Van telraam naar machine learning (2016)

1
IG&H Consulting & Interim | Make strategy work!®
Intelligence | Van telraam naar machine learning... geen mythe
Intelligence
Van telraam naar machine learning... geen mythe
Koen Knaepen & Jorrit Molkenboer
IG&H Consulting & Interim | Financial Services België
mini paper 24 oktober 2016

2
Do(n’t) trust data analytics?
In de eerste maand van 2016 werden, met het oog op de komende presidentsverkiezingen 186
‘political polls’ uitgevoerd. The Guardian schreef er een kritisch blog over in dezelfde periode. Er
zijn redenen om ‘polls’ met voorzichtigheid te benaderen. Eén daarvan is bijvoorbeeld de rol van
de media die de uitslagen van ‘polls’ beïnvloeden.
Figuur 1: The Guardian
De herverkiezing van president Obama in 2012 was geen vanzelfsprekendheid als we sommige
polls mochten geloven. Om als overwinnaar uit de verkiezingen te komen, moesten concurrerende
kandidaten (Romney en Obama) de gunst van de kiezer in 10 ‘swingstates’ winnen.

3
De polls waren niet altijd in het voordeel van Obama. Het Obama-team was echter aanzienlijk
zekerder van winst. Dit zelfvertrouwen was gebaseerd op ‘data analytics’ in combinatie met de
tomeloze inzet van het campagneteam. Gedurende de campagne slaagde men er in om een
wetenschappelijk beeld te creëren van stemmers, op basis waarvan het campagne team en
vrijwilligers zeer gericht stemmen konden winnen. Uiteindelijk zegevierde Obama in negen van
de tien ‘swingstates’.
Hoe anders verliepen de laatste verkiezingen waar in de democraten een smadelijke nederlaag
leden tegen Trump. Het is een bijna cynische vraag: moeten we vertrouwen op polls en data
analytics? In de context van politieke verkiezingen zal het antwoord op die vraag altijd achteraf
gegeven worden. Niettemin is de kracht van data analytics en intelligence zeer toepasbaar in
financial services en insurance.
Van telraam naar machine learning
Analytics en intelligence zijn hét voorbeeld van (industriële) (r)evolutie. Rond 1800 zette waterkracht
en stoom de eerste industriële revolutie in gang. Elektriciteit veroorzaakte de tweede (ca. 1900)
en de derde volgde rond 1970 aangejaagd door automatisering. De vierde industriële revolutie
is ingezet. In toenemende mate is er sprake van democratisering, efficiency en connection,
aangejaagd door steeds verder gaande vormen van (artificial) intelligence.

4
Figuur 2: Democratisering, connection & efficiency
Niet alleen wordt de impact steeds meer zichtbaar in verzekeringsmarkten, ook de schaduwzijde
van de vierde revolutie wordt gevoeld op de Belgische en Nederlands arbeidsmarkt.
Democratisering
n Klanten krijgen meer inspraak, hebben meer
toegang tot eigendom, middelen en kennis die
eerder waren beperkt tot een bepaalde ‘elite’.
Connection
n Door mens bediende desktops, tablets en
smartphones raken in de minderheid. Meerderheid
‘gebruikers’ zijn intelligente devices.
Efficiency
n Onder invloed van technologie zullen functies
verdwijnen en overgenomen worden door
automatisering.

5
Intelligence is hét vliegwiel in de vierde industriële revolutie. Met de snelheid van het licht vinden
er fundamentele veranderingen plaats! Van telraam naar de HP rekenmachine en spreadsheets
naar machine learning. Gisteren kostte complexe beslissingsprocessen veel tijd en arbeid.
Vandaag maakt de ‘brutal force of computing’ in combinatie met big data en ‘geïndustrialiseerde
wiskunde’ (algoritmen) het mogelijk om – sneller dan de mens kan processen – beslissingen
voor te bereiden en te nemen. En dat is niet langer voorbehouden aan Amazon en Uber die eigen
machine learning platforms hebben.
Ook verzekeraars zien de opportuniteiten van intelligence. Tegenwoordig hebben de business en
de werkvloer inspraak en toegang hebben tot middelen en kennis, die eerder waren voorbehouden
tot het exclusieve werkgebied van data scientist, actuarissen, business analists.
Intelligence laten werken in de business
Sinds 2014 organiseert IG&H rondetafelbijeenkomsten met C- en C-1 level van verzekeraars
rondom de evolutie van verzekeringsmarkten. Op 24 oktober ’16 was in Brussel het onderwerp
“intelligence”: Neemt de kracht van intelligence mythische proporties aan, of levert intelligence
(en analytics) tastbare resultaten voor vandaag en morgen?
Gebaseerd op de ronde tafel, lijken verzekeraars - opmerkelijk genoeg - behoudend als het
gaat om vernieuwing. Is het vanuit concurrentieel perspectief dat men niet het achterste van de
tong wil laten zien? Ziet men de ‘down side’ voor de klant en afbrokkelende solidariteit onder
het verzekeringssysteem? Is de technologie nog te ongrijpbaar en te wiskundig? Toch is er over
één ding consensus: Het (fenomenale) tempo waarmee intelligence zich ontwikkeld, maakt dat
verzekeraars concreet de benefits van intelligence willen benutten. Liefst vandaag! De vraag is:
Hoe kunnen we intelligence werkend krijgen in de business?

6
Eerste stap lijkt het overwinnen van sceptici en managen van overenthousiaste ‘believers’. Scepsis
vanuit criticasters in de eigen organisatie die barrières zien op terrein van privacy, solidariteit,
compliance en toepasbaarheid. Aan de andere kant zijn er stakeholders die vanuit enthousiasme,
louter ongelimiteerde opportuniteiten zien.
De oplossing lijkt starten met ‘experimental learning’ in een beperkte omgeving met resultaat in
enkele werkdagen tot een paar weken:
i. Insights
n Naar welke inzichten zijn we op zoek?
n Welke experiment kan (het meeste) waarde creëren?
iii. Collaborate
n Met wie kunnen we het experiment uitvoeren (in en buiten de eigen
organisatie, ‘cloud’ of ‘on premise’)?
vi. Intelligence in action
n Oogsten business opportuniteiten line inclusief begeleiding en
trainen mensen
ii. Sourcing
n Welke interne data staat ons tot de beschikking en kunnen we die
verrijken met externe data tot een eenvoudig bruikbare dataset?
v. Evaluation
n Oplevering en debat rondom de uitkomsten (modelvergelijking,
betrouwbaarheid, toepasbaarheid in de business en work flows)
iv. Modelling
n Testen en trainen met het (predictive) datamodelling
vii. Moulding
n Review op resultaten, aanpassen van modellen en formuleren van
nieuwe insights

7
Figuur 3: Experimental learning
Intelligence werkend krijgen kan door eenvoudig weg te starten en samenwerking te zoeken.
Fundamentele studies op techniek, algoritmen en wiskundige modellen remmen het proces!
Of zoals een software engineer van Facebook het krachtig omschreef:
a
b
Modelling
Insights
Collaborate
Evaluation
Intelligence in action
Sourcing
Moulding
“In some of our earliest work to leverage AI and ML – such as delivering
the most relevant content to each person – we noticed that the largest
improvements often came from quick experiments, feature engineering, and
model tuning rather than applying fundamentally different algorithms.”

8
Snelheid en kracht van machine learning in autoverzekeringen
Deep Blue – IBM’s schaakcomputer – verloor een eerste schaakconfrontatie in
1996 met wereldkampioen schaken Garry Kasparov. Na een stevige upgrade van
Deep Blue, verloor Garry Kasparov in 1997 de rematch. Kasparov eiste opnieuw
een rematch, die er nooit van is gekomen. Het was de eerste kennismaking voor het
grotere publiek met de ‘brutal force of computing’. Vandaag zijn artificial intelligence
en machine learning niet meer weg te denken uit onze hedendaagse gedigitaliseerde
samenleving, zonder dat we het altijd beseffen. De quote van Amazon spreekt voor
zich:
Dergelijke vormen van intelligence worden omgeven door een mist van techniek en
mythes. Vandaag evolueert de techniek zo snel, dat het gebruik binnen handbereik
ligt. Hadden we ooit een telraam, rekenmachines en spreadsheets, nu is machine
learning de volgende stap in de evolutie.
Hoe te beginnen…:
n Klein en experimenteel starten
n Definieer een overzichtelijk business vraagstuk
n Start ‘supervised’, dus controle en toetsing op de uitkomsten vanuit expertise en
ervaring
n Start niet met ‘big data’
n Gebruik beschikbare tools
n Multidisciplinaire samenwerking
“There is nothing you can touch at Amazon, nothing on the website, nothing in
the business that is not run by Machine Learning. Everything you see […] runs
by an underlying Machine Learning system.”
- General Manager Amazon ML -

9
De kracht van machine learning in insurance wordt aangetoond door BigML.
Een Spaans-Amerikaans bedrijf dat zich specialiseert in machine learning as a
service. In samenwerking met BigML en Verzekeringen.be is voor de Belgische
markt van autoverzekeringen een werkend dynamic pricing model gemaakt.
Praktisch toepasbaar in de dagelijkse on- en offline salespraktijk.
Het is een voorspellend model dat de prijselasticiteit van autoverzekeringen
voorspelt. Het model kan gebruikt worden als aanvulling op: actuariële
berekeningen,pricingstrategie,businesscasesenvoorspellingenopontwikkeling
van het marktaandeel.

10
Over IG&H
IG&H Consulting & Interim is met 150 ervaren consulting & interim professionals het leidende
onafhankelijke adviesbureau in Nederland. Wij werken al ruim 25 jaar voor toonaangevende
ondernemingen in een drietal sectoren waarin de consument centraal staat: Financial Services,
Health en Retail, Trade & Logistics. Nieuwe verdienmodellen, omnichannel en e-commerce
bepalen de businessagenda in onze sectoren. We zetten volledig in op het succes van onze
klanten in deze nieuwe realiteit. IG&H laat zien dat deze transformatie ook anders kan, met
resultaat. Maak kennis met onze unieke ‘make strategy work!®
’ aanpak.
IG&H is door Jan van Hasenbroek en Kees van der Geer in 1988 opgericht, vanuit hun
studentenkamer in Rotterdam. 25 jaar later zijn 150 IG&H Consulting & Interim professionals
elke dag gedreven het verschil te maken naar klanten en medewerkers. We zijn trots op onze
medewerkerstevredenheid (MTO) van 8.1 in 2013. Onze klanttevredenheid gemeten in de Net
Promoter Score (NPS) steeg in 2013 naar +49.

11
Auteurs
IG&H Consulting & Interim
Hondiuslaan 102
Postbus 572
3528 AC Utrecht
I: www.igh.nl
T: +31 (0)30 20 40 900
F: +31 (0)30 20 40 999
Koen Knaepen
Partner
koen.knaepen@ighconsulting.be
Jorrit Molkenboer
Director
j.molkenboer@igh.nl

Van telraam naar machine learning (2016)

Recommended

Recommended

More Related Content

Similar to Van telraam naar machine learning (2016)

Similar to Van telraam naar machine learning (2016) (20)

Van telraam naar machine learning (2016)