人工植牙、牙齒矯正、以及數位牙科的牙科醫療器械製造商龍頭士卓曼集團（Straumann）正逐步透過機器學習與人工智慧增強其業務，將 PB 級資料轉化為自身的重要資產。
文／ Thor Olavsrud‧譯／蘇燕屏
瑞士士卓曼集團（ Straumann Group）的 Sridhar Iyengar 有一個大膽的使命：將這家擁有近 70 年歷史的公司其資料及技術單位轉型為全球植牙、假牙、牙齒矯正和數位牙科的資料服務供應商，並為其商業利益相關者提供機器學習（ ML）服務。
身為士卓曼集團北美區域資料暨科技總監，Iyengar 說道，「我的願景，是能夠將掌握資料的鑰匙交給我的企業，讓他們自行管理及操作，而不是依賴 IT 團隊處於中心位置來為他們提供協助。」
這樣做絕非易事。這家位於瑞士巴塞爾，營運並服務於一百多個國家的公司，擁有大量的 PB 級資料，其中有高度結構化的資料，像是客戶資料、治療資料、實驗室索取資料、營運資料等等。另外，也有龐大且不斷增長的非結構化資料，尤其是影像方面的資料。舉例來說，該公司的牙齒矯正業務大量地使用影像處理，導致非結構化資料以每月約 20% 至 25% 的速度成長。
[ 推薦閱讀：CIO 大調查專網 — 讓 CIO 為企業三大問題開出 IT 解方 ]
影像科技的進步給予士卓曼集團為客戶提供新能力的機會。譬如，影像資料可以用於向患者展示牙套如何隨著時間改變他們牙齒的外觀。
「這能夠給予我們的醫療服務供應商更大的業務能力，同時，也為我們從患者那裡獲得更高的 NPS（淨推薦值）。」Iyengar 說道。他認為人工智慧將在士卓曼的影像處理與實驗室治療業務中發揮關鍵作用。因此，他的 Data & Tech 團隊正在進行為內部客戶提供機器學習服務（ ML）的推動。
「他們所必須要做的，僅僅只是建立模型，然後運行。」他說。
不過，要運用機器學習與人工智慧來增強當中的各項業務，Iyengar 團隊的首要之務，是必須打破組織內部的資料孤島狀態，並轉變公司的資料營運方式。
「數位化是我們在資料之旅中的第一道標題。」他說。
推廣資料轉型的價值
Iyengar 及其團隊在其計劃為期三到五年的轉型之旅中，已經進行了 18 個月。此轉型之旅的第一步，是建立資料層，將資料源比如 ERP、CRM 及遺留資料庫等整合到結構化資料的資料庫和非結構化資料的資料湖中。
這一步主要由開發人員及資料架構師負責，共同建立資料管理與資料整合。目前，該團隊的訊息架構師與業務分析師聯合起來，正在開發語義層，將來自資料庫及資料湖裡的資料輸入資料市場中，包括金融市場、業務市場、供應鏈市場、以及行銷市場。在合作夥伴 Findability Sciences 的幫助下，該團隊的下一個目標，是將機器學習與人工智慧管道建構至訊息傳遞層，以支援預測及建議性分析。
Iyengar 說，「當訊息層逐漸變得成熟時，我們便會開始在機器學習與人工智慧中看見一些綠芽。」另外，他並補充，儘管資料轉型在他 2021 年剛加入公司時便是一項迫切的需求，但他明白自己需要一個更具說服力的願景，來向董事會及公司領袖表達他對此轉型的想法。
為此，他使用了一個防守和進攻的隱喻來說明他的資料策略：防守層面包括傳統的資料管理元素，比如資料管理與資料品質；而進攻層面，則包括 AI 及高階分析領域，其角色遠超過僅是提供見解及商業最大化。
Iyengar 說，「進攻層面這部分，其主要目的在於如何創造收入 ─ 從我們收集的歷史資料中所獲得的分析結果 ─ 並實際預測即將到來的趨勢。我們大多數從進攻層面所得到的資料屬於非結構化的資料，而我們希望確保這些非結構化的資料對企業領袖來說是有意義的，並幫助他們利用這樣的方式使這些資料具備協調性及豐富性，以便他們可以更有效地為其客戶提供服務，進而提供客戶以更堅實、無摩擦的方式使用士卓曼的服務。」
果不其然，正是這個「進攻層面」的部分讓士卓曼的董事會對 Iyengar 的轉型計劃挹注了投資。
「當我提出了以客戶為中心以及數位轉型的構想 ─ 同時再加上資料轉型這個想法 ─ 我很明白，他們已跟我產生了共鳴。」Iyengar 說。
為未來提升技能
相似於士卓曼的核心業務之一，Iyengar 的團隊成功採用了使用案例方法（ use-case approach）。「我們基本上採用了向患者展示治療前與治療後影像的相同原則。」Iyengar 說。
在這個過程中，該團隊請公司領導者選擇幾個客戶導向的案例做為向量，以此闡述他們如何利用資料創新來推動商業成果。針對這個案例的其中一個目標 ─ 減少客戶流失，團隊首先將流失傾向分為兩個值：一個值用於現有客戶保留，另一個用於新客戶獲取。它使用典型的客戶生命周期值來分析購買模式，為行銷團隊與業務團隊提供了用來推動策略的分析結果與建議。
Iyengar 表示，採用這種內部推銷數位轉型的方法使得事情變得更容易。「我們看到所有的公司一個個透過了許多的投資方案來支持這項提倡。」他說。
[ 加入 CIO Taiwan 官方 LINE 與 Facebook ，與全球 CIO 同步獲取精華見解 ]
與此同時，在團隊開始建構 ML 及 AI 能力之時，轉型 Data & Tech 團隊本身也是迫切重要的。
Iyengar 說，「從傳統的觀點來看，那些我們承襲而擁有的綜合技能並不適用於 ML 以及 AI 的部分。從那個角度來說，你需要的是統計學家與數學家，而非程式設計師與代碼編寫者。所以，我們本身也要在文化及技能方面進行轉型，而這需要一定的時間。我們會有一個學習曲線，在內部建立合適的綜合技能。」
Iyengar 希望藉由 AI 專家企業 Findability Sciences 的幫助，針對他的團隊挹注新的綜合技能。該公司的 Findability.ai 平台結合了機器學習、電腦視覺、以及自然語言處理（ NLP），為客戶的 AI 之旅提供協助。
「我們團隊有很多傳統的 ETL 技能（資料的提取/轉換/載入），」他說，「但目前我們還沒有 ML/AI 的綜合技能。我們的專業合作夥伴正在幫助我們填補這方面的空缺。」
Iyengar 表示，最終，這些變化將會轉變 Data & Tech 團隊如何與業務對接。目前，它在一個中央化的「軸輻」模式下運行。但是，在他的團隊中聘請統計學家和數學家以求擴展是不切實際的做法。相反地，他在未來三至五年內真正想做到的，是將這些專家們融入到更接近業務線的團隊之中，使得各項業務可以因此自行運行這些模式。
「現在，我們一方面正以時速 100 英哩的速度行駛巴士，另一方面還同時在更換輪胎，這基本上雖然是不合邏輯的做法，不過我還是為我的團隊感到驕傲，因為我們正在如此前進中。」他說道。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
