Sridhar Iyengar van de Straumann Group heeft een gedurfde missie: de data- en technologieorganisatie van het bijna 70 jaar oude bedrijf omvormen tot een data-as-a-service provider voor de wereldwijde fabrikant en leverancier van tandheelkundige implantaten, protheses, orthodontie en digitale tandheelkunde – en om zakelijke belanghebbenden ook machine learning (ML) als service aan te bieden.
“Mijn visie is dat ik mijn bedrijven de sleutels kan geven om hun gegevens te beheren en hun gegevens zelf te beheren, in plaats van dat het Data & Tech-team centraal staat en hen helpt”, zegt Iyengar, directeur van Data & Tech bij Straumann Group Noord-Amerika.
Dit zal geen sinecure zijn. Het in Bazel, Zwitserland gevestigde bedrijf, dat actief is in meer dan 100 landen, heeft petabytes aan gegevens, waaronder zeer gestructureerde klantgegevens, gegevens over behandelingen en laboratoriumverzoeken, operationele gegevens en een enorme, groeiende hoeveelheid ongestructureerde gegevens, met name beeldgegevens . De afdeling orthodontie van het bedrijf maakt bijvoorbeeld zo veel gebruik van beeldverwerking dat ongestructureerde gegevens groeien met een tempo van ongeveer 20% tot 25% per maand.
Vooruitgang in beeldvormingstechnologie biedt Straumann Group de mogelijkheid om haar klanten nieuwe mogelijkheden te bieden om hun klanten aan te bieden. Beeldgegevens kunnen bijvoorbeeld worden gebruikt om patiënten te laten zien hoe een aligner hun uiterlijk in de loop van de tijd zal veranderen.
“Het geeft onze providers veel macht bij het verkopen van hun diensten en levert tegelijkertijd meer NPS op [net promoter score] voor ons van de patiënt”, zegt Iyengar, die gelooft dat AI een cruciale rol zal spelen in Straumann’s activiteiten op het gebied van beeldverwerking en laboratoriumbehandelingen. Vandaar de drive om ML as a service aan te bieden aan de interne klanten van het Data & Tech team.
“Het enige wat ze hoeven te doen is gewoon hun model bouwen en ermee aan de slag gaan”, zegt hij.
Maar om zijn verschillende activiteiten uit te breiden met ML en AI, moest het team van Iyengar eerst datasilo’s binnen de organisatie afbreken en de dataactiviteiten van het bedrijf transformeren.
“Digitalisering was onze eerste inzet aan tafel in onze datareis”, zegt hij.
De waarde van datatransformatie verkopen
Iyengar en zijn team zijn 18 maanden bezig met een reis van drie tot vijf jaar die begon met het uitbouwen van de datalaag: het bundelen van databronnen zoals ERP, CRM en legacy-databases in datawarehouses voor gestructureerde data en datameren voor ongestructureerde data.
Die stap, voornamelijk genomen door ontwikkelaars en data-architecten, bracht data governance en data-integratie tot stand. Nu werken de informatie-architecten van het team, in samenwerking met bedrijfsanalisten, aan de semantische laag, die gegevens uit datawarehouses en datalakes invoert in datamarts, waaronder een financiële mart, een verkoopmart, een supply chain-mart en een marktmart. Het volgende doel, met de hulp van partner Findability Sciences, zal zijn om ML- en AI-pijplijnen uit te bouwen tot een informatieleveringslaag die voorspellende en prescriptieve analyses kan ondersteunen.
“Naarmate de informatielaag volwassener wordt, zullen de ML en de AI daar wat groene scheuten beginnen te zien”, zegt hij, eraan toevoegend dat hoewel datatransformatie een dringende behoefte was toen hij zich aanmeldde in 2021, hij een meer overtuigende visie wilde om te verkopen het bestuur en bedrijfsleiders over de aanpak ervan.
Daarvoor vertrouwde hij op een defensieve en offensieve metafoor voor zijn datastrategie. De defensieve kant omvat traditionele elementen van datamanagement, zoals data governance en datakwaliteit. De offensieve kant? Dat is het domein van AI en geavanceerde analyses die een rol spelen die verder gaat dan alleen inzicht en bedrijfsoptimalisatie.
“De offensieve kant is hoe we inkomsten kunnen genereren, alle inzichten uit de historische gegevens die we hebben verzameld en in feite de toekomstige trends voorspellen”, zegt Iyengar. “De meeste gegevens die we aan de offensieve kant krijgen, zijn ongestructureerd, en we willen ervoor zorgen dat het logisch is voor de bedrijfsleiders en hen helpen het te harmoniseren en te verrijken op een manier dat ze hun klanten efficiënter kunnen bedienen en dat de klanten worden bediend en maken gebruik van de diensten van Straumann op een veel robuustere, wrijvingslozere manier.”
Het is niet verrassend dat het deze offensieve kant was die ervoor zorgde dat het bestuur van Straumann investeerde in het transformatieplan van Iyengar.
“Toen de klantgerichtheid en het stuk digitale transformatie werden voorgesteld – samen met datatransformatie – denk ik dat dat bij hen aansloeg”, zegt Iyengar.
Vaardigheden voor de toekomst
Het team van Iyengar vond succes door een use-case-benadering toe te passen, vergelijkbaar met die van een van de kernactiviteiten van Strauman. “We hebben vrijwel hetzelfde principe gevolgd van de voorbehandeling en de afbeeldingen na de behandeling die we aan onze patiënten laten zien”, zegt Iyengar.
Het team vroeg bedrijfsleiders om een aantal klantgerichte vectoren te kiezen om te illustreren hoe data-innovaties kunnen worden gebruikt om bedrijfsresultaten te stimuleren. Een van de doelen was het terugdringen van klantverloop. Het team begon met het splitsen van de neiging tot klantverloop in twee waarden: één voor het behouden van bestaande klanten en één voor het werven van nieuwe klanten. Het gebruikte typische levensduurwaarden van klanten en analyseerde kooppatronen om het marketingteam en het verkoopteam inzichten te bieden die ze konden gebruiken om hun strategieën te sturen.
Iyengar zegt dat het toepassen van deze aanpak voor het intern verkopen van digitale transformatie het werk veel gemakkelijker heeft gemaakt. “We zien dat veel investeringen worden goedgekeurd door alle bedrijven om dat initiatief te ondersteunen”, zegt hij.
In de tussentijd, terwijl het team ML- en AI-mogelijkheden begint uit te bouwen, is het ook absoluut noodzakelijk om het Data & Tech-team zelf te transformeren.
“De vaardigheden die we inherent hebben vanuit ons traditionele schoolstandpunt, passen niet bij het ML- en AI-gedeelte ervan”, zegt Iyengar. “Wat je daar nodig hebt, zijn statistici en wiskundigen, geen programmeurs en programmeurs, toch? Dus we hebben onszelf ook getransformeerd, cultureel en vanuit het oogpunt van vaardigheden. Dat kost zijn eigen tijd. We hebben een leercurve aan onze kant om de juiste vaardigheden in ons op te bouwen.
Iyengar vult de vaardigheden van zijn team aan met hulp van enterprise AI-specialist Findability Sciences. Het Findability.ai-platform van het bedrijf combineert machine learning, computervisie en natuurlijke taalverwerking (NLP) om klanten te helpen bij hun AI-traject.
“Ik heb veel traditionele ETL-vaardigheden in mijn team”, zegt hij. “Wat ik op dit moment niet heb, is de ML/AI-vaardigheden. Partners helpen ons daarbij.”
Uiteindelijk, zegt Iyengar, zullen deze veranderingen de manier veranderen waarop het Data & Tech-team communiceert met het bedrijf. Voorlopig werkt het volgens een gecentraliseerd “hub and spokes”-model. Maar hij zegt dat het inhuren van statistici en wiskundigen in zijn team niet schaalbaar zal zijn. In plaats daarvan wil hij ze binnen drie tot vijf jaar integreren in teams die dichter bij de business staan, zodat de bedrijven zelf modellen kunnen runnen.
“Op dit moment rijden we met de bus 100 mijl per uur en wisselen we tegelijkertijd de banden, wat op geen enkele manier schaalbaar zal zijn, hoewel ik trots ben op mijn team dat we het doen,” hij zegt.
