Sridhar Iyengar của Tập đoàn Straumann có một sứ mệnh táo bạo: Chuyển đổi hệ thống công nghệ và dữ liệu của công ty gần 70 tuổi thành nhà cung cấp dữ liệu dưới dạng dịch vụ cho các nhà sản xuất và cung cấp toàn cầu về cấy ghép nha khoa, bộ phận giả, chỉnh nha và nha khoa kỹ thuật số - và nhằm mục đích cung cấp dịch vụ học máy (ML) cho các bên liên quan trong hoạt động kinh doanh.

Iyengar, Giám đốc dữ liệu và công nghệ cho biết: “Tầm nhìn của công ty là có thể trao chìa khóa cho các đơn vị của mình để quản lý dữ liệu và tự chạy dữ liệu”.

Làm được như vậy sẽ là chiến công không nhỏ. Công ty có trụ sở tại Basel, Thụy Sĩ, hoạt động tại hơn 100 quốc gia, có hàng petabyte dữ liệu, bao gồm dữ liệu khách hàng có cấu trúc cao, dữ liệu về các phương pháp điều trị và yêu cầu phòng thí nghiệm, dữ liệu vận hành và khối lượng dữ liệu phi cấu trúc ngày càng lớn, đặc biệt là dữ liệu hình ảnh.

Ví dụ, hoạt động kinh doanh chỉnh nha của công ty sử dụng nhiều công nghệ xử lý hình ảnh đến mức dữ liệu phi cấu trúc đang tăng với tốc độ khoảng 20% ​​- 25%/tháng.

Những tiến bộ trong công nghệ hình ảnh mang đến cho Straumann cơ hội cung cấp cho khách hàng của mình những khả năng mới. Ví dụ, dữ liệu hình ảnh có thể được sử dụng để bệnh nhân thấy sự nắn chỉnh sẽ thay đổi diện mạo của họ như thế nào theo thời gian.

Iyengar cho biết: “Nó mang lại nhiều quyền cho các nhà cung cấp của chúng tôi trong việc bán dịch vụ đồng thời nhận được nhiều NPS (một tiêu chuẩn và là chỉ số đo lường sự hài lòng của khách hàng để đo lường khả năng họ giới thiệu thương hiệu với bạn bè và người thân) hơn cho chúng tôi từ bệnh nhân,” Iyengar cho biết.

Ông tin rằng AI sẽ đóng vai trò quan trọng trong quá trình xử lý hình ảnh và kinh doanh điều trị của Straumann. “Tất cả những gì phải làm chỉ là xây dựng mô hình của mình và chạy nó".

Nhưng để tăng cường các hoạt động kinh doanh khác nhau bằng ML và AI, trước tiên, nhóm của Iyengar phải "phá vỡ" các kho chứa dữ liệu trong tổ chức và chuyển đổi các hoạt động dữ liệu của công ty.

Ông nói: “Số hóa là lợi ích đầu tiên của chúng tôi trong hành trình dữ liệu".

Bán giá trị của chuyển đổi dữ liệu

Iyengar và nhóm của ông đã trải qua 18 tháng trong hành trình kéo dài từ 3 - 5 năm, bắt đầu bằng cách xây dựng lớp dữ liệu - sắp xếp các nguồn dữ liệu như ERP, CRM và cơ sở dữ liệu (CSDL) cũ vào kho dữ liệu cho dữ liệu có cấu trúc và data lake (kho lưu trữ tập trung cho phép lưu trữ tất cả dữ liệu có cấu trúc và phi cấu trúc ở bất kỳ quy mô nào) cho dữ liệu phi cấu trúc.

Bước này, chủ yếu do các nhà phát triển và kiến ​​trúc sư dữ liệu thực hiện, họ thiết lập quản trị dữ liệu và tích hợp dữ liệu. Giờ đây, các kiến ​​trúc sư thông tin của nhóm, kết hợp với các nhà phân tích kinh doanh, đang làm việc trên lớp ngữ nghĩa, lớp cung cấp dữ liệu từ kho dữ liệu và data lake vào kho dữ liệu, bao gồm kho tài chính, kho bán hàng, kho chuỗi cung ứng và kho thị trường.

Mục tiêu tiếp theo, với sự hỗ trợ của đối tác Findability Science, sẽ là xây dựng các quy trình ML và AI thành một lớp phân phối thông tin có thể hỗ trợ phân tích dự đoán và theo mong muốn.

Iyengar nói: “Khi lớp thông tin trở nên hoàn thiện, đó là lúc ML và AI bắt đầu nảy mầm xanh,” ông nói thêm, mặc dù chuyển đổi dữ liệu là nhu cầu cấp thiết của Tập đoàn từ năm 2021, nhưng ông muốn xây dựng một tầm nhìn hấp dẫn hơn cho hội đồng quản trị (HĐQT) và các nhà lãnh đạo DN về việc giải quyết nó.

Để làm được điều đó, ông đã dựa vào phép ẩn dụ về phòng thủ và tấn công cho chiến lược dữ liệu của mình. Mặt phòng thủ bao gồm các yếu tố quản lý dữ liệu truyền thống, chẳng hạn như quản trị dữ liệu và chất lượng dữ liệu. Mặt tấn công? Đó là lĩnh vực của AI và phân tích nâng cao đóng vai trò không chỉ là thông tin chi tiết và tối ưu hóa kinh doanh.

Iyengar nói: “Mặt tấn công là làm thế nào để tạo ra doanh thu, tất cả những hiểu biết sâu sắc từ dữ liệu lịch sử mà chúng tôi đã thu thập và trên thực tế là dự báo các xu hướng. Hầu hết dữ liệu mà chúng tôi nhận được về mặt tấn công đều không có cấu trúc, và chúng tôi muốn đảm bảo rằng dữ liệu đó có ý nghĩa đối với các nhà lãnh đạo DN, đồng thời giúp họ làm hài hòa và phong phú dữ liệu đó theo cách mà họ có thể phục vụ khách hàng của mình hiệu quả hơn, điều đó khiến khách hàng được phục vụ và tận dụng các dịch vụ của Straumann theo cách mạnh hơn, dễ hơn nhiều”.

Không ngạc nhiên, chính khía cạnh tấn công này đã khiến HĐQT của Straumann đầu tư vào kế hoạch chuyển đổi của Iyengar.

Iyengar nói: “Khi việc lấy khách hàng làm trung tâm và phần chuyển đổi số được đề xuất - cùng với chuyển đổi dữ liệu - tôi nghĩ điều đó đã cuốn hút họ.

Nâng cao kỹ năng cho tương lai

Nhóm của Iyengar đã đạt được thành công nhờ áp dụng cách tiếp cận theo trường hợp sử dụng, không khác gì cách tiếp cận của một trong những hoạt động kinh doanh cốt lõi của Strauman. Iyengar nói: “Chúng tôi gần như áp dụng cùng một nguyên tắc đối với các hình ảnh trước và sau điều trị mà chúng tôi cho bệnh nhân xem".

Nhóm đã yêu cầu các lãnh đạo công ty chọn một số vectơ lấy khách hàng làm trung tâm để minh họa cách sử dụng đổi mới dữ liệu để thúc đẩy kết quả kinh doanh. Một trong những mục tiêu là làm giảm tỷ lệ khách hàng rời đi. Nhóm bắt đầu bằng cách chia xu hướng rời bỏ thành hai giá trị: một để giữ chân khách hàng hiện tại và một để thu hút khách hàng mới. Sử dụng các giá trị lâu dài điển hình của khách hàng và phân tích các mô hình mua hàng để cung cấp cho nhóm tiếp thị và nhóm bán hàng những hiểu biết sâu sắc mà họ có thể sử dụng để thúc đẩy các chiến lược của mình.

Iyengar cho biết việc áp dụng phương pháp này để chuyển đổi số trong nội bộ đã giúp công việc trở nên dễ dàng hơn nhiều. Ông nói: “Chúng tôi thấy rất nhiều khoản đầu tư được chấp thuận từ tất cả các DN để hỗ trợ sáng kiến ​​đó".

Trong thời gian chờ đợi, khi nhóm bắt đầu xây dựng các khả năng ML và AI, thì bản thân nhóm dữ liệu và công nghệ cũng bắt buộc phải chuyển đổi.

Iyengar nói: “Bộ kỹ năng mà chúng tôi từng có theo quan điểm lý thuyết truyền thống không phù hợp với ML và AI. Những gì bạn cần là các nhà thống kê và toán học, không phải là lập trình viên. Vì vậy, chúng tôi cũng đang chuyển đổi bản thân, về mặt văn hóa và từ quan điểm kỹ năng. Điều đó cần có thời gian'.

Iyengar đang bổ sung bộ kỹ năng cho nhóm của mình với sự trợ giúp của chuyên gia AI DN Findability Science. Nền tảng Findability.ai của công ty kết hợp máy học, thị giác máy tính và xử lý ngôn ngữ tự nhiên (NLP) để hỗ trợ khách hàng trong hành trình AI của họ.

“Tôi có nhiều kỹ năng ETL (trích xuất, biến đổi và tải lên)truyền thống trong nhóm của mình,” ông nói. “Ở thời điểm hiện tại chúng tôi không có bộ kỹ năng ML/AI. Các đối tác đang giúp chúng tôi trong lĩnh vực đó.”

Cuối cùng, Iyengar nói, những thay đổi này sẽ biến đổi cách nhóm dữ liệu và công nghệ giao tiếp với DN. Hiện tại, nó hoạt động theo mô hình “trục và nan hoa” tập trung.

“Ngay bây giờ, chúng tôi đang "điều khiển xe buýt" với tốc độ 100 dặm/giờ và đồng thời thay lốp xe”, ông nói./.

Tuấn Trần