Von Adam Fisher, Chief Data Officer
Das ist nicht gerade ein Betriebsgeheimnis; jeder, der schon einmal einen Versicherungsantrag oder einen Antrag auf benefits gestellt hat, weiß, dass dies mit einer Menge Formulare und Papierkram verbunden ist.
Der Inhalt dieser Dokumente bildet zusammen mit den Notizen des beauftragten Prüfers oder Regulierers die Bausteine einer Schadenakte. Für Datenwissenschaftler wie mich bedeuten diese Informationen das Potenzial für Tausende von Datenpunkten, die analysiert und verwendet werden können, um Trends zu erkennen und Berichte zu erstellen.
In den letzten Jahren haben Anbieter von Risikomanagement-Informationssystemen (RMIS) und andere im Versicherungsbereich strukturierte Daten - die klar definiert, in der Regel quantitativ sind und sauber verarbeitet werden können - verwendet, um automatisierte Dashboards zu bestücken und Ergebnisse zu messen. Unstrukturierte Daten - wie gescannte Dokumente, E-Mails und Freitextnotizen - sind jedoch meist qualitativ und blieben aus Sicht der Schadensysteme eine weitgehend ungenutzte Ressource, da es sehr zeit- und arbeitsaufwändig ist, aus ihnen Informationen zu extrahieren. Das heißt, bis jetzt.
NLP: die neue Grenze
Die Verarbeitung natürlicher Sprache (NLP) ist eine Anwendung der künstlichen Intelligenz, bei der Computer digitale Informationen "lesen" und interpretieren, ähnlich wie ein Mensch. Der Einsatz von NLP kann von der einfachen Textverarbeitung bis zum maschinellen Lernen reichen, das es Computern ermöglicht, aus der menschlichen Sprache eine Bedeutung abzuleiten.
Die NLP-Technologie verfügt über ein enormes Potenzial, um die Effizienz zu steigern und tiefere Einblicke in verschiedene Aspekte des Schadenmanagements zu gewinnen. Ich möchte einige NLP-Anwendungen als Beispiele dafür anführen, wie diese Technologie unsere betriebliche Effizienz und die Betreuung unserer Kunden und deren Mitarbeiter und Kunden verbessern kann.
Automatisierung der Anspruchsannahme
Sedgwick hat einige U.S.-Kunden, die neue Arbeitsunfallversicherung Schadensfälle über eine spezielle E-Mail-Adresse melden. Wir haben ein Team von Kollegen, das diese Mailbox überwacht und alle Details zu den Ansprüchen manuell in unser Eingangssystem eingibt. Je nachdem, wie viele Anfragen an einem bestimmten Tag in der Mailbox eingehen, können Ansprüche mehrere Stunden lang in der Warteschlange stehen.
Wir haben mit der Implementierung eines Programms begonnen, das NLP einsetzt, um diesen Prozess vollständig zu verändern. Bei unserem Pilotkunden haben wir Robotic Process Automation (RPA) eingesetzt, um die Mailbox auf eingehenden Datenverkehr zu überwachen. Wenn eine neue Nachricht eingeht, speichert ein "Bot" die angehängten Dateien und lädt sie auf unsere smart.ly-Plattform hoch. Der Bot verwendet NLP, um die Dokumente zu lesen, und extrahiert automatisch 93 Informationen, die für die Einleitung des Schadenersatzprozesses erforderlich sind. Dies geht weit über eine einfache Digitalisierung und optische Zeichenerkennung (OCR) hinaus. Wir haben unser System darauf trainiert, eine Vielzahl von Dokumentenformaten zu akzeptieren und eingebettete Informationen mit außerordentlicher Genauigkeit den entsprechenden Feldern in Label/Wert-Paaren zuzuordnen.
Sobald das System die extrahierten Daten validiert, wird ein neuer Antrag erstellt - alles in weniger als einer Minute und ohne menschliches Eingreifen! Der Einsatz von NLP in diesem Pilotprojekt hat die Durchlaufzeiten bei der Schadensaufnahme drastisch verkürzt, was bedeutet, dass wir verletzten und erkrankten Arbeitnehmern nach Arbeitsunfällen rascher helfen können. Wir beabsichtigen, diese Lösung in den kommenden Monaten bei weiteren Kunden einzuführen.
Möglichkeiten der Subrogation
Bei Sedgwick besteht ein Teil unserer Aufgabe darin, die Umstände eines Schadensfalles zu untersuchen und festzustellen, wer für die Deckung des Schadens verantwortlich ist. Oftmals ist das unser Kunde, manchmal aber auch ein Dritter. In Fällen, in denen unser Kunde eine Forderung bezahlt hat und wir feststellen, dass eine andere Partei verantwortlich ist, bemühen wir uns, das Geld durch Subrogation zurückzubekommen.
Die Kunden sind natürlich immer erfreut, wenn diese Kosten rechtmäßig zurückgefordert werden können; es kann jedoch schwierig sein, Ansprüche zu ermitteln, bei denen ein Forderungsübergang gerechtfertigt ist. Wir verfügen über ein hervorragendes und erfahrenes Team von Spezialisten, die Ansprüche sorgfältig prüfen, um mögliche Rückforderungsmöglichkeiten zu ermitteln, aber die Verantwortung Dritter wird oft nicht ausdrücklich angegeben.
Um unsere Kunden besser bei der Ermittlung von Ansprüchen zu unterstützen, die abgetreten werden können, entwickeln wir ein computergestütztes Modell, das mithilfe von NLP und maschinellem Lernen Schadennotizen und -dokumente auf sprachliche Hinweise auf die Verantwortung Dritter überprüfen kann. Wir haben das Modell so entwickelt, dass es nach Hinweisen sucht, die auf eine andere haftende Partei hindeuten, z. B. Produktfehler, Hundebisse und Auffahrunfälle. Es sind dieselben Hinweise, nach denen unsere Fachleute suchen - nur kann ein Computer viel mehr Text in viel kürzerer Zeit lesen. Vorläufige Tests haben gezeigt, dass das Modell bei der Identifizierung von Ansprüchen, die eine weitere Untersuchung im Hinblick auf einen Forderungsübergang verdienen, mehr als 70 % so effektiv ist wie ein Mensch.
Was die Zukunft bringt
Dies sind nur zwei der vielen Möglichkeiten, wie NLP-Technologie das Schadenmanagement bereichern und verbessern kann. Wir erforschen ständig neue Möglichkeiten zur Nutzung unserer unstrukturierten Daten (einschließlich mehr als 4 Milliarden Notizen in unserem primären System für Unfall- und Abwesenheitsschäden in den USA), um Konsistenz und Effizienz zu fördern.
Wie diese Beispiele verdeutlichen, geht es bei der Technologie nicht darum, die menschliche Beteiligung zu eliminieren, sondern vielmehr darum, alltägliche Aspekte des Prozesses zu automatisieren, damit talentierte und fürsorgliche Fachleute besser das tun können, was sie am besten können. Durch den Einsatz von NLP bei der Aufnahme können unsere Kollegen ihre Energie auf strategische und einfühlsame Aspekte der Kundenbetreuung konzentrieren. In ähnlicher Weise wird unser NLP-Regressionsmodell niemals unsere Beitreibungsexperten ersetzen. Es ist als ein weiteres Instrument gedacht, das den Kunden hilft, die Regressmöglichkeiten zu maximieren und die Verantwortung für die Schäden gerecht zuzuweisen. Durch den Einsatz von NLP zum schnellen Scannen von Tausenden von Dokumenten und Notizen können wir die Ermittlungsfähigkeiten unserer Beitreibungsspezialisten besser nutzen und mehr lohnende Möglichkeiten verfolgen.
Die Technologie entwickelt sich weiter, und die Datenwissenschaftler sprechen allmählich mehr von natürlichem Sprachverständnis als von Verarbeitung, aber das menschliche Element der Ansprüche wird bleiben. Bei Sedgwick glauben wir, dass "caring counts" bedeutet, dass wir immer qualifizierte, mitfühlende Kollegen haben werden, die bereit sind, zu helfen, wenn das Unerwartete eintritt.
> Mehr erfahren - Lesen Sie mehr über die digitale Erfahrung von Sedgwick, bei der der Mensch im Vordergrund steht, die Technologie im Vordergrund steht und die auf Daten basiert.