Door Adam Fisher, chief data officer
Het is niet bepaald een beroepsgeheim; iedereen die ooit een verzekeringsclaim of uitkeringsaanvraag heeft ingediend, weet dat er veel formulieren en papierwerk bij komt kijken.
Wat in die documenten staat, vormt samen met de aantekeningen van de toegewezen onderzoeker of schaderegelaar de bouwstenen van een schadedossier. Voor datawetenschappers zoals ik, vertaalt die informatie zich in het potentieel van duizenden datapunten die kunnen worden geanalyseerd en gebruikt om trends te identificeren en rapporten te genereren.
In de afgelopen jaren hebben aanbieders van risicomanagementinformatiesystemen (RMIS) en anderen in de verzekeringsbranche gebruik gemaakt van gestructureerde gegevens - die duidelijk gedefinieerd en meestal kwantitatief zijn en netjes kunnen worden gemanipuleerd - om geautomatiseerde dashboards te vullen en resultaten te meten. Maar ongestructureerde gegevens - zoals gescande documenten, e-mailberichten en vrije notities - zijn meestal kwalitatief en zijn vanuit het perspectief van een claimsysteem grotendeels onbenut gebleven vanwege de tijd en moeite die het kost om er informatie uit te halen. Tot nu.
NLP: de nieuwe grens
Natuurlijke taalverwerking (NLP) is een toepassing van kunstmatige intelligentie waarbij computers digitale informatie "lezen" en interpreteren, ongeveer zoals een mens dat zou doen. Het gebruik van NLP kan variëren van eenvoudige tekstverwerking tot machinaal leren waarmee computers betekenis kunnen afleiden uit menselijke taal.
NLP-technologie heeft een enorm potentieel om meer efficiëntie en diepere inzichten te brengen in verschillende aspecten van schadebeheer. Ik wil graag een paar NLP-toepassingen naar voren halen als voorbeeld van hoe deze technologie onze operationele effectiviteit en de zorg die we bieden aan klanten en hun werknemers en klanten kan verbeteren.
Automatisering van de intake van claims
Sedgwick heeft een aantal Amerikaanse klanten die nieuwe claims voor werknemerscompensatie melden via een speciaal e-mailadres. Een team van collega's bewaakt deze mailbox en voert alle claimgegevens handmatig in ons intake systeem in. Afhankelijk van het aantal aanvragen dat op een bepaalde dag in de mailbox binnenkomt, kunnen claims enkele uren in de wachtrij staan.
We zijn begonnen met het implementeren van een programma dat NLP gebruikt om dit proces volledig te transformeren. Voor onze pilotklant hebben we robotic process automation (RPA) toegepast om de mailbox te controleren op binnenkomend verkeer. Wanneer er een nieuw bericht binnenkomt, slaat een "bot" de bijgevoegde bestanden op en uploadt deze naar ons smart.ly platform. De bot gebruikt NLP om de documenten te lezen en haalt er automatisch 93 stukjes informatie uit die nodig zijn om het claimproces te starten. Dit is veel geavanceerder dan eenvoudige digitalisering en optische tekenherkenning (OCR); we hebben ons systeem getraind om een breed scala aan documentformaten te accepteren en om ingesloten informatie te matchen met de juiste velden in label/waardeparen met een buitengewoon hoog niveau van nauwkeurigheid.
Zodra het systeem de verzamelde gegevens heeft gevalideerd, wordt er een nieuwe claim aangemaakt - en dat alles in minder dan een minuut en zonder menselijke tussenkomst! Het gebruik van NLP in deze pilot heeft de doorlooptijden voor intake drastisch verkort, wat betekent dat we sneller onderzoekers kunnen toewijzen om gewonde en zieke werknemers te helpen na ongevallen op het werk. We streven ernaar om deze oplossing de komende maanden uit te rollen naar andere klanten.
Subrogatiemogelijkheden
Bij Sedgwick bestaat een deel van onze rol uit het onderzoeken van de omstandigheden rondom een schadeclaim en het identificeren wie verantwoordelijk is voor het dekken van de schade. Vaak is dat onze klant; andere keren is het een andere derde partij. In gevallen waarin onze klant een schadeclaim heeft betaald en wij vaststellen dat iemand anders de verantwoordelijke partij is, proberen wij het geld terug te krijgen door middel van subrogatie.
Klanten zijn natuurlijk altijd blij als deze kosten terecht kunnen worden verhaald; het kan echter een uitdaging zijn om claims te identificeren waarbij subrogatie gerechtvaardigd is. We hebben een uitstekend en ervaren team van specialisten die claims zorgvuldig beoordelen om mogelijke verhaalsmogelijkheden te identificeren, maar de aansprakelijkheid van derden wordt vaak niet expliciet vermeld.
Om onze klanten beter te kunnen ondersteunen bij het identificeren van claims die gesubrogeerd kunnen worden, ontwikkelen we een computermodel dat, met behulp van NLP en machine learning, nota's en documenten van claims kan beoordelen op taalkundige aanwijzingen voor de verantwoordelijkheid van derden. We hebben het model ontwikkeld om te zoeken naar verwijzingen die kunnen duiden op een andere aansprakelijke partij, zoals defecte producten, hondenbeten en kop-staartbotsingen. Het zijn dezelfde aanwijzingen waar onze professionele specialisten naar zoeken - alleen kan een computer veel meer tekst lezen in veel minder tijd. Voorlopige tests tonen aan dat het model meer dan 70% zo effectief is als een mens bij het identificeren van claims die nader onderzoek verdienen voor subrogatie.
Wat de toekomst brengt
Dit zijn slechts twee van de vele manieren waarop NLP-technologie waarde kan toevoegen aan schadebeheer. We onderzoeken voortdurend nieuwe mogelijkheden om onze ongestructureerde gegevens (waaronder meer dan 4 miljard notities in ons primaire systeem voor schade- en verzuimclaims in de VS!
Zoals deze voorbeelden laten zien, is de bedoeling achter de technologie niet om menselijke betrokkenheid te elimineren; het is eerder om alledaagse aspecten van het proces te automatiseren zodat getalenteerde en zorgzame professionals beter kunnen doen waar ze goed in zijn. Door NLP te gebruiken voor de intake kunnen onze collega's hun energie richten op de strategische en empathische aspecten van de klantenservice. Op dezelfde manier zal ons NLP subrogatiemodel nooit onze recovery-experts vervangen. Het is ontworpen als een ander hulpmiddel dat klanten helpt hun subrogatiekansen te maximaliseren en de verantwoordelijkheid voor verliezen eerlijk toe te wijzen. Door gebruik te maken van NLP om snel duizenden documenten en notities te scannen, kunnen we de onderzoeksvaardigheden van onze recovery-specialisten beter benutten en meer waardevolle kansen benutten.
De technologie blijft evolueren en datawetenschappers hebben het steeds meer over het begrijpen van natuurlijke taal in plaats van het verwerken ervan; het menselijke element van claims blijft echter bestaan. Bij Sedgwick geloven we dat "caring counts" betekent dat we altijd bekwame, meelevende collega's zullen hebben die klaar staan om te helpen wanneer het onverwachte zich voordoet.
> Lees meer - lees meer over Sedgwick's people first, tech forward en data gedreven digitale ervaring.