Membuat prediksi di tengah ketidakpastian

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

Dapat dikatakan bahwa tahun ini merupakan tahun yang penuh dengan kejutan - peristiwa yang tidak terduga, keadaan yang tidak terduga, dan beberapa hasil yang tidak terbayangkan. Menjelang tahun 2021 (dan, mungkin dengan penuh harap, mulai menutup pintu pada tantangan tahun 2020), jelaslah bahwa kami harus memanfaatkan kemampuan prediksi dan inovasi yang kami miliki sebaik-baiknya, menerapkan pembelajaran dan pendekatan unik terhadap pelaporan dan pemodelan yang telah kami adaptasi di tahun yang tiada duanya ini.

Alat-alat seperti kecerdasan buatan, pembelajaran mesin, datafikasi, dan otomatisasi proses robotik mengubah perjalanan klaim. Dan dalam hal perubahan yang telah kita lihat pada mekanisme pelaporan dan pemodelan, analitik tingkat lanjut mengambil alih kendali. Kami mengintegrasikan model-model baru untuk COVID-19, menyesuaikan alat bantu pengoptimalan keputusan kami dan mengambil pendekatan yang semakin berorientasi pada solusi untuk pelaporan analitik.

Pemodelan COVID-19
Kita semua menyesuaikan diri dengan teknologi pada masa COVID-19. Bagaimana cara terbaik untuk menggunakan teknologi yang ada untuk menyesuaikan respons kita?

Selain kemajuan yang diberikan oleh penambangan teks, kami menggunakan kemampuan kami untuk mengidentifikasi, menjawab, dan melacak pertanyaan melalui chatbot pemrosesan bahasa alami AI untuk membantu dalam pemodelan khusus COVID. Laporan bulanan kami mencakup volume orang yang datang ke Carey, chatbot Sedgwick, untuk mengajukan pertanyaan terkait COVID.

Selain itu, dengan menggunakan data yang ada, kami membuat model bagi klien kami untuk memprediksi biaya COVID-19 pada klaim baru dan yang sudah ada. Dengan perkiraan dampak jangka panjang dari COVID-19, hal ini akan membantu kami membantu klien kami membuat rencana untuk saat ini dan di masa depan. Model kami juga mengukur dampak COVID-19 pada klaim non-COVID. Data dari model ini tersedia dalam dasbor yang menunjukkan dampaknya di seluruh organisasi kami, yang menggambarkan total dan tren dalam berbagai kategori:

• Tingkat keparahan, durasi, dan implikasi biaya dari kasus karantina hingga kasus positif yang dikonfirmasi dan seterusnya
• Perincian berdasarkan negara bagian vs. nasional
• Tren cuti vs. tren kompensasi pekerja
• Dampak dari kurangnya akses ke layanan kesehatan
• Penundaan operasi
• Penutupan atau penundaan pengadilan yang berdampak pada penutupan dan penyelesaian klaim

Penambangan teks
Setelah tahun yang penuh dengan ekspektasi, industri ini lebih condong pada data daripada sebelumnya - dan hal ini menunjukkan sesuatu. Ketika tanah goyah, kami memantapkan diri dengan mencari kedalaman, akurasi, dan presisi yang lebih tinggi. Data yang baik membantu organisasi mengantisipasi, memperkirakan, dan mempersiapkan diri untuk menghadapi perubahan. Pertanyaan yang lebih besar, kemudian, adalah bagaimana kita membuat data tersebut menjadi lebih "terparameterisasi", sehingga lebih mudah untuk diakses dan digunakan?

Tren dalam datafikasi menunjukkan hal ini: Kami semakin mampu menerjemahkan perilaku menjadi data yang dapat digunakan yang dapat membantu kami memahami dan menginformasikan proses. Alat pembelajaran mesin yang canggih, seperti chatbot, pengenalan gambar dan penambangan data otomatis semakin banyak digunakan untuk mendukung dan meningkatkan percakapan digital antara para pemangku kepentingan klaim. Penambangan teks adalah salah satu kemampuan yang dapat kita harapkan untuk dilihat sebagai influencer yang berkembang untuk model prediktif analitik dan cara untuk membuat sistem kita lebih kuat. Perusahaan-perusahaan sedang mencari cara terbaik untuk mengimplementasikannya dengan cara yang terukur, bahkan ketika mereka mengidentifikasi dan menimbang potensi penggunaan dan manfaatnya. Dengan menambahkan hal ini ke dalam model analitik kami - sebagai penyempurnaan, bukan sebagai pengganti - kami dapat dengan lebih mudah menandai dan mengidentifikasi klaim-klaim yang memiliki catatan dan teks tentang subjek tertentu. Pada gilirannya, kami mendapatkan pemahaman yang lebih dalam tentang kebutuhan pengguna dan mempelajari lebih banyak pola data yang membantu mengembangkan pohon keputusan.

Bagi Sedgwick, penggalian teks lebih dalam dari sebelumnya dan membuat penggalian data menjadi proses yang jauh lebih efisien dan cepat - lebih masuk akal untuk jumlah klaim yang besar. Kami memiliki ribuan bidang data dalam sistem kami, ditambah lagi dengan lebih banyak riwayat klaim dibandingkan TPA lainnya di pasar. Kemampuan untuk melakukan analisis terhadap jutaan catatan wesel bebas telah memberikan hasil yang baik. Dengan peningkatan yang sedang berlangsung, kami meningkatkan kemampuan kami untuk melakukan penggalian teks pada sejumlah besar data tak terstruktur yang dihasilkan oleh adjuster klaim kami. Kemampuan untuk mengekstrak dan menganalisis detail penting dalam catatan adjuster secara signifikan meningkatkan kemampuan kami untuk mengidentifikasi dan memprioritaskan item tindakan terkait klaim, serta untuk membuat dan membandingkan model yang optimal untuk masalah-masalah di masa depan.

Tidak ada batasan jumlah pemicu yang ingin diberitahukan kepada klien atau yang dapat memengaruhi lintasan klaim - data COVID-19 hanyalah salah satu contohnya. Tentu saja, semakin kuat informasi yang terkandung dalam catatan, semakin informatif model prediktifnya. Inisiatif yang ada saat ini dalam text mining akan memberikan kita kemampuan untuk melakukan analisis yang lebih dalam dengan mengklasifikasikan data berdasarkan sentimen dan topik. Sebagai contoh, analisis sentimen dan pemrosesan bahasa alami memungkinkan Sedgwick untuk mendekati maksud data dengan cara baru yang dapat memprediksi potensi litigasi atau cadangan dampak.

> Pelajari lebih lanjut - lihat artikel yang diperluas ini, termasuk konten bilah sisi "Jalur teknologi: Apa lagi yang ada di depan mata untuk klien Sedgwick?" di majalah digital Sedgwick, edge, edisi 15