2 Agustus 2022
Oleh Adam Fisher, kepala petugas data
Ini bukan rahasia umum; siapa pun yang pernah mengajukan klaim asuransi atau tunjangan tahu bahwa hal itu memerlukan banyak formulir dan dokumen.
Apa yang ada di dalam dokumen-dokumen tersebut, digabungkan dengan catatan pemeriksa atau adjuster yang ditugaskan, membentuk blok bangunan berkas klaim. Bagi ilmuwan data seperti saya, informasi tersebut diterjemahkan ke dalam potensi ribuan titik data yang dapat dianalisis dan digunakan untuk mengidentifikasi tren dan menghasilkan laporan.
Dalam beberapa tahun terakhir, penyedia sistem informasi manajemen risiko (RMIS) dan pihak-pihak lain di bidang asuransi telah menggunakan data terstruktur - yang didefinisikan dengan jelas, biasanya kuantitatif dan dapat dimanipulasi dengan baik - untuk mengisi dasbor otomatis dan mengukur hasil. Namun, data yang tidak terstruktur - seperti dokumen yang dipindai, pesan email, dan catatan bebas - sebagian besar bersifat kualitatif dan sebagian besar masih merupakan sumber daya yang belum dimanfaatkan dari perspektif sistem klaim karena waktu dan upaya yang diperlukan untuk mengekstrak informasi dari data tersebut. Hal itu terjadi hingga saat ini.
NLP: batas baru
Pemrosesan bahasa alami (NLP) adalah aplikasi kecerdasan buatan di mana komputer "membaca" dan menginterpretasikan informasi digital, dengan cara yang sama seperti manusia. Penggunaan NLP dapat berkisar dari pemrosesan teks dasar hingga pembelajaran mesin yang memungkinkan komputer menyimpulkan makna dari bahasa manusia.
Teknologi NLP memiliki potensi yang luar biasa untuk membawa efisiensi yang lebih besar dan wawasan yang lebih dalam ke berbagai aspek manajemen klaim. Saya ingin menyoroti beberapa aplikasi NLP sebagai contoh bagaimana teknologi ini dapat meningkatkan efektivitas operasional kami dan layanan yang kami berikan kepada klien serta karyawan dan pelanggan mereka.
Otomatisasi pemasukan klaim
Sedgwick memiliki beberapa klien di Amerika Serikat yang melaporkan klaim kompensasi pekerja baru melalui alamat email khusus. Kami memiliki tim kolega yang memantau kotak surat tersebut dan secara manual memasukkan semua detail klaim ke dalam sistem penerimaan kami. Tergantung dari banyaknya permintaan yang masuk ke kotak surat pada hari tertentu, klaim bisa saja berada dalam antrian selama beberapa jam.
Kami telah mulai menerapkan program yang menggunakan NLP untuk mengubah proses ini sepenuhnya. Untuk klien percontohan kami, kami telah menerapkan otomatisasi proses robotik (RPA ) untuk memantau kotak surat untuk lalu lintas masuk. Ketika ada pesan baru yang masuk, sebuah "bot" akan menyimpan file yang dilampirkan dan mengunggahnya ke platform smart.ly kami. Bot menggunakan NLP untuk membaca dokumen dan secara otomatis mengekstrak 93 informasi yang diperlukan untuk memulai proses klaim. Ini jauh lebih canggih daripada digitalisasi sederhana dan pengenalan karakter optik (OCR); kami telah melatih sistem kami untuk menerima berbagai format dokumen dan mencocokkan informasi yang dilampirkan dengan bidang yang sesuai dalam pasangan label/nilai dengan tingkat akurasi yang luar biasa.
Setelah sistem memvalidasi data yang diekstrak, klaim baru dibuat - semuanya dalam waktu kurang dari satu menit dan tanpa campur tangan manusia! Menggunakan NLP dalam proyek percontohan ini telah secara dramatis mengurangi waktu penyelesaian untuk penerimaan, yang berarti kami dapat menugaskan pemeriksa dengan lebih cepat untuk membantu pekerja yang terluka dan sakit setelah kecelakaan di tempat kerja. Kami bertujuan untuk meluncurkan solusi ini kepada klien-klien tambahan di bulan-bulan mendatang.
Peluang subrogasi
Di Sedgwick, salah satu peran kami adalah menyelidiki keadaan yang melingkupi suatu klaim dan mengidentifikasi siapa yang bertanggung jawab untuk menanggung kerugian tersebut. Sering kali, itu adalah klien kami; di lain waktu, itu adalah pihak ketiga. Dalam kasus-kasus di mana klien kami membayar klaim dan kami menentukan bahwa pihak lain adalah pihak yang bertanggung jawab, kami berupaya mendapatkan kembali uang tersebut melalui subrogasi.
Klien tentu saja selalu senang jika biaya-biaya ini dapat dipulihkan dengan baik; namun, mengidentifikasi klaim di mana subrogasi diperlukan dapat menjadi tantangan tersendiri. Kami memiliki tim spesialis yang sangat baik dan berpengalaman yang dengan cermat meninjau klaim untuk mengidentifikasi peluang pemulihan yang mungkin terjadi, tetapi tanggung jawab pihak ketiga tidak sering dinyatakan secara eksplisit.
Untuk membantu kami mendukung klien kami dengan lebih baik dalam mengidentifikasi klaim yang dapat disubrogasi, kami mengembangkan model terkomputerisasi yang, dengan menggunakan NLP dan pembelajaran mesin, dapat meninjau catatan dan dokumen klaim untuk mencari petunjuk linguistik tentang tanggung jawab pihak ketiga. Kami telah membangun model untuk mencari referensi yang dapat menunjukkan pihak lain yang bertanggung jawab, seperti kerusakan produk, gigitan anjing, dan tabrakan dari belakang. Petunjuk tersebut sama dengan petunjuk yang dicari oleh spesialis profesional kami - hanya saja komputer dapat membaca lebih banyak teks dalam waktu yang lebih singkat. Pengujian awal menunjukkan bahwa model ini lebih dari 70% sama efektifnya dengan manusia dalam mengidentifikasi klaim yang perlu diselidiki lebih lanjut untuk subrogasi.
Apa yang akan terjadi di masa depan
Ini hanyalah dua dari sekian banyak cara teknologi NLP dapat memberikan nilai tambah dan meningkatkan manajemen klaim. Kami terus mengeksplorasi kemungkinan-kemungkinan baru untuk memanfaatkan data kami yang tidak terstruktur (termasuk lebih dari 4 miliar catatan dalam sistem utama kami untuk klaim kecelakaan dan ketidakhadiran tenaga kerja di Amerika Serikat!) guna meningkatkan konsistensi dan efisiensi.
Seperti yang ditunjukkan oleh contoh-contoh di atas, tujuan di balik teknologi ini bukanlah untuk menghilangkan keterlibatan manusia; melainkan untuk mengotomatiskan aspek-aspek biasa dari proses tersebut sehingga para profesional yang berbakat dan penuh perhatian dapat melakukan apa yang terbaik. Menggunakan NLP untuk proses penerimaan akan memungkinkan rekan-rekan kami untuk memfokuskan energi mereka pada aspek-aspek strategis dan empati dalam layanan pelanggan. Demikian pula, model subrogasi NLP kami tidak akan pernah menggantikan para ahli pemulihan kami. Model ini dirancang sebagai alat lain yang membantu klien memaksimalkan peluang subrogasi dan secara adil menetapkan tanggung jawab atas kerugian. Memanfaatkan NLP untuk memindai ribuan dokumen dan catatan dengan cepat akan memungkinkan kami memanfaatkan keterampilan investigasi spesialis pemulihan kami dengan lebih baik dan mengejar peluang yang lebih berharga.
Teknologi terus berkembang, dan para ilmuwan data secara bertahap lebih banyak berbicara tentang pemahaman bahasa alami daripada pemrosesan; namun, elemen manusia dalam klaim akan tetap ada. Di Sedgwick, keyakinan kami bahwa "kepedulian itupenting" berarti kami akan selalu memiliki rekan kerja yang terampil dan penuh kasih yang siap membantu ketika hal yang tidak terduga terjadi.
> Pelajari lebih lanjut - baca tentang pengalaman digital Sedgwick yang mengutamakan karyawan, mengedepankan teknologi, dan berbasis data.
