Il CDO di Howden Group spiega perché il modello dei data product fallisce al ritmo delle acquisizioni — e come si presenta invece un data layer pronto per gli agenti
di Aly McGue
Il playbook tradizionale dei dati aziendali presuppone un certo ritmo. Si progetta una strategia, si crea la piattaforma, si integrano le fonti in modo metodico e si implementano prodotti per ogni caso d'uso principale. Il piano è l'artefatto, e l'artefatto è costruito per durare.
Questo playbook viene ora sottoposto a uno stress test per il quale non è stato progettato. Le aziende che crescono tramite acquisizioni, creano workflow basati su agenti e assorbono nuove fonti di dati a grande velocità stanno scoprendo che le strategie concepite per un'era più lenta diventano vincoli per il business stesso. L'architettura, la tassonomia e il modello operativo che funzionavano a un certo ritmo iniziano a remare attivamente contro quello successivo.
Barry Panayi è Group Chief Data Officer presso Howden, un broker assicurativo, sottoscrittore e riassicuratore globale che opera in oltre 50 paesi con 25.000 dipendenti. Cinque anni fa, l'azienda contava 10.000 persone. L'anno scorso ha acquisito più di un'attività a settimana. Howden gestisce la sua piattaforma di dati aziendali su Databricks, consolidando oltre 100 fonti di record in un'architettura unificata che supporta qualsiasi attività, dalla reportistica normativa all'analisi conversazionale tramite Databricks Genie.
In questo blog, Barry spiega perché le scelte di progettazione tradizionali non funzioneranno per la direzione in cui sta andando il consumo dell'AI. Il modello di prodotto diventa macchinoso. Il ciclo di riconciliazione diventa costoso. Il backlog delle dashboard diventa il collo di bottiglia. Di seguito, Barry spiega cosa costruire al suo posto.
Aly McGue: Hai menzionato che il modello "un prodotto per ogni caso d'uso" inizia a mostrare i suoi limiti a un certo punto. Cosa intendi con questo e cosa lo sostituisce?
Barry Panayi: Ho iniziato a notare che questo modello diventa macchinoso. Se pensi al tuo layer di dati come a un insieme di servizi aperti e governati, diventa molto più adattabile a qualsiasi esigenza futura di AI.
Forniremo dati ad agenti che li distribuiranno all'interno dell'azienda, e questo richiede una mentalità di progettazione diversa. Non puoi predefinire ogni caso d'uso quando i consumatori non sono più solo dashboard e analisti. Gli agenti comporranno i dati in modi che non avevi previsto. Un layer di servizi presuppone questo. Un catalogo di prodotti no.
Questo è anche il motivo per cui consiglio di coinvolgere fin da subito chi guida i processi e il lavoro basato su agenti nella tua organizzazione. Non dopo che la piattaforma è stata costruita.
Aly: L'anno scorso Howden ha acquisito più di un'attività a settimana. Che impatto ha questo ritmo su un'organizzazione di dati e cosa è dovuto cambiare a livello architetturale?
Barry: Quando sono arrivato, avevamo importato circa 80 fonti di dati e ci volevano circa sei mesi per integrare i dati dopo un'acquisizione. Con il ritmo di acquisizione che avevamo, questo significava che le persone creavano silos o estraevano dati da altrove perché avevano bisogno di risultati immediati. Avevamo un'adozione limitata nelle nostre divisioni semplicemente perché non avevamo la copertura necessaria.
Non si è trattato solo di una modernizzazione tecnica. Si trattava di eliminare i costi della frammentazione, della lentezza dell'integrazione e dei duplicati di lavoro. Dal punto di vista architetturale, ci siamo mossi in una direzione diversa. La configurazione precedente gestiva il data mastering e i controlli di qualità più a valle, più vicino al layer di reportistica. Avevamo bisogno che ciò avvenisse il più vicino possibile all'ingestione, in modo che i dati diventassero utilizzabili più rapidamente. Questo cambiamento modifica l'intera timeline.
Uno dei maggiori punti di forza di Howden è la collaborazione tra le diverse aree aziendali. E ciò che la alimenta sono i dati. Devi sapere cosa ha il tuo collega che potrebbe aiutarti e come potresti aiutarlo tu. C'erano cos ì tante opportunità di business che potevamo sbloccare semplicemente rendendo visibili i dati, anche senza averli completamente importati e masterizzati, solo rendendoli visibili.
Aly: Quando si hanno così tante fonti, la stessa metrica può esistere in più versioni corrette. Come avete smesso di far perdere tempo al team nella riconciliazione manuale?
Barry: Potevamo avere fino a quattro versioni dello stesso punto dati, e tutte erano corrette nel proprio contesto. Non esisteva un modello di dati o una tassonomia comune, quindi il mio team dedicava molto impegno a capire quale versione fosse quella giusta per una determinata risposta.
I dirigenti ottenevano sempre ciò di cui avevano bisogno. Ci assicuravamo che i numeri tornassero. Ma la riconciliazione manuale richiedeva tempo e risorse che avrebbero potuto essere destinate a lavori di maggior valore. Da allora abbiamo creato un modello di dati standard, il modello di dati Accord, insieme alla piattaforma. Questo codifica la logica in modo che la riconciliazione sia integrata, anziché dipendere dalle persone che devono individuarla ogni volta.
Questo è il punto cruciale. Se la tua tassonomia non è codificata, il tuo team diventa il motore di riconciliazione. Questa è una tassa che paghi a ogni ciclo di reportistica, e cresce con il business esattamente nella direzione sbagliata.
Aly: Molte aziende hanno un portfolio di progetti pilota di AI che non scalano mai. Cosa è cambiato in Howden?
Barry: Come per molte organizzazioni, le nostre fasi iniziali erano incentrate sull'esplorazione, il che significava che stavamo creando casi d'uso unici da zero. È stata una fase necessaria per vedere cosa fosse possibile fare, ma per scalare davvero dovevamo smettere di ricostruire tutto per ogni divisione. Ora, grazie al modo in cui utilizziamo la piattaforma Databricks, disponiamo di pipeline standardizzate, codice condiviso e asset di dati riutilizzabili. Possiamo eseguire analisi cross-domain, unendo dati dei clienti, dati di rischio e dati di mercato, creandoli una sola volta invece di ricostruirli per ogni divisione.
Ora abbiamo una pipeline di casi d'uso di AI in tutto il gruppo. Stiamo ancora lavorando per portare i modelli in produzione in modo che possano essere consumati come servizi coerenti, e questo è un divario su cui sono onesto. Ma il passaggio da esperimenti isolati a funzionalità scalabili è reale. Non saremmo in grado di fare nulla di tutto ciò senza quella vista unificata.
Aly: In un settore che non si muove alla velocità transazionale del retail, in che modo dati più veloci cambiano effettivamente il risultato?
Barry: Ciò che conta enormemente è ridurre quello che chiamo il ritardo dell'insight (insight lag), ovvero il divario tra il momento in cui un dato esiste da qualche parte in azienda e quello in cui qualcuno può effettivamente utilizzarlo.
La nostra attività è principalmente di brokeraggio. Ciò significa fornire ai broker gli insight più freschi possibili prima che si incontrino con un cliente. In passato la nostra reportistica era lenta e basata su processi batch. I dati non erano errati, ma quando li vedevi erano ormai obsoleti. Questo non crea un problema di fiducia, crea un problema di utilità. È come guidare guardando lo specchietto retrovisore.
Ora, quando un broker va da un cliente, può dire: "Questo è ciò che stiamo vedendo nel nostro portafoglio in questo momento, questo è il benchmarking, questa è la nostra visione aziendale". I nostri dati sono la nostra IP. Non ci sono molte aziende che operano nell'intera catena del valore assicurativa come facciamo noi. Sarei pazzo a non assicurarmi di ottenere rapidamente questi insight, e non avremmo mai potuto farlo con la frammentazione che avevamo prima.
Aly: Qual è stato il catalizzatore per il lancio di Genie e cosa è cambiato nel modo in cui le persone ottengono le risposte?
Barry: La domanda che mi è stata posta, forse anche durante il mio colloquio prima di entrare in azienda, è stata: perché non possiamo semplicemente chattare con i nostri dati? La logica era semplice. Le persone chattano con l'intera rete tramite ChatGPT. Quindi perché non possono fare una domanda ai dati della propria azienda e ottenere una risposta rapida?
Ci sono due aspetti. Uno è la velocità letterale. Qualcuno ha una domanda, la risposta sono alcuni numeri o un grafico rapido, e Genie lo fa. L'altro aspetto è ciò che questo strumento libera. Senza di esso, qualcuno chiede i primi dieci clienti per una determinata metrica. Un analista prende in carico la richiesta, chiarisce la domanda, scrive una query, crea una dashboard che inevitabilmente diventa più elaborata del necessario. Questo ciclo è lento. Nella nostra divisione retail negli US, che era un'operazione greenfield quando sono entrato, abbiamo implementato l'architettura target fin dal primo giorno. Stanno usando Genie fin da subito, e questo ha probabilmente risparmiato centinaia di ore di creazione di dashboard che le persone avrebbero dimenticato dopo il primo utilizzo.
Un mio collega ha questo concetto che chiama Howden Intelligence Layer: un sottile strato che indirizza la tua domanda al servizio giusto. Alcune domande passano attraverso un modello generale per la ricerca o l'e-mail. Altre sono domande per Genie perché la risposta risiede nei nostri dati governati. L'utente non dovrebbe preoccuparsi di sapere da dove provenga.
Aly: Se potessi dare un solo consiglio a un leader C-level che sta scalando le proprie iniziative di dati e AI, quale sarebbe?
Barry: Vai piano per andare veloce. Non troppo piano, ma progettalo correttamente fin dall'inizio. Fatti aiutare dal partner della tua piattaforma a progettare l'architettura, perché ho visto troppi architetti portarsi dietro il bagaglio di come facevano le cose in passato.
Coinvolgi fin da subito chi guida i processi e il lavoro basato su agenti nella tua organizzazione. Forniremo dati ad agenti che li distribuiranno all'interno dell'azienda, e questo richiede una mentalità di progettazione diversa. E inizia a pensare ai servizi di dati, non solo ai prodotti di dati.
L'argomentazione di Barry non riguarda Howden. Riguarda le scelte di progettazione che la maggior parte delle aziende sta per affrontare. Il modello di prodotto adatto all'era delle dashboard non è quello che si adatta a un'era basata sugli agenti. Il lavoro di riconciliazione svolto a valle diventa un costo permanente a meno che la tassonomia non venga codificata a monte. La metrica di freschezza per cui la maggior parte dei team ottimizza non è quella che conta davvero per il business; lo è il ritardo degli insight.
Il ritmo con cui Howden effettua acquisizioni rende questi compromessi visibili più rapidamente rispetto a quanto avverrebbe altrove. Ma questi compromessi non sono un'esclusiva di Howden. Stanno arrivando per ogni azienda che intende fornire dati agli agenti, e i leader che progettano ora per questo modello di consumo non dovranno riprogettare l'architettura in seguito.
Progetta per il ritmo verso cui ti stai dirigendo, non per quello attuale.
Per scoprire come oltre 25 esperti del settore stanno tracciando la rotta verso un'implementazione di successo dell'AI, accedi al report "Making AI Deliver" di Economist Enterprise, prodotto con il supporto di Databricks.
(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale
Iscriviti al nostro blog e ricevi gli ultimi articoli direttamente nella tua casella di posta.