Penulis

Oleh Adam Fisher, Kepala Data, Sedgwick

Setiap klaim menceritakan sebuah kisah. Klaim tersebut mengungkap bagaimana risiko berkembang, apa yang memengaruhi biaya, di mana keterlambatan terjadi, dan intervensi apa yang dapat memberikan dampak terbesar terhadap hasilnya. Ketika kita menganalisis jutaan klaim yang mencakup rentang waktu puluhan tahun, berbagai sektor industri, dan wilayah geografis, kisah-kisah individual tersebut mulai mengungkap pola-pola yang dapat membantu kita mengambil keputusan yang lebih baik.

Di Sedgwick, kami memiliki akses ke salah satu kumpulan data klaim terlengkap di industri ini, dengan volume data yang lima kali lipat lebih besar daripada pesaing terdekat kami. Skala tersebut memberi kami sudut pandang yang unik mengenai tantangan yang dihadapi klien kami, mulai dari meningkatnya tingkat kerugian klaim dan biaya litigasi hingga kebutuhan tenaga kerja yang semakin kompleks.

Kemajuan dalam teknologi cloud, analitik, dan kecerdasan buatan membantu kami memperoleh nilai yang lebih besar dari informasi ini. Kami dapat mengidentifikasi pola-pola yang bermakna, mengantisipasi risiko yang muncul, dan memberikan wawasan yang relevan kepada para pengambil keputusan setiap hari, dengan memanfaatkan pengalaman historis selama puluhan tahun untuk menentukan cara kami menangani klaim-klaim saat ini.

Selama beberapa tahun terakhir, kami telah melakukan investasi besar-besaran dalam sumber daya manusia, teknologi, dan infrastruktur yang diperlukan untuk mendukung pekerjaan ini. Investasi-investasi tersebut turut membentuk evolusi berkelanjutan Omni, ekosistem digital terintegrasi milik Sedgwick, serta menciptakan cara-cara baru untuk meningkatkan hasil bagi klien kami dan orang-orang yang mereka layani.

Membangun landasan untuk intelijen yang lebih baik

Mengelola data dalam skala sebesar Sedgwick membutuhkan infrastruktur yang canggih. Di seluruh operasi global kami, kami menangani volume informasi yang sangat besar yang dihasilkan melalui berbagai sistem klaim, lini bisnis, program klien, dan lingkungan regional.

Sebagian besar informasi tersebut secara historis telah dikelola melalui infrastruktur data yang mapan dan sangat aman, yang terus memainkan peran penting dalam operasi kami. Dalam beberapa tahun terakhir, kami telah memperluas investasi kami pada teknologi berbasis cloud yang memungkinkan kami menganalisis volume informasi yang lebih besar dan membuat wawasan tersebut lebih mudah diakses.

Salah satu investasi tersebut adalah Snowflake, sebuah platform data berbasis cloud yang memungkinkan kami untuk secara selektif memindahkan informasi dari sistem yang sudah ada ke dalam lingkungan yang dirancang untuk mendukung analitik dan pelaporan tingkat lanjut.

Pendekatan ini memberi kami fleksibilitas yang lebih besar dalam cara kami mengolah data. Kami dapat mendukung model prediktif yang semakin canggih, menyediakan informasi bagi khalayak pengguna yang lebih luas, serta menyesuaikan alat analisis kami seiring dengan kemajuan teknologi.

Hal ini juga membantu kami beroperasi dengan lebih efektif di berbagai wilayah geografis. Setiap wilayah memiliki persyaratan regulasi, praktik bisnis, dan cara mendeskripsikan klaim yang berbeda-beda. Arsitektur data kami memungkinkan kami untuk mempertahankan lingkungan regional yang sesuai sambil menerapkan alat dan pendekatan analitis yang konsisten di seluruh operasi global kami.

Tata kelola data merupakan hal yang sangat penting dalam seluruh proses ini. Menjaga pengendalian yang tepat atas cara informasi diakses, diorganisir, dan digunakan membantu memastikan bahwa informasi yang kami hasilkan dapat diandalkan dan bahwa informasi klien kami ditangani secara bertanggung jawab.

Menggali wawasan yang lebih mendalam dari informasi yang sudah kita miliki

Salah satu perkembangan paling menarik dalam ilmu data adalah kemampuan kita yang semakin meningkat untuk menganalisis informasi yang selama ini sulit dimanfaatkan dalam skala besar.

Klaim menghasilkan dua kategori informasi yang luas. Data terstruktur mencakup informasi yang dicatat dalam kolom-kolom yang telah ditentukan, seperti jenis klaim, yurisdiksi, karakteristik cedera, biaya, dan tanggal-tanggal penting. Informasi ini telah lama menjadi landasan bagi pelaporan, perbandingan kinerja, dan analisis prediktif kami.

Data tidak terstruktur menambahkan dimensi lain. Data ini mencakup catatan klaim, dokumentasi medis, rencana tindakan, dan informasi naratif lainnya yang membantu menjelaskan apa yang terjadi sepanjang proses penanganan klaim.

Selama bertahun-tahun, mengolah wawasan yang bermakna dari materi tersebut membutuhkan upaya manual yang cukup besar. Kini, kemajuan di bidang kecerdasan buatan (AI) dan pemrosesan bahasa alami memungkinkan kita untuk memasukkan lebih banyak informasi ini ke dalam model analitis kita.

Kami telah menyaksikan sendiri betapa berharganya konteks tambahan tersebut. Saat mengembangkan model tingkat keparahan klaim generasi terbaru kami, salah satu peningkatan paling signifikan berasal dari penggabungan informasi tidak terstruktur bersama data klaim konvensional.

Pemahaman yang lebih mendalam ini membantu kita mengidentifikasi pola-pola yang mungkin sulit dikenali tanpa bantuan tersebut, terutama saat menganalisis jutaan klaim dengan karakteristik dan keadaan yang berbeda-beda.

Seiring dengan semakin banyaknya para ahli klaim kami yang menggunakan alat berbasis kecerdasan buatan (AI) untuk mendukung proses pendokumentasian dan merangkum informasi, kami juga terus membangun kumpulan informasi yang terperinci dan konsisten yang dapat mendukung analisis di masa mendatang. Kedalaman dan kualitas informasi tersebut akan terus memperkuat wawasan yang dapat kami hasilkan.

Menempatkan wawasan di tempat pengambilan keputusan dilakukan

Laporan dan dasbor telah lama memainkan peran penting dalam membantu organisasi memahami kinerja klaim. Manajer risiko dan pimpinan bisnis mengandalkan keduanya untuk memantau tren, mengevaluasi hasil, dan mengidentifikasi bidang-bidang yang memerlukan perhatian di seluruh program mereka.

Kami kini sedang memperluas cara penyampaian informasi tersebut kepada pengguna, dengan fokus khusus pada penyediaan informasi yang relevan di dalam alur kerja tempat pengambilan keputusan dilakukan.

Bayangkan seorang pemeriksa klaim yang sedang meninjau sebuah klaim individu. Profesional tersebut mengandalkan pengalaman, penilaian, dan pemahaman terhadap situasi yang ada untuk menentukan langkah-langkah selanjutnya yang tepat. Dengan analitik terintegrasi, kita dapat melengkapi keahlian tersebut dengan wawasan yang diperoleh dari ribuan klaim serupa, termasuk pola historis, indikator potensi tingkat keparahan, dan faktor-faktor yang telah memengaruhi hasilnya.

Ketersediaan informasi ini selama proses peninjauan klaim berlangsung dapat membantu para profesional mengenali masalah yang mulai muncul dan mengevaluasi langkah-langkah intervensi yang mungkin dilakukan pada tahap awal proses tersebut.

Melalui investasi berkelanjutan kami di bidang analitik terintegrasi dan ekosistem Omni, kami terus meningkatkan kemampuan untuk menyajikan wawasan langsung di dalam sistem yang digunakan rekan-rekan kami dalam mengelola klaim. Informasi yang relevan dapat ditampilkan dalam konteks pekerjaan sehari-hari mereka, sehingga memudahkan mereka untuk mempertimbangkan panduan berbasis data dalam pengambilan keputusan.

Bagi klien, kemampuan ini juga mendukung pengelolaan program yang lebih proaktif. Analisis lanjutan dapat membantu mengidentifikasi tren yang mulai muncul, mendukung proses peramalan, serta memberikan gambaran yang lebih jelas mengenai faktor-faktor yang memengaruhi kinerja klaim.

Seiring dengan upaya kami untuk terus mengembangkan alat-alat ini, kami berfokus untuk menjadikan wawasan-wawasan tersebut lebih mudah diakses dan bermanfaat bagi khalayak yang lebih luas, mulai dari tenaga ahli klaim yang menangani satu berkas klaim hingga manajer risiko yang mengawasi program global yang kompleks.

Menerapkan wawasan prediktif ke dalam tindakan

Nilai data kami menjadi sangat jelas ketika kami menggunakannya untuk mengatasi tantangan-tantangan yang memiliki dampak signifikan terhadap hasil klaim.

Salah satu contohnya adalah tingkat keparahan klaim. Di seluruh program asuransi kecelakaan, mengidentifikasi klaim yang berpotensi rumit atau bernilai tinggi sejak dini dapat mendukung intervensi, alokasi sumber daya, dan pengelolaan sengketa hukum yang lebih efektif.

Tim ilmu data kami telah mengembangkan model tingkat keparahan generasi baru yang memanfaatkan jutaan data klaim historis, ratusan juta catatan klaim tidak terstruktur, serta pengalaman selama puluhan tahun. Model-model ini mengevaluasi klaim berdasarkan lima kategori tingkat keparahan, sehingga membantu para profesional memahami risiko relatif dan menentukan prioritas penanganan berdasarkan karakteristik masing-masing klaim.

Untuk klaim cedera tubuh dalam kerangka pertanggungjawaban umum, kami telah menerapkan pendekatan ini dalam sistem operasional. Model-model tersebut memanfaatkan beragam informasi, termasuk karakteristik klaim yang terstruktur dan dokumentasi yang tidak terstruktur, untuk membantu mengidentifikasi klaim yang mungkin memerlukan perhatian lebih lanjut.

Kami juga menerapkan kecerdasan prediktif dalam intervensi klinis. Kemampuan panduan perawatan berbasis AI kami menganalisis data klaim untuk membantu mengidentifikasi kasus-kasus yang mungkin memerlukan keterlibatan tenaga medis, sehingga memudahkan akses lebih dini ke keahlian dan perawatan yang tepat.

Luasnya cakupan informasi historis yang kami miliki memberikan landasan yang kokoh bagi model-model ini untuk mengidentifikasi pola-pola, sementara para ahli klaim kami memiliki keahlian yang diperlukan untuk menafsirkan temuan-temuan tersebut dan menentukan langkah yang tepat.

Salah satu aspek penting dari pendekatan kami adalah memastikan bahwa model-model tersebut memberikan panduan yang bermanfaat bagi pihak yang bertanggung jawab dalam menangani klaim. Selain mengidentifikasi potensi masalah, kami ingin membantu para profesional memahami faktor-faktor yang mendasari penilaian tersebut, baik itu yurisdiksi tertentu, karakteristik cedera, maupun pola yang teramati pada klaim-klaim serupa.

Konteks tersebut memberikan informasi tambahan kepada para ahli klaim untuk dipertimbangkan bersama dengan pengalaman dan penilaian mereka sendiri. Penjelasan di balik skor prediktif dapat sangat berguna dalam membantu mereka menentukan tindakan apa yang harus diambil.

Terus memperluas batas-batas kemungkinan

Jumlah informasi yang tersedia bagi kita terus bertambah, dan kemajuan di bidang kecerdasan buatan (AI) serta analitik semakin memperluas cakupan hal-hal yang dapat kita pelajari darinya. Kita semakin mampu mengintegrasikan informasi dari seluruh siklus klaim, menganalisisnya dengan cara yang lebih canggih, dan menyebarluaskan wawasan yang dihasilkan kepada lebih banyak orang.

Di Sedgwick, kami terus memperkuat infrastruktur data kami, mengintegrasikan sumber informasi baru, dan menyempurnakan model prediktif kami. Kami juga berfokus untuk membuat kemampuan-kemampuan ini lebih mudah digunakan, sehingga wawasan yang dihasilkan oleh tim ilmu data kami dapat diterapkan secara konsisten di seluruh operasi kami.

Setiap klaim yang kami tangani berkontribusi pada pemahaman kami mengenai risiko, proses pemulihan, faktor-faktor penentu biaya, serta hal-hal yang memengaruhi hasilnya. Seiring berjalannya waktu, pengalaman yang terkumpul tersebut memperkuat kemampuan kami untuk mengenali pola-pola dan mengidentifikasi situasi di mana tindakan yang diambil lebih awal dapat membuat perbedaan.

Pekerjaan ini memegang peranan penting dalam evolusi berkelanjutan Omni. Seiring dengan semakin terintegrasinya data, kemampuan analitis, dan keahlian di bidang klaim kami di seluruh ekosistem, kami dapat memberikan gambaran yang lebih jelas kepada rekan kerja dan klien kami mengenai faktor-faktor yang memengaruhi hasil klaim, serta membantu mereka merespons dengan lebih percaya diri.

Dengan kedalaman informasi yang tersedia bagi Sedgwick serta investasi yang telah kami lakukan dalam hal pemanfaatannya, kami berada dalam posisi yang tepat untuk terus memajukan peran data dalam pengelolaan klaim. Saya sangat antusias memikirkan betapa banyak hal yang masih bisa kami pelajari seiring dengan dimasukkannya informasi tambahan ke dalam lingkungan analitik kami dan penerapan wawasan tersebut dalam penanganan klaim yang kami kelola setiap hari.