Pemrosesan bahasa alami dan transformasi klaim digital

Oleh Adam Fisher, kepala petugas data

Ini bukan rahasia dagang; siapa pun yang pernah mengajukan klaim asuransi atau manfaat tahu bahwa hal itu melibatkan banyak formulir dan dokumen.

Isi dokumen-dokumen tersebut, dikombinasikan dengan catatan dari pemeriksa atau penilai yang ditugaskan, membentuk dasar dari berkas klaim. Bagiilmuwan dataseperti saya, informasi tersebut berpotensi menjadi ribuan titik data yang dapat dianalisis dan digunakan untuk mengidentifikasi tren serta menghasilkan laporan.

Dalam beberapa tahun terakhir, penyedia sistem manajemen risiko (RMIS) dan pihak lain di industri asuransi telah menggunakan data terstruktur — yang didefinisikan dengan jelas, biasanya kuantitatif, dan dapat diolah dengan mudah — untuk mengisi dasbor otomatis dan mengukur hasil. Namun, data tidak terstruktur — seperti dokumen yang discan, pesan email, dan catatan bebas bentuk — umumnya bersifat kualitatif dan tetap menjadi sumber daya yang belum dimanfaatkan secara optimal dari perspektif sistem klaim, karena waktu dan upaya yang diperlukan untuk mengekstrak informasi dari data tersebut. Hal itu, hingga saat ini.

NLP: batas baru

Pemrosesan bahasa alami (NLP) adalah penerapan kecerdasan buatan di mana komputer "membaca" dan menafsirkan informasi digital, sama seperti yang dilakukan oleh manusia. Penggunaan NLP dapat bervariasi mulai dari pemrosesan teks dasar hinggapembelajaran mesinyang memungkinkan komputer untuk menyimpulkan makna dari bahasa manusia.

Teknologi NLP memiliki potensi besar untuk meningkatkan efisiensi dan memberikan wawasan yang lebih mendalam dalam berbagai aspek pengelolaan klaim. Saya ingin menyoroti beberapa aplikasi NLP sebagai contoh bagaimana teknologi ini dapat meningkatkan efektivitas operasional kami dan kualitas layanan yang kami berikan kepada klien, karyawan, dan pelanggan mereka.

Otomatisasi penerimaan klaim

Sedgwick memiliki beberapa klien di Amerika Serikat yang melaporkan klaimkompensasi pekerjabaru melalui alamat email khusus. Kami memiliki tim rekan kerja yang memantau kotak surat tersebut dan secara manual memasukkan semua detail klaim ke dalam sistem penerimaan kami. Tergantung pada jumlah permintaan yang masuk ke kotak surat pada hari tertentu, klaim mungkin berada dalam antrean selama beberapa jam.

Kami telah mulai menerapkan program yang menggunakan NLP untuk sepenuhnya mengubah proses ini. Untuk klien uji coba kami, kami telah menerapkanotomatisasi proses robotik (RPA)untuk memantau kotak surat masuk. Ketika pesan baru masuk, sebuah "bot" menyimpan file terlampir dan mengunggahnya keplatform smart.ly kami. Bot tersebut menggunakan NLP untuk membaca dokumen dan secara otomatis mengekstrak 93 potongan informasi yang diperlukan untuk memulai proses klaim. Ini jauh lebih canggih daripada sekadar digitalisasi dan pengenalan karakter optik (OCR); kami telah melatih sistem kami untuk menerima berbagai format dokumen dan mencocokkan informasi yang tertanam dengan bidang yang sesuai dalam pasangan label/nilai dengan tingkat akurasi yang luar biasa.

Setelah sistem memvalidasi data yang diekstraksi, klaim baru akan dibuat — semuanya dalam waktu kurang dari satu menit dan tanpa intervensi manusia! Penggunaan NLP dalam uji coba ini telah secara signifikan mengurangi waktu pemrosesan untuk penerimaan klaim, yang berarti kami dapat lebih cepat menugaskan pemeriksa untuk membantu pekerja yang terluka atau sakit akibat kecelakaan di tempat kerja. Kami berencana untuk menerapkan solusi ini ke klien tambahan dalam beberapa bulan ke depan.

Kesempatan subrogasi

Di Sedgwick, salah satu peran kami adalah menyelidiki keadaan seputar suatu klaim dan mengidentifikasi pihak yang bertanggung jawab atas kerugian tersebut. Seringkali, pihak tersebut adalah klien kami; namun, terkadang pihak lain yang bertanggung jawab. Dalam kasus di mana klien kami telah membayar klaim dan kami menentukan bahwa pihak lain adalah pihak yang bertanggung jawab, kami berusaha untuk mengembalikan dana tersebut melaluisubrogasi.

Klien tentu saja selalu senang ketika biaya-biaya ini dapat diklaim kembali secara sah; namun, mengidentifikasi klaim di mana subrogasi dibenarkan dapat menjadi tantangan. Kami memiliki tim ahli yang sangat baik dan berpengalaman yang secara cermat meninjau klaim untuk mengidentifikasi peluang pengembalian biaya, tetapi tanggung jawab pihak ketiga seringkali tidak dinyatakan secara eksplisit.

Untuk membantu kami mendukung klien kami dalam mengidentifikasi klaim yang dapat disubrogasi, kami sedang mengembangkan model komputerisasi yang menggunakan NLP dan machine learning untuk meninjau catatan dan dokumen klaim guna mencari petunjuk linguistik terkait tanggung jawab pihak ketiga. Model ini dirancang untuk mencari referensi yang mungkin menunjukkan pihak lain yang bertanggung jawab, seperti kegagalan produk, gigitan anjing, dan tabrakan dari belakang. Ini adalah petunjuk yang sama yang dicari oleh spesialis profesional kami — hanya saja komputer dapat membaca teks dalam jumlah yang jauh lebih besar dalam waktu yang jauh lebih singkat. Uji coba awal menunjukkan bahwa model ini lebih dari 70% efektif dibandingkan manusia dalam mengidentifikasi klaim yang layak untuk diselidiki lebih lanjut terkait subrogasi.

Apa yang akan terjadi di masa depan

Ini hanyalah dua dari banyak cara di mana teknologi NLP dapat memberikan nilai tambah dan meningkatkan pengelolaan klaim. Kami terus mengeksplorasi kemungkinan baru untuk memanfaatkan data tidak terstruktur kami (termasuk lebih dari 4 miliar catatan dalam sistem utama kami untuk klaim kecelakaan dan ketidakhadiran tenaga kerja di AS!) guna meningkatkan konsistensi dan efisiensi.

Seperti yang ditunjukkan oleh contoh-contoh ini, tujuan di balik teknologi ini bukanlah untuk menghilangkan keterlibatan manusia; melainkan untuk mengotomatisasi aspek-aspek rutin dari proses sehingga para profesional yang berbakat dan peduli dapat lebih fokus pada apa yang mereka lakukan dengan baik. Penggunaan NLP untuk proses penerimaan akan memungkinkan rekan-rekan kami untuk mengalihkan energi mereka pada aspek-aspek strategis dan berorientasi pada empati dalam layanan pelanggan. Demikian pula, model subrogasi NLP kami tidak akan pernah menggantikan para ahli pemulihan kami. Model ini dirancang sebagai alat tambahan yang membantu klien memaksimalkan peluang subrogasi dan secara adil menetapkan tanggung jawab atas kerugian. Dengan memanfaatkan NLP untuk memindai ribuan dokumen dan catatan dengan cepat, kami dapat memanfaatkan keterampilan investigasi para ahli pemulihan kami dengan lebih baik dan mengejar peluang yang lebih bernilai.

Teknologi terus berkembang, dan para ilmuwan data semakin sering membahaspemahamanbahasa alami daripada pemrosesan data; namun, unsur manusia dalam penanganan klaim akan tetap ada. Di Sedgwick, keyakinan kami bahwa "perhatian itu penting"berarti kami selalu memiliki rekan kerja yang terampil dan penuh empati siap membantu ketika hal yang tidak terduga terjadi.

> Pelajari lebih lanjut — baca tentangpengalaman digital Sedgwick yang berfokus pada manusia, berorientasi teknologi, dan didorong oleh data.