Gennem de seneste tre år har et datateam i PFA arbejdet for at opbygge mere dynamiske tilbud ved hjælp den fulde data science-værktøjskasse. Nu har PFA slået sig sammen med NNIT for at skalere indsatsen til enterprise-niveau og skabe en mere effektiv struktur med en klar plan for implementering af data science-drift.
Med mere end 1,3 millioner kunder, der interagerer på tværs af en række kontaktflader og kanaler, har pensionsgiganten PFA adgang til en enorm mængde data. I tre år har et dedikeret 10-personers data science-team arbejdet flittigt med at bruge disse data til at skabe mere dynamiske tilbud til kunderne og mere effektive interne processer.
Formålet med disse data science-bestræbelser har altid været at give virksomheden en fordel på et stadig mere konkurrencedygtigt marked. Som PFA senior data scientist Johannes Waage udtrykker det, handler det om at styre tilbudskæden og målrette det rigtige tilbud til den rigtige kunde på det rigtige tidspunkt:
– Selvom vi er en 101 år gammel virksomhed med forholdsvis sikre og forudsigelige produkter, er pensionssektoren blevet langt mere konkurrencepræget i det seneste årti – og data spiller en stor rolle i den udvikling. Vi ønsker at udnytte den fulde data science-værktøjskasse til at skabe værdi for vores kunder og undgå at forstyrre dem med irrelevant kommunikation, siger Johannes Waage.
Opbygning af en organisatorisk datastruktur
I de første par år har PFA's data science-team nydt et højt niveau af autonomi, mens de gik forrest i forretningsdrevne projekter i en organisation med en temmelig konservativ tilgang til finansiel it – en naturlig konsekvens af at styre pensioner til en værdi af 600 milliarder kroner. Nu arbejder teamet med NNIT for at løfte PFA's data science-indsats til det næste niveau.
– Vi er nødt til at professionalisere vores data science-indsats og bevæge os videre fra vores startup-udgangspunkt. Ikke i den forstand at vi skal ud af laboratoriet, for vi har en velfungerende platform og en masse produktionsmodeller, men mere som en organisatorisk proces. Vi vil undgå at miste momentum på grund af vigtige, men tidskrævende krav til governance, compliance og operationel stabilitet, og derfor vil vi skabe en struktur på enterprise-niveau til implementering af data science-operationer, siger Johannes Waage.
Strukturen, der er bygget af NNIT og skræddersyet til PFA's behov, vil udstikke processen for at bringe produkter fra udvikling til produktion, hvilket giver et bedre internt overblik over de roller, profiler og færdigheder, der er behov for. Strukturen definerer også ansvaret for opgaver såsom serverstyring, modeludvikling, kildekontrol og testning, og sikrer, at opgaver, der ikke er data science, effektivt kan delegeres væk fra datateamet.
Fælles tankesæt
Med mange års erfaring og en sund blanding af kompetencer, herunder machine learning, data science, analytics og drift, har PFA's datateam allerede opbygget et højt modenhedsniveau. Alligevel er de i teamet glade for at slå sig sammen med NNIT.
– Det er en gave at arbejde med mennesker fra NNIT, der ikke alene besidder den nødvendige knowhow, men også deler vores tankegang om en iværksættertilgang til it. Det giver os et stærkt fundament for at forankre indsatsen på en solid måde i forhold til både skala og drift. Og da vores systemer hostes af NNIT, har vi adgang til inside-viden om den daglige drift, siger Johannes Waage.
Gør krav på data science-mandatet
Samarbejdet mellem PFA og NNIT har også kulturelle fordele. Fordi dataprojekter ofte er svære at passe ind i eksisterende rammer og udfordrer "business as usual", påvirker de samarbejdet mellem datateamet og resten af organisationen. Og med NNIT som tredjepartspartner, oplever teamet, at deres perspektiver og valg bliver valideret, ligesom det bidrager til at forventningsafstemme med andre interessenter.
– Det er nødvendigt at have en mening om best practices og valg af tools. Uden en centraliseret værktøjsstyring, mister du effektivitet. Processen med NNIT har hjulpet os til at finde et fælles fodslag med resten af organisation, konsolidere udfordringerne og gøre krav på mandatet til at køre data science, siger Johannes Waage og fortsætter:
– Den største udfordring er ikke arkitektur eller matematik, men at sikre en god proces, hvor du har buy-in, en klar køreplan og veldefinerede KPI'er. Data science er ikke en it-disciplin, men en separat forretningsdisciplin, der kræver et unikt sæt af færdigheder med deltagelse fra både it og forretning.
NNIT Scale Data Science
Scale Data Science er en tre-delt offering fra NNIT med fokus på business consultancy og platform-neutral AI governance. Målgruppen er organisationer, der allerede er i gang med AI og ønsker et samarbejde, der kan rykke dataprojekterne fra eksperimenter til drift.
Indholdet i Scale Data Science fokuserer på disse tre områder:
- Kultur og mindset
- Metoder
- Platform og værktøjer
Scale Data Science udspringer af NNIT's program for business entrepreneurship, Business Innovation Growth (BIG).
