🎓 Я — ваш переводчик с «аналитического» на «бизнес». Приятно познакомиться.
Привет, друзья!☕️
Вам показывали дэшборд, после которого единственным понятным решением было выпить кофе? Я знаю эту боль. Коллеги-руководители часто пишут мне: «Аналитики прислали кучу графиков. Куда смотреть? А главное, куда двигаться дальше?».
Проблема не в людях. Проблема — в «разных языках». Вы спрашиваете: «Куда плыть?». Вам отвечают: «Мы измерили солёность воды и спектр птичьего помёта на палубе!».
Этот блог — мой собственный поиск верного решения. Кто я? Аналитик со стажем, начальник управления аналитики в СОГАЗ, ex-начальник андеррайтинга в Ингосстрах, автор курса для андеррайтеров ДМС.
Вот первый рабочий инструмент. Задайте этот вопрос любому графику:
«Какое конкретное решение я приму, глядя на эти данные?»
Нет ответа? Значит, это просто шум. Нас ждёт практика: как ставить задачи аналитикам, читать дэшборды и проверять гипотезы без лишней теории.
P.S. Чтобы доказать, что я не «коуч с улицы», дипломы ВМиК МГУ, МГИМО, Data Science и практический опыт в страховании с 2008 года — в моих сторис. Всё честно.
Подписывайтесь, будем учиться управлять данными, а не тонуть в них.♥️
Привет, друзья!☕️
Вам показывали дэшборд, после которого единственным понятным решением было выпить кофе? Я знаю эту боль. Коллеги-руководители часто пишут мне: «Аналитики прислали кучу графиков. Куда смотреть? А главное, куда двигаться дальше?».
Проблема не в людях. Проблема — в «разных языках». Вы спрашиваете: «Куда плыть?». Вам отвечают: «Мы измерили солёность воды и спектр птичьего помёта на палубе!».
Этот блог — мой собственный поиск верного решения. Кто я? Аналитик со стажем, начальник управления аналитики в СОГАЗ, ex-начальник андеррайтинга в Ингосстрах, автор курса для андеррайтеров ДМС.
Вот первый рабочий инструмент. Задайте этот вопрос любому графику:
«Какое конкретное решение я приму, глядя на эти данные?»
Нет ответа? Значит, это просто шум. Нас ждёт практика: как ставить задачи аналитикам, читать дэшборды и проверять гипотезы без лишней теории.
P.S. Чтобы доказать, что я не «коуч с улицы», дипломы ВМиК МГУ, МГИМО, Data Science и практический опыт в страховании с 2008 года — в моих сторис. Всё честно.
Подписывайтесь, будем учиться управлять данными, а не тонуть в них.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4🔥3👍1
🚦 Случалось ли вам в жизни или на работе принимать решения, которые не приводили к цели?
Уверена, что было. И у меня. Для себя я точно поняла: если хочу найти решение, основанное на данных, нужен отчет/дэшборд, отвечающий на ТРИ ключевых вопроса. Не больше.
1. Метрика Результата: «Куда мы плывём?»
Это ваша ключевая цель, переведенная в цифры. Например, «MRR (ежемесячная регулярная выручка)» или «Стоимость клиента (LTV)». Одна цифра, за которую вы отчитываетесь перед руководством/бизнесом. Она показывает, верен ли вообще ваш курс. Одна, но.. нет. Показатель - один, но если бизнес разный, то нужна сегментация.
В страховании я бы взяла «технический результат в разрезе видов». Одна цифра будет бесполезна. Но видя вклад корпоратива, банковского и цифрового каналов, вы понимаете, кто тянет и кто проседает.
2. Метрика Процесса: «Работают ли наши вёсла?»
Результат — это следствие. А эта метрика — причина. Она измеряет главное действие, которое к этому результату приводит.
Для отдела продаж — это не «число закрытых сделок» (результат), а «количество качественных лидов в неделю» (процесс).
Для отдела поддержки — не «удовлетворенность» (результат), а «среднее время решения проблемы» (процесс).
В страховании в целом можно взять «% оттока клиентов». Рост этого показателя — фиксирует сбой в операционке: организация услуг, тарификация, работа с клиентом.
3. Метрика Здоровья: «Не течёт ли лодка?»
Это опережающий индикатор проблем. Чаще всего — это метрика команды или клиента.
NPS (лояльность) ваших основных клиентов.SLA колл-центра.
Если здесь начинается шторм, скоро он доберется и до Метрики Результата.
Для страхования ДМС это «средний чек». Он отражает и инфляцию и заболеваемость. Это прямой сигнал к действию для андеррайтинга и экспертизы.
Три метрики. Всё остальное оставим для глубокого анализа, но не для ежедневного руления.
Согласны? Или считаете, что нужно иметь 10-15 показателей на виду, чтобы не упустить проблему?
Уверена, что было. И у меня. Для себя я точно поняла: если хочу найти решение, основанное на данных, нужен отчет/дэшборд, отвечающий на ТРИ ключевых вопроса. Не больше.
1. Метрика Результата: «Куда мы плывём?»
Это ваша ключевая цель, переведенная в цифры. Например, «MRR (ежемесячная регулярная выручка)» или «Стоимость клиента (LTV)». Одна цифра, за которую вы отчитываетесь перед руководством/бизнесом. Она показывает, верен ли вообще ваш курс. Одна, но.. нет. Показатель - один, но если бизнес разный, то нужна сегментация.
В страховании я бы взяла «технический результат в разрезе видов». Одна цифра будет бесполезна. Но видя вклад корпоратива, банковского и цифрового каналов, вы понимаете, кто тянет и кто проседает.
2. Метрика Процесса: «Работают ли наши вёсла?»
Результат — это следствие. А эта метрика — причина. Она измеряет главное действие, которое к этому результату приводит.
Для отдела продаж — это не «число закрытых сделок» (результат), а «количество качественных лидов в неделю» (процесс).
Для отдела поддержки — не «удовлетворенность» (результат), а «среднее время решения проблемы» (процесс).
В страховании в целом можно взять «% оттока клиентов». Рост этого показателя — фиксирует сбой в операционке: организация услуг, тарификация, работа с клиентом.
3. Метрика Здоровья: «Не течёт ли лодка?»
Это опережающий индикатор проблем. Чаще всего — это метрика команды или клиента.
NPS (лояльность) ваших основных клиентов.SLA колл-центра.
Если здесь начинается шторм, скоро он доберется и до Метрики Результата.
Для страхования ДМС это «средний чек». Он отражает и инфляцию и заболеваемость. Это прямой сигнал к действию для андеррайтинга и экспертизы.
Три метрики. Всё остальное оставим для глубокого анализа, но не для ежедневного руления.
Согласны? Или считаете, что нужно иметь 10-15 показателей на виду, чтобы не упустить проблему?
❤2
💭 Почему цифровизация не создала нам нового клиента? Осечка рынка личного страхования.
По следам конференции «Лидеры страхового рынка». Много говорили о цифре, данных, экосистемах и заходе в страховой рынок маркетплейсов. Но за деревом технологий не услышала главного: рынок страхования в России за 30+ лет так и не вышел из младенческого возраста.
Охвачено ДМС ~10 млн человек. В стране — 140+ млн. Да, не все платёжеспособны. Но я отказываюсь верить, что кроме этих 10 млн, у нас нет никого. Мы просто не смогли до них достучаться.
Правда в том, что у нас нет осознанного спроса. Есть только три двигателя продаж:
1. Обязаловка (как ОСАГО или ипотека). Все спортивные секции должны иметь страховку - и вот вам прорыв в детском НС.
2. «Вменёнка» от банков или нишевиков. Типа пакетного страхования держателей карт или коротких страховок такси.
3. Корпоративный сектор. За тебя уже всё решил работодатель.
Мы стали экспертами по продаже тем, кто покупать не хочет. Мы автоматизировали процессы, создали личные кабинеты, но не создали продукт, который люди хотят купить.
Почему в Европе человек сам идёт за страховкой? Он чётко видит ценность: защиту своего дохода, здоровья, благополучия семьи. А что наш средний человек видит у нас?
Мы пытались дать ему «цифру», но не дали понятную ценность. Ускоряем продажу, урегулирование, но так и не продали идею защищённости.
Может дело в «русском авось». А может, в том, что мы, просидев 30 лет в уютном корпоративном сегменте, разучились разговаривать с живым человеком и решать его реальные проблемы? Смогут ли это сделать банки и маркетплейсы?..
Вот такая фрустрация по итогам форума.
По следам конференции «Лидеры страхового рынка». Много говорили о цифре, данных, экосистемах и заходе в страховой рынок маркетплейсов. Но за деревом технологий не услышала главного: рынок страхования в России за 30+ лет так и не вышел из младенческого возраста.
Охвачено ДМС ~10 млн человек. В стране — 140+ млн. Да, не все платёжеспособны. Но я отказываюсь верить, что кроме этих 10 млн, у нас нет никого. Мы просто не смогли до них достучаться.
Правда в том, что у нас нет осознанного спроса. Есть только три двигателя продаж:
1. Обязаловка (как ОСАГО или ипотека). Все спортивные секции должны иметь страховку - и вот вам прорыв в детском НС.
2. «Вменёнка» от банков или нишевиков. Типа пакетного страхования держателей карт или коротких страховок такси.
3. Корпоративный сектор. За тебя уже всё решил работодатель.
Мы стали экспертами по продаже тем, кто покупать не хочет. Мы автоматизировали процессы, создали личные кабинеты, но не создали продукт, который люди хотят купить.
Почему в Европе человек сам идёт за страховкой? Он чётко видит ценность: защиту своего дохода, здоровья, благополучия семьи. А что наш средний человек видит у нас?
Мы пытались дать ему «цифру», но не дали понятную ценность. Ускоряем продажу, урегулирование, но так и не продали идею защищённости.
Может дело в «русском авось». А может, в том, что мы, просидев 30 лет в уютном корпоративном сегменте, разучились разговаривать с живым человеком и решать его реальные проблемы? Смогут ли это сделать банки и маркетплейсы?..
Вот такая фрустрация по итогам форума.
1❤3👍3
✅ Ставим задачу аналитикам правильно
Привет, друзья! ☕️
Продолжаем разговор.
Я обещала разобрать, как формулировать запросы к аналитикам, чтобы они не закатывали глаза и не уходили в “глубокий анализ” на месяц, а приносили именно то, что поможет вам принять решение.
Давайте разберёмся по шагам. Представьте: вы - капитан, аналитики - ваша команда на мостике. Вы не говорите: “Расскажите про океан”. Вы говорите: “Куда нам плыть, чтобы не налететь на рифы, и сколько топлива уйдёт?”
Шаг 1: Начните с бизнес-вопроса, а не с данных.
Вместо “Покажите динамику продаж” спросите: “Какие сегменты клиентов падают в продажах, и почему это происходит? Какие действия мы можем предпринять, чтобы поднять их на 10% в следующем месяце?”
Почему так? Потому что аналитики любят копать данные, но без контекста они просто роют яму. А так вы получите не просто цифры, а рекомендации: “Вот сегмент X, проблема в Y, попробуйте Z”.
Шаг 2: Укажите, что вам нужно на выходе.
Не “дэшборд”, а “таблица с топ-3 причинами падения и предложениями по фиксу”. Или “график с прогнозом на квартал, если мы изменим цену”. Это как заказ в ресторане: мы же не просим “принесите еду”, а говорим - “стейк медиум с гарниром”.
Шаг 3: Задайте дедлайн и формат обсуждения.
“К пятнице, и давайте обсудим на встрече, что из этого мы внедрим сразу?” Это мотивирует, потому что аналитики тоже хотят видеть, как их работа меняет бизнес, а не лежит в папке “Архив”.
В следующий раз разберём, как читать отчёты аналитиков, чтобы не тонуть в деталях, а вылавливать главное.
Подписывайтесь, чтобы не пропустить! 🩶
P.S. Если вы аналитик и читаете это - не обижайтесь, мы в одной лодке 😉 Но надо признать, что мало кто из аналитиков может сам качественно доформулировать задачу, и лучше, если это сделает бизнес
Привет, друзья! ☕️
Продолжаем разговор.
Я обещала разобрать, как формулировать запросы к аналитикам, чтобы они не закатывали глаза и не уходили в “глубокий анализ” на месяц, а приносили именно то, что поможет вам принять решение.
Давайте разберёмся по шагам. Представьте: вы - капитан, аналитики - ваша команда на мостике. Вы не говорите: “Расскажите про океан”. Вы говорите: “Куда нам плыть, чтобы не налететь на рифы, и сколько топлива уйдёт?”
Шаг 1: Начните с бизнес-вопроса, а не с данных.
Вместо “Покажите динамику продаж” спросите: “Какие сегменты клиентов падают в продажах, и почему это происходит? Какие действия мы можем предпринять, чтобы поднять их на 10% в следующем месяце?”
Почему так? Потому что аналитики любят копать данные, но без контекста они просто роют яму. А так вы получите не просто цифры, а рекомендации: “Вот сегмент X, проблема в Y, попробуйте Z”.
Шаг 2: Укажите, что вам нужно на выходе.
Не “дэшборд”, а “таблица с топ-3 причинами падения и предложениями по фиксу”. Или “график с прогнозом на квартал, если мы изменим цену”. Это как заказ в ресторане: мы же не просим “принесите еду”, а говорим - “стейк медиум с гарниром”.
Шаг 3: Задайте дедлайн и формат обсуждения.
“К пятнице, и давайте обсудим на встрече, что из этого мы внедрим сразу?” Это мотивирует, потому что аналитики тоже хотят видеть, как их работа меняет бизнес, а не лежит в папке “Архив”.
В следующий раз разберём, как читать отчёты аналитиков, чтобы не тонуть в деталях, а вылавливать главное.
Подписывайтесь, чтобы не пропустить! 🩶
P.S. Если вы аналитик и читаете это - не обижайтесь, мы в одной лодке 😉 Но надо признать, что мало кто из аналитиков может сам качественно доформулировать задачу, и лучше, если это сделает бизнес
👍4❤2
📖 Читаем отчет «на аналитическом»
Привет, друзья! ☕️
Продолжаем разговор. В прошлом посте мы разобрали, как ставить задачи аналитикам, чтобы получать не просто данные, а реальные инсайты для бизнеса. А сегодня поговорим о том, как читать их отчёты.
Представьте: аналитики принесли вам карту океана с отметками глубин, ветров и течений. Вы же не станете изучать каждый сантиметр — вы ищете маршрут, рифы и сокровища. Так и с отчётами: фокусируйтесь на том, что помогает плыть дальше.
Шаг 1: Начните с executive summary («коротко о главном). Если его нет — попросите добавить в следующий раз. Что нашли? Почему это важно? Какие рекомендации? Если summary не даёт ответа на ваш исходный бизнес-вопрос, отчёт нужно доработать.
Шаг 2: Ищите связь с бизнес-процессами. Смотрите на графики и таблицы как на историю бизнеса. Какой процесс за этим стоит? Что мы можем изменить? Если аналитики не связали данные с действиями — задайте четкие допвопросы.
Кривая продаж падает?
Спросите: «Какой процесс сломался? Логистика, производство, качество лидов?»
Клиенты уходят?
Уточните: «После какого именно их касания с нашим сервисом это происходит?»
Цель — превратить «продажи упали на 5%» в «продажи упали на 5% из-за роста времени доставки в регионе X».
Шаг 3: Проверяйте на actionable insights («ценные идеи»). Каждый раздел отчёта должен заканчиваться выводами: “Что это значит для нас? Что делать?” Если отчёт — сплошные данные без интерпретации, отправьте обратно с вопросом: “На основе этого я могу принять решение X или Y?”
В следующий раз поговорим о костылях (да, они есть не только в ИТ). Как вам такой план?
Подписывайтесь, чтобы не пропустить!♥️
Привет, друзья! ☕️
Продолжаем разговор. В прошлом посте мы разобрали, как ставить задачи аналитикам, чтобы получать не просто данные, а реальные инсайты для бизнеса. А сегодня поговорим о том, как читать их отчёты.
Представьте: аналитики принесли вам карту океана с отметками глубин, ветров и течений. Вы же не станете изучать каждый сантиметр — вы ищете маршрут, рифы и сокровища. Так и с отчётами: фокусируйтесь на том, что помогает плыть дальше.
Шаг 1: Начните с executive summary («коротко о главном). Если его нет — попросите добавить в следующий раз. Что нашли? Почему это важно? Какие рекомендации? Если summary не даёт ответа на ваш исходный бизнес-вопрос, отчёт нужно доработать.
Шаг 2: Ищите связь с бизнес-процессами. Смотрите на графики и таблицы как на историю бизнеса. Какой процесс за этим стоит? Что мы можем изменить? Если аналитики не связали данные с действиями — задайте четкие допвопросы.
Кривая продаж падает?
Спросите: «Какой процесс сломался? Логистика, производство, качество лидов?»
Клиенты уходят?
Уточните: «После какого именно их касания с нашим сервисом это происходит?»
Цель — превратить «продажи упали на 5%» в «продажи упали на 5% из-за роста времени доставки в регионе X».
Шаг 3: Проверяйте на actionable insights («ценные идеи»). Каждый раздел отчёта должен заканчиваться выводами: “Что это значит для нас? Что делать?” Если отчёт — сплошные данные без интерпретации, отправьте обратно с вопросом: “На основе этого я могу принять решение X или Y?”
В следующий раз поговорим о костылях (да, они есть не только в ИТ). Как вам такой план?
Подписывайтесь, чтобы не пропустить!
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2👍2🔥1
♾️Почему пора остановить конвейер по производству костылей
Привет, друзья!☕️
Проблема, которую вижу повсеместно: аналитик вместо анализа чистит выгрузки, пытается кодом править «кривизну» в столбцах датасета и борется с аномалиями, которые на поверку оказываются реальными, но неудобными кейсами.
Преобразование данных «ручками» – не работа, это костыль. Дорогой, неэффективный и убивающий ценность анализа.
Почему бизнес мирится с этим?
Потому что задача «бежать к клиентам» всегда кажется приоритетнее, чем «правильно заполнить справочник». Эффект от качества данных — не на поверхности. Но если вы ждёте data driven инсайтов, без этого не обойтись:
✔️Модель, построенная на данных, где 30% признака «не заполнено», а еще столько же – «текст с ошибками» никогда не увидит реальные риски.
✔️Экономика простая: если стоимость ошибки из-за некачественных данных (недополученная прибыль, ошибочные выплаты) > стоимости внедрения контроля на вводе, делаем второе.
Сказать - легко, посчитать сложнее. Что делать?
1. Посчитайте стоимость одного «костыля». Сколько человеко-часов в месяц уходит на рутинную чистку? Умножьте на ФОТ.
2. Найдите «больной» показатель. Покажите на примере, как «кривые» данные искажают ключевую метрику (например, убыточность по продукту).
3. Предложите точечное решение. Начните с одного, но критичного поля. Например: «Давайте внедрим верификацию и дообогащение диагнозов на вводе».
Качество данных — это не «техническая проблема аналитиков». Это управленческая задача, для которой лучшие практики решения: на вводе (rpa) или на этапе миграции (etl), но не внутри скрипта аналитика.
В следующий раз разберём свежий кейс из ИИ-исследований: как агенты на reinforcement learning могут оптимизировать диагностику в медицине. Кстати, им тоже без чистых данных никак😉.
Подписывайтесь, чтобы не пропустить 🖤
P.S. Если вы аналитик, вот вам простой лайфхак на сегодня: Перед следующим отчётом добавьте раздел “Предположения о данных”: Анализ основан на 70% чистых данных; если улучшить ввод, точность вырастет на 15%. Это мягко подтолкнёт бизнес к разговору.
Привет, друзья!☕️
Проблема, которую вижу повсеместно: аналитик вместо анализа чистит выгрузки, пытается кодом править «кривизну» в столбцах датасета и борется с аномалиями, которые на поверку оказываются реальными, но неудобными кейсами.
Преобразование данных «ручками» – не работа, это костыль. Дорогой, неэффективный и убивающий ценность анализа.
Почему бизнес мирится с этим?
Потому что задача «бежать к клиентам» всегда кажется приоритетнее, чем «правильно заполнить справочник». Эффект от качества данных — не на поверхности. Но если вы ждёте data driven инсайтов, без этого не обойтись:
✔️Модель, построенная на данных, где 30% признака «не заполнено», а еще столько же – «текст с ошибками» никогда не увидит реальные риски.
✔️Экономика простая: если стоимость ошибки из-за некачественных данных (недополученная прибыль, ошибочные выплаты) > стоимости внедрения контроля на вводе, делаем второе.
Сказать - легко, посчитать сложнее. Что делать?
1. Посчитайте стоимость одного «костыля». Сколько человеко-часов в месяц уходит на рутинную чистку? Умножьте на ФОТ.
2. Найдите «больной» показатель. Покажите на примере, как «кривые» данные искажают ключевую метрику (например, убыточность по продукту).
3. Предложите точечное решение. Начните с одного, но критичного поля. Например: «Давайте внедрим верификацию и дообогащение диагнозов на вводе».
Качество данных — это не «техническая проблема аналитиков». Это управленческая задача, для которой лучшие практики решения: на вводе (rpa) или на этапе миграции (etl), но не внутри скрипта аналитика.
В следующий раз разберём свежий кейс из ИИ-исследований: как агенты на reinforcement learning могут оптимизировать диагностику в медицине. Кстати, им тоже без чистых данных никак😉.
Подписывайтесь, чтобы не пропустить 🖤
P.S. Если вы аналитик, вот вам простой лайфхак на сегодня: Перед следующим отчётом добавьте раздел “Предположения о данных”: Анализ основан на 70% чистых данных; если улучшить ввод, точность вырастет на 15%. Это мягко подтолкнёт бизнес к разговору.
💯5👍3
🩺 Виртуальная клиника - модель для диагностики или.. контроля?
Привет, друзья!☕️
Обещала рассказать об очередном ИИ-прорыве по обучению моделей ставить диагноз.
Группа исследователей при поддержке Google предлагают новый метод обучения ИИ-диагностов в виртуальной клинической среде (DiagGym). Обученный таким образом агент (DiagAgent) не просто предсказывает диагноз, а активно управляет многоэтапным процессом: собирает анамнез, адаптивно назначает обследования и ставит диагноз.
Для этого используется метод обучения с подкреплением (RL), где агент учится на каждом шаге, выбирая, какие тесты делать, и когда завершить процесс. Чем быстрее он ставит диагноз с меньшими затратами, тем выше его награда.
Конечно, это история не про замену врача на ИИ. Но что если после достижения требуемого качества внедрить такого агента в клиники ОМС и ДМС?
Пациент получает более быструю постановку диагноза.
Страховщик получает контроль гипердиагностики: если назначение не входит в «стандартный путь ии-агента», врач должен дополнительно доказать страховщику необходимость его назначения или отказаться.
Правда, будет и проигравшая сторона - коммерческая клиника, тк теряет контроль над навязыванием необязательных услуг.
Из прочитанного и осмысленного мое резюме: Будущее не за ИИ-одиночками, а за симбиозом «врач + страховщик + ИИ-навигатор».
Видится, что именно такой альянс способен сломать токсичную модель, где выгодно лечить дольше и сложнее, и создать систему, где выгодно поставить точный диагноз максимально эффективно.
P.S. А вы как думаете, готовы ли российские страховщики и клиники к такому «треугольнику»? Или пока останемся в парадигме взаимного недоверия?
Ссылка на статью: клик
Привет, друзья!☕️
Обещала рассказать об очередном ИИ-прорыве по обучению моделей ставить диагноз.
Группа исследователей при поддержке Google предлагают новый метод обучения ИИ-диагностов в виртуальной клинической среде (DiagGym). Обученный таким образом агент (DiagAgent) не просто предсказывает диагноз, а активно управляет многоэтапным процессом: собирает анамнез, адаптивно назначает обследования и ставит диагноз.
Для этого используется метод обучения с подкреплением (RL), где агент учится на каждом шаге, выбирая, какие тесты делать, и когда завершить процесс. Чем быстрее он ставит диагноз с меньшими затратами, тем выше его награда.
Виртуальная клиника — модель для диагностики
DiagGym — это, по сути, имитация клиники. В ней виртуальные агенты выбирают, какие тесты провести, и получают награду не только за правильный диагноз, но и за оптимизацию процесса тестирования. Это настоящий симулятор, где агент учится не просто диагностировать, но и выбирать правильные шаги, чтобы не тратить время и ресурсы на лишние тесты.
Ключевые результаты:
1. Созданы три компонента: фреймворк для обучения (DiagGym), сам агент (DiagAgent) и эталонный набор данных для оценки (DiagBench).
2. Обещают, что DiagAgent значительно превосходит множество современных больших языковых моделей (включая GPT-4o, DeepSeek-v3, Claude) и промпт-инженерные подходы.
3. Преимущество проявляется в точности диагноза (до +15.12%), качестве рекомендаций по обследованиям (до +44.03% hit ratio) и качестве всего диагностического процесса (оценка по врачебным рубрикам).
Конечно, это история не про замену врача на ИИ. Но что если после достижения требуемого качества внедрить такого агента в клиники ОМС и ДМС?
Пациент получает более быструю постановку диагноза.
Страховщик получает контроль гипердиагностики: если назначение не входит в «стандартный путь ии-агента», врач должен дополнительно доказать страховщику необходимость его назначения или отказаться.
Правда, будет и проигравшая сторона - коммерческая клиника, тк теряет контроль над навязыванием необязательных услуг.
Из прочитанного и осмысленного мое резюме: Будущее не за ИИ-одиночками, а за симбиозом «врач + страховщик + ИИ-навигатор».
Видится, что именно такой альянс способен сломать токсичную модель, где выгодно лечить дольше и сложнее, и создать систему, где выгодно поставить точный диагноз максимально эффективно.
P.S. А вы как думаете, готовы ли российские страховщики и клиники к такому «треугольнику»? Или пока останемся в парадигме взаимного недоверия?
Ссылка на статью: клик
❤4👍3
🤖Data-Driven: где хайп, а где реальность.
Привет, друзья!☕️
Data-Driven — это модный термин, который часто используют как синоним машинного обучения и искусственного интеллекта. Но на самом деле это конкретная философия принятия решений, которую можно применять и без сложных ML-моделей.
Чем НЕ является data-driven подход?
– Простой заменой инструментов. Это не миграция с Excel на Python или Tableau.
– Созданием отчетов ради отчетов. Бесконечные дэшборды, на которые никто не смотрит, — это антипод data-driven.
В чем же суть?
Data-Driven — это системный цикл «гипотеза → эксперимент → действие».
Вы не просто смотрите на отчет. Вы формируете предположение, проверяете его данными и только затем принимаете решение.
Пример: Гипотеза — «Убыточность выросла из-за новых клиентов из сектора X». Проверка — глубокая сегментация статистики. Действие — точечная коррекция андеррайтинга или тарифов.
Есть альтернативные стратегии принятия решений, и иногда они отлично работают:
1. Vision-Driven: Стратегию определяет сильный лидер с глубоким интуитивным пониманием рынка (примеры: Стив Джобс, Илон Маск). Решения могут противоречить текущим данным. Когда работает: в креативных индустриях и при создании прорывных инноваций, которых рынок еще не осознал.
2. Copycat (Следование за лидером): Решения копируют у явного отраслевого лидера. Когда работает: в стабильных, низкомаржинальных отраслях, где цена ошибки высока, а инновации рискованны.
3. Design-Driven: Решение принимается на основе понимания потребностей, контекста и эмоций пользователя (изучаем боли и от этого формируем стратегию и продукт). Когда работает: при разработке принципиально новых продуктов и рынков, выходе из стагнации.
Успешный успех часто приносит комбинация подходов: Apple, Uber, Airbnb - переосмыслили потребность клиента, упаковали и масштабировали, проверяя на данных.
Но сегодняшний хайп — вокруг big Data и сложных AI-моделей. А реальная практика data-driven — в принятии решений на основе статистического анализа.
И, возможно, ваша компания на 70% такая, даже если вы не используете ML.
Главный маркер: в data-компании не спорят мнениями. Спорят интерпретацией данных.
В следующий раз поговорим о том, какие этапы включает в себя путь к data-driven.
Подписывайтесь, чтобы не пропустить♥️
Привет, друзья!☕️
Data-Driven — это модный термин, который часто используют как синоним машинного обучения и искусственного интеллекта. Но на самом деле это конкретная философия принятия решений, которую можно применять и без сложных ML-моделей.
Чем НЕ является data-driven подход?
– Простой заменой инструментов. Это не миграция с Excel на Python или Tableau.
– Созданием отчетов ради отчетов. Бесконечные дэшборды, на которые никто не смотрит, — это антипод data-driven.
В чем же суть?
Data-Driven — это системный цикл «гипотеза → эксперимент → действие».
Вы не просто смотрите на отчет. Вы формируете предположение, проверяете его данными и только затем принимаете решение.
Пример: Гипотеза — «Убыточность выросла из-за новых клиентов из сектора X». Проверка — глубокая сегментация статистики. Действие — точечная коррекция андеррайтинга или тарифов.
Есть альтернативные стратегии принятия решений, и иногда они отлично работают:
1. Vision-Driven: Стратегию определяет сильный лидер с глубоким интуитивным пониманием рынка (примеры: Стив Джобс, Илон Маск). Решения могут противоречить текущим данным. Когда работает: в креативных индустриях и при создании прорывных инноваций, которых рынок еще не осознал.
2. Copycat (Следование за лидером): Решения копируют у явного отраслевого лидера. Когда работает: в стабильных, низкомаржинальных отраслях, где цена ошибки высока, а инновации рискованны.
3. Design-Driven: Решение принимается на основе понимания потребностей, контекста и эмоций пользователя (изучаем боли и от этого формируем стратегию и продукт). Когда работает: при разработке принципиально новых продуктов и рынков, выходе из стагнации.
Успешный успех часто приносит комбинация подходов: Apple, Uber, Airbnb - переосмыслили потребность клиента, упаковали и масштабировали, проверяя на данных.
Но сегодняшний хайп — вокруг big Data и сложных AI-моделей. А реальная практика data-driven — в принятии решений на основе статистического анализа.
И, возможно, ваша компания на 70% такая, даже если вы не используете ML.
Главный маркер: в data-компании не спорят мнениями. Спорят интерпретацией данных.
В следующий раз поговорим о том, какие этапы включает в себя путь к data-driven.
Подписывайтесь, чтобы не пропустить
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥7❤5
🎯 Как внедрить data-driven, если вокруг «у нас так не принято»
Привет, друзья! ☕️
В прошлый раз мы разобрали, что такое data-driven на самом деле. Самый частый вопрос, который возникает после этого: «Я всё понял, но как это внедрить? У нас люди десятилетиями принимают решения по звонку или по наитию».
Коллеги говорят «доверяй эксперту», «клиент особенный», «это не измерить». Кажется, что тут стена.
Ломать её кувалдой не надо. Нужен системный подход, который показывает ценность метода на практике. Попробуем?
Шаг 1: Начните с одной «больной» точки.
Выберите один процесс , где:
– Есть очевидная проблема (например, высокая доля отказов от полиса после расчёта).
– Есть доступные данные (логи калькулятора, таймстампы).
– Есть заинтересованный владелец (руководитель отдела продаж, которому это больно).
Сфокусируйтесь на ней. Ваша цель — решить конкретную проблему новым способом и показать результат.
Пример из практики:
«Давайте разберёмся, почему 30% клиентов бросают калькулятор на сайте на третьем шаге. У нас есть гипотезы? Проверим их на данных».
Шаг 2: Внедрите ритуал «Ответ данными».
Создайте правило для обсуждения выбранной проблемы. На совещаниях запрещается фраза «по моему мнению». Только предположение и его проверка: верно/нет.
Гипотеза: «Клиентам не нравится новый интерфейс калькулятора».
Ответ данными: «Давайте сравним конверсию в разрезе «старый/новый интерфейс» и «тип устройства». Посмотрим на тепловые карты кликов».
Когда на основе этого анализа вы скорректируете интерфейс и конверсия вырастет на 5% — вы получите пример, который будет говорить сам за себя.
Шаг 3: Легализуйте «незнание» и вознаграждайте любопытство.
Главный враг data-driven — культура, где незнание стыдно. Люди предпочитают дать авторитетный, но голословный ответ, чем сказать «не знаю, но могу поизучать».
Исправьте это:
Публично хвалите не того, кто громче всех отстаивал свою правоту, а того, кто принёс данные, перевернувшие мнение.
Проводите разборы и ошибок, и правильных гипотез. «Как мы догадались проверить именно этот сегмент? Что было интуицией, а что — уже сигналом из данных?».
Это медленно? Да. Но когда первый же успешный кейс сэкономит бюджет или принесёт деньги, у скептиков появится здоровая жадность: «А где ещё можно так же?».
Домашнее задание:
определить, какой в вашей компании самый крепкий барьер на пути к data-driven: привычки, страхи или просто отсутствие нужных данных?
Ответ пишите в комментариях 👉
В следующий раз разберём топ-3 неочевидных инструмента, которые реально помогают строить data-культуру, даже если вы не техногигант.
Подписывайтесь, чтобы не пропустить!♥️
#управление_данными #датадрайвен #аналитика #страхование
Привет, друзья! ☕️
В прошлый раз мы разобрали, что такое data-driven на самом деле. Самый частый вопрос, который возникает после этого: «Я всё понял, но как это внедрить? У нас люди десятилетиями принимают решения по звонку или по наитию».
Коллеги говорят «доверяй эксперту», «клиент особенный», «это не измерить». Кажется, что тут стена.
Ломать её кувалдой не надо. Нужен системный подход, который показывает ценность метода на практике. Попробуем?
Шаг 1: Начните с одной «больной» точки.
Выберите один процесс , где:
– Есть очевидная проблема (например, высокая доля отказов от полиса после расчёта).
– Есть доступные данные (логи калькулятора, таймстампы).
– Есть заинтересованный владелец (руководитель отдела продаж, которому это больно).
Сфокусируйтесь на ней. Ваша цель — решить конкретную проблему новым способом и показать результат.
Пример из практики:
«Давайте разберёмся, почему 30% клиентов бросают калькулятор на сайте на третьем шаге. У нас есть гипотезы? Проверим их на данных».
Шаг 2: Внедрите ритуал «Ответ данными».
Создайте правило для обсуждения выбранной проблемы. На совещаниях запрещается фраза «по моему мнению». Только предположение и его проверка: верно/нет.
Гипотеза: «Клиентам не нравится новый интерфейс калькулятора».
Ответ данными: «Давайте сравним конверсию в разрезе «старый/новый интерфейс» и «тип устройства». Посмотрим на тепловые карты кликов».
Когда на основе этого анализа вы скорректируете интерфейс и конверсия вырастет на 5% — вы получите пример, который будет говорить сам за себя.
Шаг 3: Легализуйте «незнание» и вознаграждайте любопытство.
Главный враг data-driven — культура, где незнание стыдно. Люди предпочитают дать авторитетный, но голословный ответ, чем сказать «не знаю, но могу поизучать».
Исправьте это:
Публично хвалите не того, кто громче всех отстаивал свою правоту, а того, кто принёс данные, перевернувшие мнение.
Проводите разборы и ошибок, и правильных гипотез. «Как мы догадались проверить именно этот сегмент? Что было интуицией, а что — уже сигналом из данных?».
Это медленно? Да. Но когда первый же успешный кейс сэкономит бюджет или принесёт деньги, у скептиков появится здоровая жадность: «А где ещё можно так же?».
Домашнее задание:
определить, какой в вашей компании самый крепкий барьер на пути к data-driven: привычки, страхи или просто отсутствие нужных данных?
Ответ пишите в комментариях 👉
В следующий раз разберём топ-3 неочевидных инструмента, которые реально помогают строить data-культуру, даже если вы не техногигант.
Подписывайтесь, чтобы не пропустить!
#управление_данными #датадрайвен #аналитика #страхование
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6
Привет, друзья!☕️
Сколько компаний создали видимость принятия решений по данным, но продолжают жить по старым правилам — интуиции, личной экспертизе и интересам лиц, принимающих решения?
Если вы хотите не играть, а побеждать, вот три неочевидных принципа, о которых молчат на конференциях.
Инсайт 1. Ваш главный враг — «цифровое прикрытие»
Это когда красивый отчёт создаётся не для поиска истины, а для обоснования уже принятого решения. Руководитель отдела хочет увеличить бюджет? Он «найдёт» в данных именно ту тенденцию, которая это оправдывает.
Лайфхак: Внедрите правило «Анализ от противного». Когда вам приносят отчёт с готовым выводом, спрашивайте: «Есть ли метрики, которые тут не учтены? Что по поводу относительных, а не абсолютных показателей?» Если начнется виляние и уход в сторону — перед вами не анализ, а пропаганда.
Инсайт 2. Data-Driven начинается с правильного вопроса
Перед принятием важного решения (запуск продукта, изменение тарифа, старт рекламной кампании) подготовьте «протокол решения»:
1. Гипотеза: «Мы считаем, что если сделать Х, то произойдет Y, потому что Z».
2. Критерии успеха: Как мы количественно поймем, что были правы?
3. Данные для проверки: Какие именно показатели мы будем смотреть? Кто и когда их предоставит?
Зачем это нужно?
Даже если гипотеза не подтвердится, на ее результаты можно будет опереться.
Инсайт 3. В «аномалиях», которые все игнорируют - скрытые возможности
Все смотрят на среднее. Но инсайты могут быть скрыты не в 98%, а в 2%. Кто эти 2%? Почему они купили самое дорогое? Почему этот один клиент ушёл после 5 лет лояльности?
Лайфхак: Иногда проводите «День чёрного лебедя». Берите самый неудобный, выбивающийся из всех трендов кейс — полный провал или необъяснимый успех и разберите его до костей. Возможно, именно эта находка перевернёт ваше понимание бизнеса.
Главный вызов для всех нас:
Мы закопались не в отсутствии данных, а в их ритуальном использовании. Тратятся сотни часов на производство отчётов, которые лишь имитируют управленческую деятельность.
На следующей планерке от каждой рекомендации требуйте ответа: «Какой результат это принесёт и как мы измерим свой провал, если ошиблись?»
Страшно? Тогда продолжайте делать красивые дэшборды. Готовы к реальности?
Подписывайтесь. Будет некомфортно. 🖤
DataDrivenManagement
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥5❤3