Auteur

Image

Athena Sharma - Artefact

Adviserend Directeur

Leiding wereldwijde financiële diensten

Auteur

Image

Chris Bannocks - QBE Verzekeringen

Groepschef Data

Athena Sharma, Consulting Director en Global Financial Services Lead bij Artefact, en Chris Bannocks, Group Chief Data Officer bij QBE Insurance bespreken data volwassenheid - wat het is, welke rol het vandaag de dag speelt in het bedrijfsleven, en waarom het een bijzondere uitdaging is voor banken, verzekeringsmaatschappijen, makelaarskantoren, kredietverenigingen en andere bedrijven in de financiële dienstensector.

Wat bedoelen we als we het hebben over de rijpheid van data?

In grote lijnen meet data volwassenheid het niveau van het vermogen van een organisatie om waarde te creëren uit haar data. Om een hoog niveau van maturiteit te bereiken, moet data diep verankerd zijn in de hele organisatie en volledig geïntegreerd zijn in elke beslissing en activiteit. Het is een sleutelfactor voor succesvolle digitale transformatie. Hoe volwassener het is, hoe meer concurrentievoordelen een bedrijf zal hebben.

Om de data-volwassenheid te meten, wordt een volwassenheidsmodel gebruikt om de verschillende data- en digitale capaciteiten van een bedrijf te beoordelen. “Er zijn veel verschillende maturiteitsmodellen beschikbaar, maar ze gebruiken allemaal een reeks vragen om het maturiteitsniveau van een bedrijf te beoordelen op veel verschillende dimensies,” legt het bedrijf uit. Chris Bannocks. “Deze omvatten de capaciteiten - of volwassenheid - van een bedrijf op het gebied van architectuur, mensen, analyse, ethiek, privacy enzovoort. Het is een objectieve meting die kan worden uitgevoerd door een onafhankelijke beoordeling of door zelfbeoordeling.

“Het resultaat is een aggregatie, dus bedrijven moeten beslissen waar ze meer data maturiteit willen verwerven en waar minder acceptabel is. U hoeft niet in elke dimensie op het hoogste niveau te zitten. U moet zich afvragen: ‘Volwassenheid voor welk doel?’”
zegt Chris Bannocks.

Waarom is de looptijd van data vooral belangrijk voor financiële instellingen?

Omdat regelgeving van cruciaal belang is in de financiële wereld, is het waarschijnlijker dat data goed gecontroleerd, goed beheerd, goed bestuurd en veilig is, naarmate de looptijd van een bank of verzekeringsmaatschappij hoger is.

“Data zoals risicometrics, klantverklaringen of financiële rapportage kunnen als nauwkeuriger worden beschouwd als gevolg van data volwassenheid op die gebieden,” zegt Chris Bannocks.

Maar regelgeving is niet de enige drijfveer voor data volwassenheid. Een data volwassen financiële instelling (FI) kan gebruik maken van het volledige spectrum van oplossingen die big data analytics en AI te bieden hebben, wat leidt tot betere besluitvorming, een meer verbonden bedrijf en een groter concurrentievoordeel. Een meer data volwassen verzekeringsmaatschappij zou bijvoorbeeld beter zijn in het gebruik van AI om gepersonaliseerde verzekeringsrisico's voor elke klant te bepalen, wat leidt tot beter op maat gemaakte polissen en aanzienlijke zakelijke voordelen.

“Het inzetten van AI en big data analytics voor data gedreven besluitvorming, het mogelijk maken van meer personalisatie en het optimaliseren van processen is een kritieke succesfactor voor banken en verzekeringsmaatschappijen. Maar het overwinnen van legacy data maturiteitsuitdagingen blijft een primaire blokkade,” aldus de CEO.”
zegt Athena Sharma.

Waar staan financiële instellingen momenteel op de data looptijdschaal?

Veel FI's benaderen data-volwassenheid nog steeds als een nulsomspel - je bent data-volwassen of je bent het niet. In plaats daarvan moet data-volwassenheid worden gezien als een spectrum, waarbij verschillende gradaties van volwassenheid geschikt zijn voor verschillende onderdelen van het bedrijf, zegt Athena. “Deze gesegmenteerde kijk op volwassenheid maakt de data-uitdaging beter verteerbaar voor FI's, zodat ze zich eerst kunnen richten op prioriteitsgebieden en de volwassenheid kunnen uitruilen voor gebieden die misschien niet zo belangrijk zijn voor het bedrijf, of die een lagere ROI genereren.”

Volgens Chris zitten de meeste financiële instellingen op een data-volwassenheidsschaal van 1 tot 5 ergens tussen 3 en 4 in. “FI's hebben grote vooruitgang geboekt omdat ze al zo'n 15 jaar hard aan het werk zijn op het gebied van maturiteit en capaciteiten. Maar als u naar beneden duikt en kijkt naar data kwaliteit of architectuur of ethiek, dan ziet u verschillende niveaus van maturiteit afhankelijk van de sector.”

Met welke uitdagingen worden financiële instellingen geconfronteerd in het data-volwassenheidstraject?

De complexiteit en ouderdom van legacy-architectuur en -systemen blijven een van de grootste uitdagingen voor banken en verzekeringsmaatschappijen. Van de 100 grootste banken ter wereld vertrouwen er 92 nog steeds op het IBM mainframe voor hun activiteiten. Het gebruik van een verouderd systeem betekent een gebrek aan flexibiliteit en een architectuur die de groeiende werklasten niet aankan, vooral als het gaat om Big Data.

“Als gevolg van deze uitdagingen moeten FI's hun verwerkingscapaciteit uitbreiden of hun bestaande architectuur opnieuw opbouwen, wat beide zeer arbeidsintensieve en tijdrovende oplossingen zijn. Dit staat in schril contrast met wendbare FinTechs, die vanaf het begin wendbaar en klantgericht kunnen blijven,” aldus de directeur.”
zegt Athena Sharma.

De tweede belangrijke uitdaging heeft te maken met mensen en organisatorische complexiteit. Gedragsverandering en acceptatie zijn moeilijk te realiseren in alle sectoren, niet alleen in financiële instellingen. Maar de organisatorische complexiteit van financiële instellingen maakt het moeilijker om data verantwoordelijkheid en eigenaarschap te stimuleren en bedrijfswaarde te leveren.

Chris: “Voor mensen in het bank- en verzekeringswezen kan het gemakkelijker zijn om gedrag te veranderen, omdat ze gewend zijn aan een gereguleerde omgeving en dingen als data governance gemakkelijker kunnen overnemen dan mensen in andere sectoren. Maar de omvang en complexiteit van de organisatiestructuren zelf kunnen verschillende eisen stellen vanuit het perspectief van data volwassenheid: een retailbank heeft een andere volwassenheid nodig dan een investeringsbank. Het verschil kan klein zijn, maar het vereist wel dat de reactie op elk project op maat gemaakt wordt in termen van bedrijfswaarde, niet alleen regelgevende waarde.”

Welke stappen kunnen financiële instellingen nemen om meer data volwassen te worden?

Het algemene antwoord is om sneller naar analytics toe te werken. Hier volgen enkele stappen die FI's kunnen nemen om dit te bereiken:

  • Beoordeel de funderingen: FI's moeten beginnen met een uitgebreide audit van hun data foundations, niet alleen door de technische mogelijkheden te beoordelen, maar ook door de juiste zakelijke vragen te stellen. “In de meeste gevallen zijn de bestaande fundamenten goed genoeg. Zodra financiële instellingen data-volwassenheidsmaatregelen om zich heen beginnen te zetten, zullen ze stapsgewijs verbeteren,” zegt Chris.

  • Pilot de juiste use cases: FI's moeten een wendbare aanpak hanteren waarbij ze “veranderen door nu te handelen, in plaats van te handelen nadat verandering heeft plaatsgevonden”, aldus Athena. In de praktijk betekent dit het selecteren van use cases die specifieke bedrijfsproblemen aanpakken, het opstellen van vereisten om deze use cases mogelijk te maken en het wijzigen van data-volwassenheidsparameters in overeenstemming met deze vereisten. Dit maakt verandering beter beheersbaar en effectiever.

  • Realiseer waarde in een vroeg stadium om de vaart erin te houden: Een belangrijke tegenslag is dat grootschalige transformatieprojecten na verloop van tijd momentum verliezen en het realiseren van waarde te lang duurt of soms helemaal niet plaatsvindt. Een use case-gestuurde agile benadering van data-volwassenheid maakt vroegtijdige realisatie van waarde mogelijk, en dus een grotere buy-in van het bedrijf.

  • Houd mensen in het middelpunt van de verandering: Volgens Chris “moet Data-volwassenheid de menselijke component omvatten en begrijpen, evenals de consumptie en het gebruik van data binnen het model, niet alleen de manier waarop u het beheert tot aan het eindpunt. Om echte waarde uit een data-volwassenheidsmodel te halen, moeten al deze componenten worden opgenomen.”