Forfattere

Af Adam Fisher, Chief Data Officer, Sedgwick

Hver skadesanmeldelse fortæller en historie. Den afslører noget om, hvordan risici udvikler sig, hvad der driver omkostningerne, hvor der opstår forsinkelser, og hvilke tiltag der kan gøre den største forskel for udfaldet. Når vi ser på millioner af skadesanmeldelser, der dækker flere årtier, brancher og geografiske områder, begynder disse individuelle historier at afsløre mønstre, der kan hjælpe os med at træffe bedre beslutninger.

Hos Sedgwick har vi adgang til en af branchens mest omfattende samlinger af skadesdata, med fem gange så mange data som vores nærmeste konkurrent. Denne omfang giver os et unikt indblik i de udfordringer, vores kunder står over for – lige fra stigende skadesomfang og sagsomkostninger til stadig mere komplekse behov på arbejdsmarkedet.

Fremskridt inden for cloud-teknologi, analyse og kunstig intelligens hjælper os med at udnytte disse oplysninger bedre. Vi kan identificere meningsfulde mønstre, forudse nye risici og levere relevante indsigter til de personer, der træffer beslutninger hver dag, idet vi trækker på årtiers historisk erfaring, når vi håndterer dagens skadesanmeldelser.

I løbet af de seneste år har vi foretaget betydelige investeringer i de medarbejdere, den teknologi og den infrastruktur, der er nødvendige for at understøtte dette arbejde. Disse investeringer er med til at forme den fortsatte udvikling af Omni, Sedgwicks integrerede digitale økosystem, og skaber nye måder at forbedre resultaterne for vores kunder og de mennesker, de betjener.

At lægge grundlaget for bedre efterretningsarbejde

At håndtere data i Sedgwicks omfang kræver en avanceret infrastruktur. På tværs af vores globale aktiviteter arbejder vi med enorme mængder information, der genereres gennem forskellige skadesbehandlingssystemer, forretningsområder, kundeprogrammer og regionale miljøer.

En stor del af disse oplysninger er historisk set blevet administreret via en yderst sikker og veletableret datainfrastruktur, som fortsat spiller en vigtig rolle i vores drift. I de senere år har vi øget vores investeringer i cloud-baserede teknologier, der giver os mulighed for at analysere større mængder information og gøre indsigterne lettere tilgængelige.

En af disse investeringer er Snowflake, en cloudbaseret dataplatform, der giver os mulighed for målrettet at overføre oplysninger fra vores eksisterende systemer til et miljø, der er udviklet til at understøtte avanceret analyse og rapportering.

Denne tilgang giver os større fleksibilitet i vores arbejde med data. Vi kan understøtte stadig mere avancerede forudsigelsesmodeller, gøre information tilgængelig for en bredere kreds af brugere og tilpasse vores analyseværktøjer i takt med den teknologiske udvikling.

Det hjælper os også med at drive vores forretning mere effektivt på tværs af geografiske områder. Forskellige regioner har forskellige lovkrav, forretningspraksis og måder at beskrive skadesanmeldelser på. Vores dataarkitektur giver os mulighed for at opretholde passende regionale miljøer, samtidig med at vi anvender ensartede analyseværktøjer og tilgange på tværs af vores globale aktiviteter.

Datastyring er af afgørende betydning i hele denne proces. Ved at opretholde passende kontrolforanstaltninger for, hvordan der gives adgang til, organiseres og anvendes oplysninger, bidrager vi til at sikre, at de analyser, vi udarbejder, er pålidelige, og at vores kunders oplysninger håndteres ansvarligt.

At udvinde mere viden fra de oplysninger, vi allerede har

En af de mest spændende udviklinger inden for datavidenskab er vores stigende evne til at analysere oplysninger, som historisk set har været vanskelige at anvende i stor skala.

Skadesanmeldelser genererer to overordnede kategorier af oplysninger. Strukturerede data omfatter de oplysninger, der indsamles i definerede felter, såsom skadestype, jurisdiktion, skadens karakteristika, omkostninger og vigtige datoer. Disse oplysninger har længe dannet grundlag for vores rapportering, benchmarking og prædiktive analyser.

Ustrukturerede data tilføjer en yderligere dimension. De omfatter skadesnotater, medicinsk dokumentation, handlingsplaner og andre beskrivende oplysninger, der er med til at forklare, hvad der sker i løbet af en skadesbehandlings forløb.

I årevis har det krævet en betydelig manuel indsats at udlede meningsfulde indsigter fra dette materiale. I dag giver fremskridt inden for kunstig intelligens og naturlig sprogbehandling os mulighed for at inddrage en større del af disse oplysninger i vores analytiske modeller.

Vi har selv oplevet, hvor værdifuld denne yderligere kontekst kan være. Da vi udviklede vores næste generation af modeller til vurdering af skadesomfang, var en af de væsentligste forbedringer netop, at vi inddrog ustrukturerede oplysninger sammen med de traditionelle skadesdata.

Denne dybere forståelse hjælper os med at identificere mønstre, som ellers kan være svære at få øje på, især når vi gennemgår millioner af skadesanmeldelser med forskellige karakteristika og omstændigheder.

I takt med at vores skadesbehandlere i stigende grad anvender AI-baserede værktøjer til at understøtte dokumentationen og sammenfatte oplysninger, opbygger vi samtidig en stadig større mængde detaljerede og ensartede oplysninger, der kan danne grundlag for fremtidige analyser. Dybden og kvaliteten af disse oplysninger vil fortsat styrke de indsigter, vi kan udlede.

At bringe indsigterne derhen, hvor beslutningerne træffes

Rapporter og oversigtsværktøjer har længe spillet en vigtig rolle i at hjælpe organisationer med at forstå skadesudviklingen. Risikostyrere og virksomhedsledere benytter dem til at overvåge tendenser, evaluere resultater og identificere områder, der kræver opmærksomhed på tværs af deres programmer.

Vi udvider nu måden, hvorpå disse oplysninger når ud til brugerne, med særligt fokus på at gøre relevante oplysninger tilgængelige i de arbejdsgange, hvor beslutningerne træffes.

Tænk på en skadesbehandler, der gennemgår en enkelt skadesanmeldelse. Denne medarbejder bruger sin erfaring, sin dømmekraft og sin viden om omstændighederne til at afgøre, hvilke næste skridt der er de rette. Med indbygget analyse kan vi supplere denne ekspertise med indsigt hentet fra tusindvis af lignende skadesanmeldelser, herunder historiske mønstre, potentielle indikatorer for skadens omfang og faktorer, der har haft indflydelse på udfaldet.

At have disse oplysninger til rådighed, mens en sag behandles, kan hjælpe fagfolk med at få øje på nye problemstillinger og vurdere mulige tiltag tidligere i forløbet.

Gennem vores løbende investeringer i integreret analyse og Omni-økosystemet udbygger vi muligheden for at levere indsigt direkte i de systemer, vores kolleger bruger til at håndtere skadesager. Relevante oplysninger kan præsenteres i sammenhæng med deres daglige arbejde, hvilket gør det nemmere at inddrage datadrevet vejledning i de beslutninger, de træffer.

For kunderne bidrager disse funktioner også til en mere proaktiv programstyring. Avancerede analyser kan hjælpe med at identificere nye tendenser, understøtte prognoser og give et bedre overblik over de faktorer, der påvirker skadesbehandlingen.

I takt med at vi fortsætter med at udvide disse værktøjer, fokuserer vi på at gøre indsigterne mere tilgængelige og nyttige for en bredere kreds af mennesker – lige fra skadesbehandleren, der håndterer en enkelt sag, til risikochefen, der har ansvaret for et komplekst globalt program.

At omsætte prædiktiv intelligens til handling

Værdien af vores data bliver særligt tydelig, når vi anvender dem på udfordringer, der har en betydelig indflydelse på udfaldet af skadesager.

Et eksempel er skadens omfang. På tværs af skadesforsikringsprogrammerne kan en tidlig identificering af potentielt komplekse eller dyre skadesager bidrage til en mere effektiv indsats, ressourceallokering og håndtering af retssager.

Vores data science-team har udviklet en ny generation af alvorlighedsmodeller, der bygger på millioner af historiske skadesanmeldelser, hundreder af millioner af ustrukturerede skadesnotater og årtiers erfaring. Disse modeller vurderer skadesanmeldelser ud fra fem alvorlighedskategorier og hjælper fagfolk med at forstå den relative risiko og prioritere deres indsats ud fra de enkelte skadesanmeldelsers karakteristika.

For erstatningskrav vedrørende personskader under den generelle ansvarsforsikring har vi allerede taget denne tilgang i brug. Modellerne anvender en bred vifte af oplysninger, herunder strukturerede skadesoplysninger og ustruktureret dokumentation, for at hjælpe med at identificere skadesager, der muligvis kræver ekstra opmærksomhed.

Vi anvender også prædiktiv intelligens i forbindelse med kliniske indgreb. Vores AI-baserede vejledningsværktøjer til sundhedspleje analyserer oplysninger fra forsikringskrav for at identificere sager, hvor inddragelse af en kliniker kan være til gavn, hvilket bidrager til hurtigere adgang til relevant ekspertise og behandling.

Omfanget af vores historiske data giver disse modeller et solidt grundlag for at identificere mønstre, mens vores skadesbehandlere bidrager med den nødvendige ekspertise til at fortolke resultaterne og fastlægge den rette fremgangsmåde.

En vigtig del af vores tilgang er at sikre, at modellerne giver meningsfuld vejledning til de personer, der har ansvaret for at behandle skadesanmeldelser. Ud over at påpege et potentielt problem ønsker vi at hjælpe fagfolk med at forstå de faktorer, der ligger til grund for denne vurdering, uanset om der er tale om en bestemt jurisdiktion, skadens karakteristika eller et mønster, der er observeret i lignende skadesanmeldelser.

Denne sammenhæng giver skadesbehandleren yderligere oplysninger, som vedkommende kan tage i betragtning sammen med sin egen erfaring og vurdering. Forklaringen bag en prognosescore kan være særligt værdifuld, når skadesbehandleren skal afgøre, hvilke foranstaltninger der skal træffes.

Vi udvider fortsat grænserne for, hvad der er muligt

Den mængde information, vi har til rådighed, vokser konstant, og fremskridt inden for kunstig intelligens og analyse udvider vores muligheder for at drage nytte af den. Vi bliver i stigende grad i stand til at inddrage information fra hele skadesbehandlingsforløbet, analysere den på en mere avanceret måde og gøre de deraf følgende indsigter tilgængelige for flere mennesker.

Hos Sedgwick arbejder vi fortsat på at styrke vores datainfrastruktur, inddrage nye informationskilder og forbedre vores forudsigelsesmodeller. Vi lægger også vægt på at gøre disse funktioner mere brugervenlige, så de indsigter, som vores data science-teams genererer, kan anvendes ensartet i hele vores virksomhed.

Hver eneste skadesag, vi behandler, bidrager til vores forståelse af risiko, skadesafvikling, omkostningsfaktorer og de faktorer, der påvirker resultaterne. Over tid styrker denne opbyggede erfaring vores evne til at genkende mønstre og identificere, hvor en tidligere indsats kan gøre en forskel.

Dette arbejde er af afgørende betydning for Omnis fortsatte udvikling. I takt med at vi integrerer flere af vores data, analysefunktioner og ekspertise inden for skadesbehandling på tværs af økosystemet, kan vi give vores kolleger og kunder et klarere overblik over de faktorer, der påvirker udfaldet af skadesager, og hjælpe dem med at reagere med større selvtillid.

Med den omfattende viden, Sedgwick har til rådighed, og de investeringer, vi har foretaget i brugen heraf, er vi godt rustet til fortsat at styrke datenes rolle i skadesbehandlingen. Jeg ser især frem til, hvor meget mere vi kan lære, når vi inddrager yderligere oplysninger i vores analytiske miljø og anvender disse indsigter i den daglige skadesbehandling.