wel zo voorstellen, ik kijk uiteindelijk seriele gewoon een commissie op het rijven, die moet lins gemaakt worden, maar als je heel veel data gebruikt en Verzekeringen zijn er nog wel een complex product met heel veel voorwaarde en hebben we wel de net even auto-verzekeringen. Ik kan me voorstellen dat je bijvoorbeeld in staat bent om tegen een iets scherper prijzen bepaalde verzekering weg te zetten als je heel veel data gebruikt, omdat hebben we altijd al die postjes duurden aan die veel pandas, misschien een heel simpel voorbeeld, maar er zijn misschien veel meer, ik weet dat de postcode's hebben ook altijd invloed op Verzekeringen prijzen, er zijn allemaal variale die je mee kan nemen, en je zullen vast niet de enige zijn, is dat iets waar je dat naar kijken om zoveel mogelijk data dan die extreem beschikbaar is en die je mag gebruiken om daar dan hier voor te doen? Ja, premiumstelling daar doet ons team dan, ik snap dat zijn meer actuwaris, maar als je het hebt over concurrentie voordeel, dan denk ik dat daar zeker als we zeker uit verschil kan maken met. Maar die doen geen broepenpje die dan die actuwaris en die je wilt ook graag veel data of niet? Weer de klopt, maar die kun ook zelf bij de data die ze nodig hebben, het is niet dat de data van ons is. Al jij wanneer ik dacht dat je een titel zou je een team hebt dan vraagt je aan hun van hem als een toegang even of een mooie data zetcreërend dat wij daar onze analyse op kunnen doen. Nou ik we helpen elkaar natuurlijk wel met tips en tricks, maar het is niet zo dat wij dezelfde data beheerden, dus de database is vrij toegankelijk voor de. Hij is vrij toegankelijk, toegankelijk voor de mensen die daar de rechten voor hebben. Dus bijvoorbeeld ook de actuwaris, dus die doen hun werk relatief onafhankelijk van ons team, maar die zijn helemaal gespecialiseerd in het uitzoeken van de juiste premie-stelling. Wij doen dan weer vaker optimalisering van processen en bijvoorbeeld ook commerciale processen. Welkom voorstellen die jullie beter zijn in het toevoegen van extra en de data bronnen of data die daar aan verant is. Ja, dus te helpen we elkaar wel, je zeker wel. Ja zeker wel, maar de verantwoordelijkheid daarvoor ligt echt bij hun. Maar als je vraagt van concurrentie voordeel, dus ik denk dat een verzeker haar zich daar zeker op kan uitblinken, ook bijvoorbeeld zoals die juist uur verzekering waar we het net over hebben. Als je al dat ledaat, dan kan gebruik ik om het sneller makkelijk te maken en ook klanten ja, zoveel mogelijk waarvoor hun geld te bieden. Ja, dan kun je zeker nog de koppel boven met mij vallen. Ja, dus de kosten voor het voeren van de verzekering gaan dan om laag als je minder mensen of minder uur kwijt bent aan alle claims verwerken, bijvoorbeeld. Dat ook, en daarmee houden we ook de premies goed voor iedereen. Ja. Nou, dit komt ook wel een beetje weer terug op wat waar ik het eet erop had, dat je petje, en dat is meer waar ik dan perselveel over gescheven, over gelezen, over het proces van het afsluit van dingen. Zoveel mogelijk data inzetten, het komt wel terug op het actuari, ze verhaal wat je heen er zijn. Wat die scheid in u nog wel is, ik denk dat dat nog wel op een goede port winst te behalen valt. Ja, dat denk ik ook. Voor een betrijf als oorah. Dus dat je zei gewoon, ik kan het een actuari, kan wel denken, ik kan wel zeggen, oh, dit is postcode, dit is het ding, dit is het ding. Maar dat je kunt nog veel meer slimmer dingen doen, als je dat goed korrelert dan elkaar, in combinatie met nog veel andere data. Kun je misschien nog wel veel slimmeren, preemies of polis, whatever, afsluiten. Dus ik denk dat dat nog wel, wat rek in zit. Als ik er zo vanaf de zijkant na kijk hoor, ik werkt natuurlijk niet bij jullie, dus ik kijk niet helemaal in gevoetingen. Je weet waarom dat strikjes schijden is, en is dat normaal in die mini-branche, weet je dat? Dat is wel normaal omdat het actuariële fact, het is toch ook wel echt een vak apart waar heel veel bij komt kijken. Dus dat is goed dat daar de speciaalisten opzitten, maar waar we elkaar kunnen helpen daarin, dan doen we dat zeker. Ja. Oké en we willen verdachten met eindig gewaltens een beetje met standoet en een luister zit die ding vanuitvillig ook, want jullie willen daarin hebben. Wat zijn dan de volk huilen? Ik neem aan dat je in de afgelopen 15 jaar. Ja, maar waar ik ik het mis? Ik denk hier goed over na, want als je dat niet goed doet, dan gaat het even een beetje wetsel voor kan halen. Als je beeldverst bijzekerd was ook bijleden, wat was het? Ja, bij smart. Ja, whatever. Maar ik heb je ook wel een welke sterker tegen dingen aan het verhaal. Zomaar dingen moet je misschien niet zelf doen, omdat dingen meer wel zelf doen, dan nog wat tips die ik er niet zo zeer dan concurrenten. Maar gewoon niet algemeen. Je hebt een team opgezet en waar moet je dan een beetje opletten? Het allerbelangrijkste, denk ik, is om het niet als een eiland in die relatie te zien. Dus ik denk dat ons grootste succes zit in dat we altijd bouwen voor productie, of met productie in gedachten. Dus je ziet wel vaak dat bij andere bedrijven dat date science toch in een soort handcentbox omgeving wordt gedaan, dus ook letterlijk in een andere omgeving met wilde creatieve use cases met nappdaten. Daarna is het heel erg moeilijk om dat dan in een productie setting te krijgen, sowieso in andere doeling, met echte data. En ik denk dat ons grootste succes zit juist in dat gesprek blijven voeren ook met de business. En te zorgen dat alles wat je bouwt, dat het in principe gericht is, op naar productie brengen als het klaar is. Heb je daar een specifiek soort data science is voor nodig? En omdat je dat je ze zonder en stereotypen te gevalen, maar ik doe het toch even hier. Die staan vragen, er wordt toch vaak gevangen, dat ze wat ver van de realiteit afstanden wij ze aan. Dat klinkt er wat uit, dat klinkt er wat uit, maar bij de organisatie staan ze wat ver van andere omgeving, wat andere onderdelen af. Daarom zitten ze ook vragen in de zin, de boxen van zin is dan er zo, dat ook een orde geavond, dat is een beetje lachtig. Heb je er ook een moeilijk op zoek gaan naar een specifiek type? Dat is wel een geval. Ik denk dat je wel een bepaalde rol in je vanaf nodig hebt in je organisatie of in je team. Dat wordt wel eens business translator of data translator genoemd, dus iemand die zo wel de business problematieke begrijpt, maar ook de datakant, de dataoplossingenkant begrijpt en die daar de brug tussen kan zijn, dus als we een bepaald problem geschetst wordt, die dan kan bedenken, dan kunnen we dit soort van dataoplossingen voor gebruiken en andersom. We hebben nu zo'n soort van dataoplossingen in de toolbox, dat kunnen we dit soort problemen mee met tekenen. In ons geval is dat in ons eigen team in dezelfde personen belegd, maar ik denk dat we daar heel erg geluk mee hebben, dat soort type data zijn het is in ons team hebben. Er zijn er niet zo veel van? Nee, dat is zeker waar. Als je die persoon niet hebt, dan is het heel belangrijk om die rol op een andere manier aan je bedrijf van je team toe te voegen. Het is ondragewoon een apart persoon voor te nemen die iets meer in de desk. Die lijken ook niet heel erg de dik gezegd. Dat soort mensen die zo wel de business zijn of niet. Dat hele idee van zo wel de business als de data kan te begrijpen, denk ik zo. Dat klopt wel, en er is ook heel veel vraag naar, dus die mensen zijn er daadmoeilijk te vinden. Wat wel helpt, denk ik, is om het heel vrouwen om gewoon te beginnen. Het is een kleine makkelijk te halen doelen te stellen, die je zeker weet dat je gaat kunnen maken om daar ook zo'n business trends later een rol in te betrekken en de business in te betrekken. Ook al is dat een hele vrouw simpular juice case, gewoon gewoon unresultate boeken. En ja, daar krijg je ook een soort van vliegenwiel dat de business beter leert te begrijpen. Ja, wat is er eigenlijk allemaal mogelijk met de data? Dat de data team beter begrijpt hoe denkt de business en wat voor problemen lopen ze tegenaan en hoe kunnen we dat samen tekenlen in de makkelijkste? Maar doe je daar nog iets aan kwamen opleiden of zo? Om die business kan beter te begrijpen? Ja, zo wel aan de data kant is om de business beter te begrijpen en dat doen we ook workshops voor. Wat we bijvoorbeeld nu doen is met de paar collega's doen thinking backwards. Dus dan begin je bij het probleem en ga je terug denken, oké, hoe kunnen we dat afpellen en helemaal aan het eind, oké, wat we dat oplossingen kunnen we daar dan aan koppelen. Dus dan begin je elkaar ook beter te begrijpen. En aan de businesskant ook, dan doen we ook zelf workshops organiseren en prioritaties organiseren van verschillende data onderwerpen. Maar ik want dat is een organisatieproken die dan vooral te mensen gewoon laten meedraaien op een bepaalde afdeling. Wil je dat dat wel eens gedaan? Dat je zelf een week je op een klimaverdeling getritten? Ja, dat gebeurt ook inderdaad. Ja en daarnaast inderdaad van die co-creasie-sessies waar we dat er straks over hadden. Ja, daar leer je heel snel, heel veel over hoe over een beer gedacht wordt en dat kan heel veel helderen te zijn. Ja, want dan kom je vaak die repertieven dingen tegen wat we denkden. Zit er zit ook hier in te zullen, kunnen we misschien wel automatiseren? Ja, precies of oplossingen richtingen die van het data team bedacht worden waarvan de business denk van ja, het is leuk, maar zo werkt het in het echt niet. Oké, oké, ik denk dat iedereen nu wel gelijk meteen is, een session gaat organiseren om dit op te gaan zetten in een organisatie. Ja, dus het vrouwen antwoord is gewoon doen en zeggen wat je gaat doen en opschrijven wat je gaat doen. Nou, ik denk wel met je eens als je het gezamenlijk gaat beginnen en leer je het ook met zullen, tegelijk. Dus dan het is wel handig om er ook één dagens expertise in te hebben. Wat mensen met expertise zouden niet handig zijn. En als je iets gaat doen, dan denk je niet allemaal als een ongelieve blad gaat beginnen want dan weet je helemaal niet weer een begin denk je. Zeker, zeker. En heb je daar nog weerstand binnen de organisatie, dat mensen niet zo van houden dat dingen verder gaan automatisch heer te worden en processen veranderen. En zo, want mensen eigenst ook een beetje, dus niet zo van verandering houden. Dat is wel eens onderwerp van gesprek, dat klopt. En het juist ook door sessionen organiseren en die co-creasie dingen de samenwerken aan de ontplossing, dat helpt heel erg voor het weg nemen van, ja, laat het angst noemen, het onbekende en het creëren van van de raagvlakjaars bij de mensen die het moeten gebruiken. En ook daar is het zo dat als je begint met iets kleins wat werkt, dan zien mensen ook dat het echt iets doet voor hun werk, voor hun zelf. En dan wordt de volgende stap die misschien ietsën complexer en ietsën spannender is, die wordt dan ook weer makkelijker. Ja, 1, 2. Oké, nou, wat dan denk ik he? Nou, antel, bedankt voor je bijdragen in deze aflevering van TechSine Talks. Vond je dat een interessante aflevering? Tel hem dan vooral met je vrienden, familie, collega's en ander andere. Ik kan je uiteruid ook abonneren op onze podcast. Dat kan we je Apple, Spotify en Google en tot de volgende keer. En vergeet ons niet te reten, want wanneer ga ik vijf sterren op Apple of Spotify? Don't forget to subscribe to this podcast.