Forudsigelser midt i usikkerheden

Skrevet af Leah Cooper, administrerende direktør, Global Consumer Technology; Steve Elliott, senior vicepræsident, IT-applikationer; Kathy Tazic, administrerende direktør, kundeservice

Man kan roligt sige, at det har været et år fyldt med overraskelser – uventede begivenheder, uforudsete omstændigheder og nogle utænkelige resultater. Nu hvor vi nærmer os 2021 (og forhåbentlig begynder at lægge 2020 bag os), er det klart, at vi skal udnytte de forudsigelsesevner og den innovation, vi har til rådighed, og anvende de unikke erfaringer og tilgange til rapportering og modellering, som vi har tilpasset i et år som intet andet.

Værktøjer som kunstig intelligens, maskinlæring, dataficering og robotbaseret procesautomatisering er ved at transformere skadesbehandlingsprocessen. Og når det kommer til de ændringer, vi har set inden for rapporteringsmekanismer og modellering, er avanceret analyse ved at tage førersædet. Vi integrerer nye modeller for COVID-19, justerer vores beslutningsoptimeringsværktøjer og tager en stadig mere løsningsorienteret tilgang til analyserapporten.

COVID-19-modellering
Vi tilpasser os alle til teknologien i COVID-19-tiden. Hvordan kan vi bedst bruge den tilgængelige teknologi til at tilpasse vores reaktion?

Ud over de fremskridt, som tekstmining har bragt os, bruger vi vores evne til at identificere, besvare og spore spørgsmål gennem AI-chatbots med naturlig sprogbehandling til at hjælpe med COVID-specifik modellering. Vores månedlige rapporter inkluderer antallet af personer, der kommer til Carey, Sedgwick-chatbotten, og stiller COVID-relaterede spørgsmål.

Derudover har vi ved hjælp af de tilgængelige data oprettet en model, som vores kunder kan bruge til at forudsige omkostningerne ved COVID-19 i forbindelse med nye og eksisterende skadesanmeldelser. Med den forventede langvarige indvirkning af COVID-19 vil dette hjælpe os med at hjælpe vores kunder med at planlægge nu og i fremtiden. Vores model måler også COVID-19's indvirkning på ikke-COVID-relaterede skadesanmeldelser. Data fra denne model er tilgængelige i et dashboard, der viser indvirkningen på tværs af vores organisation og illustrerer totaler og tendenser i flere kategorier:

• Alvorlighed, varighed og omkostningsmæssige konsekvenser fra karantænetilfælde til bekræftede positive tilfælde og videre
• Fordeling efter delstat vs. nationalt
• Fraværstendenser kontra tendenser inden for arbejdsskadeerstatning
• Konsekvenser af manglende adgang til sundhedspleje
• Forsinkelser i operationer
• Retslukninger eller forsinkelser, der påvirker afslutningen af sager og forlig

Tekstmining-
Efter et år, hvor forventningerne blev skuffet, læner branchen sig mere end nogensinde mod data – og det siger noget. Når jorden ryster, stabiliserer vi os ved at søge mere dybde, mere nøjagtighed og større præcision. Gode data hjælper organisationer med at forudse, forvente og forberede sig på ændrede kurser. Det større spørgsmål bliver så, hvordan vi gør disse data mere "parametriserede", så de er nemmere at få adgang til og bruge?

Tendenser inden for dataficering viser dette: Vi bliver i stigende grad i stand til at omsætte adfærd til brugbare data, der kan hjælpe os med at forstå og informere processer. Sofistikerede machine learning-værktøjer, såsom chatbots, billedgenkendelse og automatiseret datamining, bruges i stigende grad til at understøtte og forbedre den digitale dialog mellem interessenter i skadesager. Tekstmining er en sådan funktion, som vi kan forvente vil få stigende indflydelse på analytiske forudsigelsesmodeller og være en måde at gøre vores systemer mere robuste på. Virksomheder arbejder på at finde den bedste måde at implementere det på en skalerbar måde, samtidig med at de identificerer og afvejer dets potentielle anvendelser og fordele. Ved at tilføje dette til vores analytiske modeller – som en forbedring, ikke en erstatning – kan vi lettere markere og identificere de skadesanmeldelser, der har noter og tekst om et bestemt emne. Til gengæld får vi en dybere forståelse af brugernes behov og lærer flere datamønstre, der hjælper med at udvikle beslutningstræer.

For Sedgwick går tekstmining dybere end nogensinde før og gør datamining til en meget mere effektiv og hurtig proces – mere rimelig for et stort antal skadesanmeldelser. Vi har tusindvis af datafelter i vores systemer plus flere skadeshistorikker end nogen anden TPA på markedet. Muligheden for at få adgang til analyser af millioner af frit formulerede notater har givet gode resultater. Med løbende opgraderinger øger vi vores evne til at udføre tekstmining på de store mængder ustrukturerede data, som vores skadesbehandlere producerer. Evnen til at udtrække og analysere de vigtige detaljer i en skadesbehandlers noter forbedrer vores evne til at identificere og prioritere skadesrelaterede handlinger betydeligt og til at oprette og sammenligne optimale modeller for fremtidige problemer.

Der er ingen grænse for antallet af udløsere, som kunderne ønsker at blive underrettet om, eller som kan påvirke forløbet af en skadesanmeldelse — COVID-19-data er blot et eksempel. Jo mere robust informationen i noterne er, desto mere informative kan de prædiktive modeller være. Nuværende initiativer inden for tekstmining vil give os mulighed for en dybere analyse ved at klassificere data efter sentiment og emne. For eksempel giver sentimentanalyse og naturlig sprogbehandling Sedgwick mulighed for at tilgå data på nye måder, der kan forudsige potentielle retssager eller påvirke reserver.

>Få mere at vide— læs denne udvidede artikel, inklusive indholdet i sidebjælken "Tech track: Hvad kan Sedgwicks kunder ellers forvente?" i Sedgwicks digitale magasin, edge, nummer 15