Forudsigelser midt i usikkerheden

Skrevet af Leah Cooper, Managing Director, Global Consumer Technology; Steve Elliott, Senior Vice President, IT Applications; Kathy Tazic, Managing Director, Client Services

Man kan roligt sige, at det har været et år fyldt med overraskelser - uforudsete begivenheder, uforudsete omstændigheder og nogle ufattelige resultater. Når vi nærmer os 2021 (og måske forhåbentlig begynder at lukke døren til udfordringerne i 2020), er det klart, at vi bliver nødt til at få mest muligt ud af de forudsigelsesmuligheder 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 automatisering af robotprocesser er i færd med at forandre skadebehandlingen. Og når det kommer til de ændringer, vi har set i rapporteringsmekanismer og modellering, er det avanceret analyse, der er i førersædet. Vi integrerer nye modeller for COVID-19, justerer vores beslutningsoptimeringsværktøjer og har en stadig mere løsningsorienteret tilgang til analyserapportering.

COVID-19-modellering
Vi tilpasser os alle til teknologien i en tid med COVID-19. Hvordan kan vi bedst bruge den teknologi, vi har ved hånden, til at tilpasse vores reaktion?

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

Derudover har vi ved hjælp af de foreliggende data skabt en model, som vores kunder kan bruge til at forudsige omkostningerne ved COVID-19 på nye og eksisterende krav. Med den forventede langtrækkende effekt af COVID-19 vil dette hjælpe os med at hjælpe vores kunder med at planlægge nu og i fremtiden. Vores model måler også indvirkningen af COVID-19 på ikke-COVID-krav. 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 omkostningskonsekvenser fra karantænetilfælde til bekræftede positive tilfælde og videre.
• Opdeling efter stat vs. nationalt
• Tendenser inden for orlov vs. tendenser inden for arbejdsskadeerstatning
• Konsekvenser af manglende adgang til sundhedspleje
• Forsinkelser i operationer
• Lukning af domstole eller forsinkelser, der påvirker afslutning og afregning af krav

Text mining
Efter et år, hvor forventningerne blev sat over styr, læner branchen sig mere end nogensinde op ad data - og det siger ikke så lidt. Når jorden vakler, 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 store spørgsmål er så, hvordan vi gør disse data mere "parameteriserede", så de er lettere at få adgang til og bruge?

Tendenser inden for dataficering viser dette: Vi er i stigende grad i stand til at omsætte adfærd til brugbare data, der kan hjælpe os med at forstå og informere om processer. Sofistikerede maskinlæringsværktøjer som chatbots, billedgenkendelse og automatiseret datamining bruges mere og mere til at understøtte og forbedre den digitale samtale mellem interessenter. Tekstminedrift er en af de muligheder, vi kan forvente at se som en voksende faktor for analytiske forudsigelsesmodeller og en måde at gøre vores systemer mere robuste på. Virksomhederne arbejder på at finde ud af, hvordan de bedst kan implementere det på en skalerbar måde, samtidig med at de identificerer og afvejer dets potentielle anvendelser og fordele. Ved at tilføje dette til vores analysemodeller - som en forbedring, ikke en erstatning - kan vi lettere markere og identificere de krav, der har noter og tekst om et bestemt emne. Til gengæld får vi en dybere forståelse af brugernes behov og lærer flere datamønstre, som 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 skader. Vi har tusindvis af datafelter i vores systemer plus mere skadeshistorik end nogen anden TPA på markedet. Det har givet gode resultater at kunne analysere millioner af friformsnotater. Med løbende opgraderinger øger vi vores evne til at udføre text mining på de store mængder ustrukturerede data, som vores skadesbehandlere producerer. Evnen til at udtrække og analysere de vigtige detaljer i en taksators noter forbedrer markant vores evne til at identificere og prioritere skadesrelaterede indsatsområder og til at skabe og sammenligne optimale modeller for fremtidige bekymringer.

Der er ingen grænser for antallet af udløsende faktorer, som kunderne ønsker at få besked om, eller som kan påvirke udviklingen af et krav - COVID-19-data er blot ét eksempel. Jo mere robuste oplysningerne i notaterne er, jo mere informative kan de prædiktive modeller være. Nuværende initiativer inden for tekstminedrift vil give os mulighed for dybere analyser ved at klassificere data efter følelser og emner. For eksempel giver sentimentanalyse og naturlig sprogbehandling Sedgwick mulighed for at nærme sig hensigten med data på nye måder, der kan forudsige potentielle retssager eller påvirke reserver.

> Lær mere - se denne udvidede artikel, inklusive indhold i sidebjælken "Teknisk spor: Hvad er der ellers i horisonten for Sedgwicks kunder?" i Sedgwicks digitale magasin, edge, udgave 15