Écrit par Leah Cooper, directrice générale, Global Consumer Technology ; Steve Elliott, vice-président principal, Applications informatiques ; Kathy Tazic, directrice générale, Services à la clientèle
On peut dire sans risque de se tromper que cela a été une année remplie de surprises - des événements imprévus, des circonstances imprévues et des résultats inimaginables. Alors que nous approchons de 2021 (et, peut-être espérons-le, que nous commençons à fermer la porte aux défis de 2020), il est clair que nous devrons tirer le meilleur parti des capacités prédictives et de l’innovation que nous avons sous la main, en appliquant les apprentissages et les approches uniques en matière de reporting et de modélisation que nous avons adaptés en un an comme aucun autre.
Des outils tels que l’intelligence artificielle, l’apprentissage automatique, la datafication et l’automatisation robotique des processus transforment le parcours des réclamations. Et en ce qui concerne les changements que nous avons vus pour les mécanismes de reporting et la modélisation, les analyses avancées prennent le siège du conducteur. Nous intégrons de nouveaux modèles de COVID-19, Règlement de sinistres nos outils d’optimisation des décisions et adopter une approche de plus en plus axée sur les solutions en matière de rapports d’analyse.
Modélisation de la COVID-19
Nous sommes tous Règlement de sinistres à la technologie à l’époque de la COVID-19. Comment pouvons-nous utiliser au mieux la technologie à portée de main pour adapter notre réponse ?
En plus des progrès que l’exploration de textes nous a apportés, nous utilisons notre capacité à identifier, répondre et suivre les questions grâce à des chatbots de traitement du langage naturel de l’IA pour aider à la modélisation spécifique à COVID. Nos rapports mensuels incluent le volume de personnes qui viennent à Carey, le chatbot sedgwick, pour poser des questions liées à COVID.
De plus, en utilisant les données disponibles, nous avons créé un modèle pour nos clients afin de prédire le coût de COVID-19 sur les réclamations nouvelles et existantes. Avec l’impact attendu de la COVID-19, cela nous aidera à aider nos clients à planifier pour maintenant et à l’avenir. Notre modèle évalue également l’impact de la COVID-19 sur les réclamations non COVID. Les données de ce modèle sont disponibles dans un tableau de bord montrant l’impact dans l’ensemble de notre organisation, illustrant les totaux et les tendances dans plusieurs catégories :
- Gravité, durée et incidences financières des cas de quarantaine aux cas positifs confirmés et au-delà
- Ventilations par État par rapport à l’échelle nationale
- Tendances en matière de congés par rapport aux tendances en matière d’indemnisation des accidentés du travail
- Impact du manque d’accès aux soins de santé
- Retards dans les chirurgies
- Fermetures de tribunaux ou retards ayant une incidence sur la fermeture et le règlement des revendications
Exploration de texte
Après une année où les attentes sont passées par la fenêtre, l’industrie se penche plus que jamais sur les données - et c’est dire quelque chose. Lorsque le sol vacille, nous nous stabilisons en recherchant plus de profondeur, plus de précision, une plus grande précision. De bonnes données aident les organisations à anticiper, à s’attendre et à se préparer aux cours modifiés. La plus grande question, alors, est de savoir comment rendre ces données plus « paramétrées », de sorte qu’elles sont plus simples à accéder et à utiliser ?
Les tendances en matière de datafication le montrent : nous sommes de plus en plus en mesure de traduire les comportements en données utilisables qui peuvent nous aider à comprendre et à informer les processus. Les outils d’apprentissage automatique sophistiqués, tels que les chatbots, la reconnaissance d’images et l’exploration de données automatisée, sont de plus en plus utilisés pour soutenir et améliorer la conversation numérique entre les parties prenantes des revendications. L’exploration de texte est l’une de ces capacités que nous pouvons nous attendre à voir en tant qu’influenceur croissant pour les modèles prédictifs analytiques et un moyen de rendre nos systèmes plus robustes. Les entreprises travaillent sur la meilleure façon de le mettre en œuvre de manière évolutive, même si elles identifient et pèsent ses utilisations et avantages potentiels. En ajoutant cela à nos modèles analytiques — comme une amélioration, pas un remplacement — nous pouvons plus facilement signaler et identifier les revendications qui ont des notes et du texte sur un sujet particulier. À notre tour, nous acquérons une compréhension plus approfondie des besoins des utilisateurs et apprenons plus de modèles de données qui aident à développer des arbres de décision.
Pour Sedgwick, l’exploration de texte va plus loin que jamais et fait de l’exploration de données un processus beaucoup plus efficace et rapide - plus raisonnable pour un grand nombre de revendications. Nous avons des milliers de champs de données dans nos systèmes, plus plus d’historique de réclamations que tout autre TPA sur le marché. Être en mesure d’obtenir des analyses entourant des millions d’enregistrements de billets de forme libre a donné de bons résultats. Avec les mises à niveau en cours, nous augmentons notre capacité à effectuer l’exploration de texte sur les grandes quantités de données non structurées que nos experts en sinistres produisent. La capacité d’extraire et d’analyser les détails importants dans les notes d’un expert en sinistres améliore considérablement notre capacité à identifier et à prioriser les mesures liées aux réclamations, ainsi qu’à créer et à comparer des modèles optimaux pour les préoccupations futures.
Il n’y a pas de limite au nombre de déclencheurs par lesquels les clients peuvent souhaiter être avisés ou qui peuvent influencer la trajectoire d’une réclamation - les données COVID-19 ne sont qu’un exemple. Certes, plus l’information contenue dans les notes est robuste, plus les modèles prédictifs peuvent être informatifs. Les initiatives actuelles dans l’exploration de texte nous donneront la possibilité d’une analyse plus approfondie en classant les données par sentiment et par sujet. Par exemple, l’analyse des sentiments et le traitement du langage naturel permettent à Sedgwick d’aborder l’intention des données de nouvelles façons qui pourraient prédire les litiges potentiels ou avoir un impact sur les réserves.
> En savoir plus - consultez cet article élargi, y compris le contenu de la barre latérale « Tech track : What else is on the horizon for Sedgwick clients ? » dans le magazine numérique de Sedgwick, edge, numéro 15