士卓曼集團北美數據和技術總監Iyengar表示：「我的願景是，我可以為我的企業提供管理數據和自行運行數據的鑰匙，而不是讓數據和技術團隊處於中心位置並幫助他們走出這個境地。」
這樣做將是不小的壯舉。這家總部位於瑞士巴塞爾的企業在全球100多個國家或者地區開展業務，擁有PB級的數據，其中包括高度結構化的客戶數據、有關治療和實驗室請求的數據、運營數據、以及不斷增長的海量非結構化數據，尤其是成像數據。例如，士卓曼集團的牙齒矯正業務大量地使用了圖像處理，以至於每個月非結構化數據的增加速度在20%到25%。
成像技術的進步讓士卓曼集團有機會為客戶提供新的功能，例如，成像數據可用於向患者展示矯正器的外觀隨時間會發生的改變。
Iyengar說：「這很有力地幫助我們的供應商售賣他們的服務，同時也從患者那裡獲得更高的NPS [淨推薦值]。」他相信，人工智慧將在士卓曼集團的圖像處理和實驗室治療業務中發揮關鍵作用，因此，他們有動力把機器學習作為一項服務提供給數據和技術團隊的內部客戶。
「他們所要做的就是建立他們自己的模型，然後運行起來，」他說。
但為了通過機器學習和人工智慧增強各項業務，Iyengar的團隊首先必須打破組織內的數據孤島，轉變公司的數據運營模式。
他說：「數字化是我們數據之旅中投下的第一個賭注。」
推介數據轉型的價值
Iyengar和他的團隊用18個月的時間開始了為期三到五年的旅程，從構建數據層開始——將ERP、CRM和遺留資料庫等數據源集中到結構化數據的數據倉庫和非結構化數據的數據湖中。
這個步驟主要是由開發人員和數據架構師執行的，建立了數據治理和數據集成。現在，這支團隊的資訊架構師和業務分析師共同負責語義層，將數據倉庫和數據湖中的數據提供給數據集市，包括財務集市、銷售集市、供應鏈集市和市場集市，下一步是把機器學習和人工智慧管道構建到可以支持預測和規範分析的資訊傳遞層中。
他說：「隨著資訊層的成熟，從這裡就能開始看到機器學習和人工智慧的一些萌芽。」他補充說，雖然在2021年的時候數據轉型是他的一個迫切需求，但他想要一個更有吸引力的願景來說服董事會和商界領袖解決這個問題。
因此，他用防禦面和進攻面來比喻他的數據策略。防禦面包括數據管理的傳統元素，例如數據治理和數據質量，進攻面則是指人工智慧和高級分析領域，其作用不僅僅是獲得洞察力和優化業務。
「進攻面是如何產生收入，從我們收集來的歷史數據中獲得洞察，用於預測即將到來的趨勢。在進攻面，我們獲得的大部分數據都是非結構化的，我們希望確保這些數據對業務領導者是有意義的，幫助他們協調和豐富這些數據，從而更有效地服務於客戶，讓客戶更穩健、更順暢地利用我們的服務。」
毫不意外，正是這具有進攻性的一面，讓士卓曼集團的董事會認可了Iyengar的轉型計劃。
他說：「當提出以客戶為中心和數字化轉型以及數據轉型的時候，我認為，這引起了他們的共鳴。」
為未來做好準備
Iyengar的團隊通過利用案例的方法取得了成功，這和士卓曼集團的核心業務幾乎沒有什麼不同。「這和我們向患者展示治療前和治療後圖像的方法幾乎是一樣的。」
該團隊要求公司領導者選擇一些以客戶為中心的指標，來證明使用數據創新推動業務的成果，其中一個目標就是降低客戶流失率。該團隊首先將客戶流失傾向分為兩個值：一個用於保留現有客戶，一個用於獲取新客戶，使用典型的客戶生命周期價值並分析購買模式，為營銷團隊和銷售團隊提供可用於推動戰略的洞察。
他說，採用這種方法在內部推介數字化轉型，使這項工作變得輕鬆多了。「我們看到所有業務都批准投入大量資金來支持這項計劃。」
與此同時，隨著團隊開始構建機器學習和人工智慧能力，數據與技術團隊自身的轉型也勢在必行了。
Iyengar說：「從傳統角度來看，我們固有的技能組合併不適合其中機器學習和人工智慧的部分。你需要的是統計學家和數學家，而不是程式設計師和編碼員，對吧？因此，我們也一直從文化和技能的角度做自我轉型，這本身是需要時間的。我們有一條學習曲線，可以在我們內部構建起所需的技能組合。」
Iyengar說：「我的團隊中有很多傳統的ETL技能，現在缺乏的是機器學習/人工智慧技能，在這方面，合作夥伴為我們提供了幫助。」
他說，最終，這些變化將改變數據與技術團隊與業務交互的方式。目前，他們是集中式「中心輻射」的運作模式，但他表示，在他的團隊中聘用統計學家和數學家將無法實現擴展。相反，他真正想要的是在三到五年內，將團隊融入到更接近業務線的團隊中，這樣業務就可以自己運行模型。
「現在，我們就像是以每小時100英里的速度駕駛公交車，同時還要更換輪胎，儘管我為團隊正在做的事情感到很自豪，但這無論如何都是不可擴展的。」
