Straumann Group正在用資料和AI改造牙科

來源：【計算機世界】

【導語】Straumann Group 是牙科植入物、正畸和數字牙科的全球制造商和供應商。這家公司正通過機器學習和人工智能增強其業務，将PB級的資料轉換為資産。

Straumann Group 的北美區資料與技術總監 Sridhar Iyengar 給自己設立了一個大膽的使命。将這家有近 70 年曆史的公司的資料和技術組織轉變為向全球牙科植入物、修複術、正畸和數字牙科的制造商和供應商提供服務的資料即服務供應商，并向業務相關者提供機器學習（ML）的服務。

Iyengar 表示：“我的願景是，我可以把權限交給我的企業團隊，由他們自己管理資料和運作資料，而不是由資料與技術團隊承擔核心職能并協助他們完成。”

如果實作這個願景那将是了不起的成就。Straumann Group 的總部位于瑞士巴塞爾，在 100 多個國家開展業務，擁有 PB 級的資料。這龐大的資料中包括了高度結構化的客戶資料、關于治療和實驗室請求的資料、營運資料，以及大量的、不斷增長的非結構化資料，特别是圖像資料。例如，該公司的正畸業務大量使用圖像處理，以至于非結構化資料正以每月約 20%至 25%的速度增長。

成像技術的進步為 Straumann Group 帶來為客戶提供新功能的機會。例如，成像資料可用于向患者展示矯治器将如何随着時間的推移改變他們的外貌。

Iyengar 指出：“這給我們的供應商在銷售他們的服務時提供了很大的動力，同時也為我們從病人那裡獲得了更多的 NPS（淨推薦值）。”他相信人工智能将在 Straumann 的圖像處理和實驗室治療業務中發揮關鍵作用。這也是他大力推動為資料和技術團隊的内部客戶提供 ML 服務的原因。他表示：“他們所要做的隻是建立他們的模型，然後用它運作就可以了。”

但是，為了用 ML 和 AI 增強其各種業務，Iyengar 的團隊首先必須打破組織内部的資料孤島，并改造公司的資料營運。他指出：“數字化是我們在資料旅程中的投下的第一個籌碼。”

推銷資料轉型的價值

Iyengar 和他的團隊在為期三到五年的計劃中已經走過了 18 個月。這項資料計劃從建構資料層開始，也就是将 ERP、CRM 和傳統資料庫等資料源整合到結構化資料的資料倉庫和非結構化資料的資料湖中。

這一步驟主要由開發人員和資料架構師承擔，建立了資料治理和資料整合。現在，該團隊的資訊架構師與業務分析師一起，正在研究語義層，将資料倉庫和資料湖中的資料輸入資料集市，包括财務集市、銷售集市、供應鍊集市和市場集市。在合作夥伴 Findability Sciences 的幫助下，下一個目标将是建立起 ML 和 AI 管道，使其成為可以支援預測性和規範性分析的資訊傳遞層。

他表示：“随着資訊層的成熟，ML 和 AI 将開始看到一些萌芽。”他認為，盡管當他在 2021 年簽約時，資料轉型已經是一個迫切的需求，但他希望拿出更有說服力的願景來說服董事會和業務上司人來解決這個問題。

為此，他的資料戰略依靠的是一個防禦性和進攻性的比喻。防禦層包括資料管理的傳統要素，如資料治理和資料品質。進攻層則是人工智能和進階分析的領域，其作用不僅僅是洞察和業務優化。

Iyengar 表示：“進攻就是如何創造收入，從我們收集的曆史資料中獲得所有的洞察力。事實上，也就是預測即将到來的趨勢。我們在進攻領域得到的大部分資料都是非結構化的，我們要確定這些資料對業務上司人有意義，并幫助他們協調和豐富這些資料，使他們能夠更有效地服務于他們的客戶，使客戶得到服務并以更強大、無摩擦的方式利用 Straumann 的服務。”

毫不奇怪，正是進攻性的一面讓 Straumann 的董事會投資于 Iyengar 提出的轉型計劃。

Iyengar 說：“當以客戶為中心和數字化轉型的理念，以及資料轉型的思路被提出來時，我認為這與他們産生了共鳴。”

為未來做準備

Iyengar 的團隊通過采用用例的方式取得成功，這與 Strauman 的核心業務并無不同。Iyengar 說：“我們幾乎采用了向病人展示的治療前和治療後圖像的相同原則。”

團隊要求公司上司挑選一些以客戶為中心的向量，以說明如何利用資料創新來推動業務成果。其中一個目标是降低客戶流失率。團隊首先将流失傾向分成兩個值：一個是保留現有客戶，一個是擷取新客戶。它使用了典型的客戶終身價值，并分析了購買模式，為營銷團隊和銷售團隊提供了他們可以用來推動其戰略的見解。

Iyengar 認為，采用這種方法在内部推廣數字化轉型，使工作變得更加容易。他說：“我們看到所有業務都準許了支援這一舉措的各項投資。”

同時，随着團隊開始建立 ML 和 AI 能力，資料和技術團隊本身的轉型也勢在必行。

Iyengar 說：“從傳統學校的角度來看，我們固有的技能組合并不适合 ML 和 AI 的部分。你在那裡需要的是統計學家和數學家，而不是程式員和編碼員，對嗎？是以，我們也一直在從文化和技能的角度改造自己。這有其時間規律。我們有一條在我們内部建立正确的技能組合學習曲線。”

Iyengar 正在企業人工智能專家 Findability Sciences 的幫助下，補充其團隊的技能組合。Findability Sciences 的 Findability.ai 平台結合了機器學習、計算機視覺和自然語言處理（NLP）來幫助客戶實作自身的人工智能之旅。

Iyengar 說：“我的團隊裡有很多人具備傳統的 ETL 技能，缺乏的是 ML/AI 技能組合。我們的合作夥伴正在這個領域幫助我們。”

Iyengar 表示，最終，這些變化将改變資料和技術團隊與業務的互動方式。目前，它在一個集中的輪輻模式下運作。但他認為，他的團隊中對統計學家和數學家的需求是不可擴充。相反，他真正想要的是在三到五年内将他們嵌入到更接近業務線的團隊中，這樣企業就可以自己運作模型。

他說：“現在，我們是以每小時 100 英裡的速度駕駛公共汽車的同時更換輪胎，這無論如何都不可能進一步擴充。盡管我為我的團隊感到驕傲，我們正在這樣做。”

本文來自【計算機世界】，僅代表作者觀點。全國黨媒資訊公共平台提供資訊釋出傳播服務。

ID：jrtt