Traitement du langage naturel et transformation numérique des réclamations

Par Adam Fisher, directeur des données

Ce n’est pas exactement un secret commercial; Quiconque a déjà fait une réclamation d’assurance ou de prestations sait que cela implique beaucoup de formulaires et de paperasse.

Ce qu’il y a dans ces documents, combiné aux notes de l’examinateur ou de l’expert en sinistres assigné, constitue la base d’un dossier de réclamation. Pour les data scientists comme moi, cette information se traduit par le potentiel de milliers de points de données qui peuvent être analysés et utilisés pour identifier des tendances et générer des rapports.

Ces dernières années, les fournisseurs de systèmes d’information de gestion des risques (RMIS) et d’autres acteurs du secteur de l’assurance ont utilisé des données structurées — clairement définies, généralement quantitatives et pouvant être manipulées habilement — pour remplir des tableaux de bord automatisés et mesurer les résultats. Cependant, les données non structurées — comme les documents numérisés, les courriels et les notes libres — sont principalement qualitatives et sont restées une ressource largement inexploitée du point de vue du système de réclamations en raison du temps et des efforts nécessaires pour en extraire l’information. Du moins, jusqu’à maintenant.

NLP : la nouvelle frontière

Le traitement du langage naturel (PLN) est une application de l’intelligence artificielle dans laquelle les ordinateurs « lisent » et interprètent l’information numérique, un peu comme le ferait une personne. L’utilisation du PLN peut aller du traitement de texte de base à l’apprentissage automatique permettant aux ordinateurs d’inférer le sens à partir du langage humain.

La technologie NLP a un potentiel considérable pour apporter une plus grande efficacité et une compréhension approfondie de divers aspects de la gestion des sinistres. J’aimerais souligner quelques applications de PLN comme exemples de la façon dont cette technologie peut améliorer notre efficacité opérationnelle et les soins que nous offrons aux clients, à leurs employés et à leurs clients.

Automatisation de l’admission des réclamations

Sedgwick compte certains clients américains qui signalent de nouvelles demandes d’indemnisation des travailleurs via une adresse courriel dédiée. Nous avons une équipe de collègues qui surveille cette boîte aux lettres et saisit manuellement tous les détails des réclamations dans notre système d’accueil. Selon le nombre de demandes reçues dans la boîte aux lettres un jour donné, les réclamations peuvent rester en attente pendant plusieurs heures.

Nous avons commencé à mettre en place un programme qui utilise le NLP pour transformer complètement ce processus. Pour notre client pilote, nous avons appliqué l’automatisation robotisée des processus (RPA) pour surveiller la boîte aux lettres en cas de trafic entrant. Lorsqu’un nouveau message arrive, un « bot » sauvegarde les fichiers joints et les téléverse sur notre plateforme smart.ly. Le bot utilise le NLP pour lire les documents et extrait automatiquement 93 informations nécessaires pour initier le processus de réclamation. C’est beaucoup plus sophistiqué que la simple numérisation et la reconnaissance optique de caractères (OCR); Nous avons entraîné notre système à accepter une large gamme de formats de documents et à faire correspondre les informations intégrées aux champs appropriés dans des paires étiquette/valeur avec un niveau de précision extraordinaire.

Une fois que le système valide les données extraites, une nouvelle revendication est créée — le tout en moins d’une minute et sans intervention humaine! L’utilisation de la PNL dans ce projet pilote a considérablement réduit les délais d’admission, ce qui signifie que nous pouvons assigner plus rapidement des examinateurs pour aider les travailleurs blessés et malades à la suite d’accidents au travail. Nous visons à déployer cette solution à d’autres clients dans les mois à venir.

Possibilités de subrogation

Chez Sedgwick, une partie de notre rôle consiste à enquêter sur les circonstances entourant une réclamation et à identifier qui est responsable de couvrir la perte. Souvent, c’est notre client; D’autres fois, c’est un autre tiers. Dans les cas où notre client a payé une réclamation et que nous déterminons qu’une autre personne est responsable, nous travaillons à récupérer l’argent par subrogation.

Les clients sont, bien sûr, toujours satisfaits lorsque ces coûts peuvent être récupérés légitimement; Cependant, identifier des réclamations où la subrogation est justifiée peut être difficile. Nous disposons d’une excellente équipe expérimentée de spécialistes qui examinent attentivement les réclamations pour identifier les possibilités de récupération, mais la responsabilité des tiers n’est pas souvent explicitement énoncée.

Pour mieux soutenir nos clients dans l’identification des réclamations pouvant être subrogées, nous développons un modèle informatisé qui, utilisant le PLN et l’apprentissage automatique, peut examiner les notes et documents des réclamations à la recherche d’indices linguistiques sur la responsabilité des tiers. Nous avons conçu le modèle pour rechercher des références pouvant suggérer une autre partie responsable, comme des défaillances du produit, des morsures de chien et des collisions arrière. Ce sont les mêmes indices que nos spécialistes recherchent — seul un ordinateur peut lire beaucoup plus de texte en beaucoup moins de temps. Des tests préliminaires montrent que le modèle est plus de 70% aussi efficace qu’un humain pour identifier les réclamations qui méritent une enquête plus approfondie en vue de la subrogation.

Ce que l’avenir nous réserve

Ce ne sont là que deux des nombreuses façons dont la technologie NLP peut apporter de la valeur et améliorer la gestion des sinistres. Nous explorons continuellement de nouvelles possibilités pour tirer parti de nos données non structurées (y compris plus de 4 milliards de billets dans notre système principal pour les réclamations de sinistres et d’absences de la main-d’œuvre aux États-Unis!) afin de promouvoir la cohérence et l’efficacité.

Comme le soulignent ces exemples, l’intention derrière cette technologie n’est pas d’éliminer l’implication humaine; Il s’agit plutôt d’automatiser les aspects banals du processus afin que des professionnels talentueux et attentionnés puissent mieux faire ce qu’ils savent faire de mieux. L’utilisation du PLN pour l’admission permettra à nos collègues de concentrer leur énergie sur des aspects stratégiques et axés sur l’empathie du service à la clientèle. De même, notre modèle de subrogation du PLN ne remplacera jamais nos experts en rétablissement. C’est conçu comme un autre outil qui aide les clients à maximiser les occasions de subrogation et à répartir équitablement la responsabilité des pertes. Utiliser la PNL pour numériser rapidement des milliers de documents et de notes nous permettra de mieux utiliser les compétences d’enquête de nos spécialistes en rétablissement et de poursuivre des opportunités plus intéressantes.

La technologie continue d’évoluer, et les data scientists parlent progressivement davantage de compréhension du langage naturel que de traitement; Cependant, l’élément humain des réclamations est là pour rester. Chez Sedgwick, notre conviction que « prendre soin compte » signifie que nous aurons toujours des collègues compétents et compatissants prêts à aider quand l’imprévu survient.

> En savoir plus — lisez d’abord sur les personnes de Sedgwick, l’innovation technologique et l’expérience numérique axée sur les données.