Llegamos a ustedes gracias a:



Casos de éxito

Straumann Group transforma la odontología con datos e IA

Sridhar Iyengar, director de Datos y Tecnología de Straumann Group North America.

[15/03/2023] Sridhar Iyengar, del Grupo Straumann, tiene una misión audaz: Transformar la organización de datos y tecnología de la empresa de casi 70 años, en un proveedor de datos como servicio para el fabricante y proveedor global de implantes dentales, prótesis, ortodoncia y odontología digital, y proporcionar a las partes interesadas del negocio aprendizaje automático (ML) también como servicio.

"Mi visión es poder dar las claves a mis empresas para que gestionen sus datos y los ejecuten por sí mismas, en lugar de que el equipo de Datos y Tecnología esté en el centro y les ayude", afirma Iyengar, director de Datos y Tecnología de Straumann Group North America.

No será tarea fácil. La empresa con sede en Basilea (Suiza), que opera en más de 100 países, tiene petabytes de datos, incluidos datos de clientes muy estructurados, datos sobre tratamientos y solicitudes de laboratorio, datos operativos y un volumen masivo y creciente de datos no estructurados, en particular datos de imágenes. El negocio de ortodoncia de la empresa, por ejemplo, hace un uso intensivo del procesamiento de imágenes, hasta el punto de que los datos no estructurados crecen a un ritmo aproximado del 20% al 25% mensual.

Los avances en la tecnología de la imagen brindan al Grupo Straumann la oportunidad de ofrecer a sus clientes nuevas posibilidades. Por ejemplo, los datos de imágenes pueden utilizarse para mostrar a los pacientes cómo un alineador cambiará su aspecto con el tiempo.

"Da mucho poder a nuestros proveedores a la hora de vender sus servicios y, al mismo tiempo, consigue más NPS [puntuación neta del promotor] para nosotros por parte del paciente", afirma Iyengar, que cree que la IA desempeñará un papel fundamental en los negocios de procesamiento de imágenes y tratamientos de laboratorio de Straumann. De ahí el impulso de ofrecer ML como servicio a los clientes internos del equipo de Datos y Tecnología.

"Lo único que tendrían que hacer es crear su modelo y utilizarlo", afirma.

Pero para aumentar sus diversos negocios con ML e IA, el equipo de Iyengar primero tuvo que romper los silos de datos dentro de la organización, y transformar las operaciones de datos de la empresa.

"La digitalización fue nuestra primera apuesta en la mesa en nuestro viaje de datos", señala.

Vender el valor de la transformación de datos

Iyengar y su equipo llevan 18 meses en un viaje de entre tres y cinco años que empezó con la creación de la capa de datos: acorralar fuentes de datos como ERP, CRM y bases de datos heredadas en almacenes de datos para datos estructurados y lagos de datos para datos no estructurados.

Ese paso, realizado principalmente por desarrolladores y arquitectos de datos, estableció la gobernanza y la integración de datos. Ahora, los arquitectos de información del equipo, junto con los analistas de negocio, están trabajando en la capa semántica, que alimenta los datos de los almacenes y lagos de datos a los mercados de datos, incluidos el mercado financiero, el mercado de ventas, el mercado de la cadena de suministro y el mercado mark. El próximo objetivo, con la ayuda del socio Findability Sciences, será desarrollar canalizaciones de inteligencia artificial y ML en una capa de suministro de información que pueda soportar análisis predictivos y prescriptivos.

"A medida que la capa de información madure, es cuando el ML y la IA empezarán a ver algunos brotes verdes", afirma, y añade que, aunque la transformación de datos era una necesidad acuciante cuando firmó en el 2021, quería una visión más convincente para convencer a la junta directiva y a los líderes empresariales de que la abordaran.

Para ello, se basó en una metáfora defensiva y ofensiva para su estrategia de datos. El lado defensivo incluye elementos tradicionales de la gestión de datos, como la gobernanza y la calidad de los datos. ¿El lado ofensivo? Ese es el dominio de la IA y los análisis avanzados que desempeñan un papel más allá de la mera comprensión y optimización empresarial.

"El lado ofensivo es cómo generar ingresos, todas las percepciones de los datos históricos que hemos recopilado y, de hecho, pronosticar las tendencias que se avecinan", sostiene Iyengar. "La mayoría de los datos que obtenemos en el lado ofensivo no están estructurados, y queremos asegurarnos de que tengan sentido para los líderes empresariales, y ayudarles a armonizarlos y enriquecerlos de tal manera que puedan atender a sus clientes de forma más eficiente y que los clientes sean atendidos y aprovechen los servicios de Straumann de una manera mucho más sólida y sin fricciones".

No es de extrañar que fuera esta faceta ofensiva la que hizo que el consejo de administración de Straumann se implicara en el plan de transformación de Iyengar.

"Cuando se propuso la transformación digital y centrada en el cliente, junto con la transformación de los datos, creo que eso resonó en ellos", afirma Iyengar.

Prepararse para el futuro

El equipo de Iyengar tuvo éxito al adoptar un enfoque basado en casos de uso, similar al de una de las principales empresas de Strauman. "Tomamos prácticamente el mismo principio de las imágenes previas y posteriores al tratamiento que mostramos a nuestros pacientes", explica Iyengar.

El equipo pidió a los directivos de la empresa que eligieran una serie de vectores centrados en el cliente para ilustrar cómo podían utilizarse las innovaciones de datos para impulsar los resultados empresariales. Uno de los objetivos era reducir la pérdida de clientes. El equipo empezó dividiendo la propensión a la pérdida de clientes en dos valores: uno para la retención de los clientes existentes y otro para la captación de nuevos clientes. Utilizó los valores típicos de la vida útil del cliente y analizó los patrones de compra para proporcionar al equipo de marketing y al de ventas información que pudieran utilizar para impulsar sus estrategias.

Iyengar afirma que adoptar este enfoque para vender la transformación digital internamente ha facilitado mucho el trabajo. "Estamos viendo cómo se aprueban muchas inversiones de todas las empresas para apoyar esta iniciativa", afirma.

Mientras tanto, a medida que el equipo comienza a desarrollar capacidades de ML e IA, también es imperativo transformar el propio equipo de Data & Tech.

"El conjunto de habilidades que tenemos inherentemente desde el punto de vista de nuestra escuela tradicional no se adapta a la parte de ML y AI", comenta Iyengar. "Lo que se necesita ahí son estadísticos y matemáticos, no programadores y codificadores, ¿verdad? Así que nosotros también nos hemos transformado, culturalmente y desde el punto de vista de las habilidades. Eso lleva su tiempo. Tenemos una curva de aprendizaje en nuestro lado para construir el conjunto de habilidades adecuado dentro de nosotros".

Iyengar está complementando las competencias de su equipo con la ayuda del especialista en IA empresarial Findability Sciences. La plataforma Findability.ai de esta empresa combina el aprendizaje automático, la visión por computadora y el procesamiento del lenguaje natural (PLN) para ayudar a los clientes en su viaje hacia la IA.

"Tengo muchas habilidades ETL tradicionales en mi equipo", señala. "Lo que no tengo es el conjunto de habilidades ML/AI en este momento. Los socios nos están ayudando en ese espacio".

En última instancia, agrega Iyengar, estos cambios transformarán la forma en que el equipo de Data & Tech interactúa con el negocio. Por ahora, opera bajo un modelo centralizado de "centro y radios". Pero afirma que contratar estadísticos y matemáticos en su equipo no será escalable. En su lugar, lo que realmente quiere en un plazo de tres a cinco años es integrarlos en equipos más cercanos a las líneas de negocio, para que las empresas puedan ejecutar modelos por sí mismas.

"Ahora mismo, estamos conduciendo el autobús a 160 km/h y cambiando las ruedas al mismo tiempo, lo que no va a ser escalable ni mucho menos, aunque estoy orgulloso de mi equipo porque lo estamos haciendo", afirma.

Casos de éxito

Más »