Natuurlijke taalverwerking en de digitale claimtransformatie

Door Adam Fisher, chief data officer

Het is niet bepaald een bedrijfsgeheim; iedereen die ooit een claim voor een verzekering of uitkering heeft ingediend, weet dat dit veel formulieren en papierwerk met zich meebrengt.

De inhoud van die documenten vormt, in combinatie met de aantekeningen van de toegewezen onderzoeker of expert, de bouwstenen van een claimdossier. Voordatawetenschapperszoals ik betekent die informatie een potentieel van duizenden gegevenspunten die kunnen worden geanalyseerd en gebruikt om trends te identificeren en rapporten te genereren.

De afgelopen jaren hebben aanbieders van risicobeheersinformatiesystemen (RMIS) en andere partijen in de verzekeringssector gestructureerde gegevens gebruikt – die duidelijk gedefinieerd zijn, meestal kwantitatief en gemakkelijk te bewerken – om geautomatiseerde dashboards te vullen en resultaten te meten. Ongestructureerde gegevens – zoals gescande documenten, e-mailberichten en vrije notities – zijn echter meestal kwalitatief en zijn vanuit het perspectief van een claimbehandelingssysteem grotendeels onbenut gebleven vanwege de tijd en moeite die nodig is om er informatie uit te halen. Tot nu toe tenminste.

NLP: de nieuwe grens

Natuurlijke taalverwerking (NLP) is een toepassing van kunstmatige intelligentie waarbij computers digitale informatie 'lezen' en interpreteren, op vrijwel dezelfde manier als een mens dat zou doen. Het gebruik van NLP kan variëren van eenvoudige tekstverwerking totmachine learning, waarmee computers betekenis kunnen afleiden uit menselijke taal.

NLP-technologie heeft een enorm potentieel om verschillende aspecten van claimbeheer efficiënter te maken en meer inzicht te verschaffen. Ik wil graag een paar NLP-toepassingen noemen als voorbeelden van hoe deze technologie onze operationele effectiviteit en de zorg die we aan klanten en hun werknemers en klanten bieden, kan verbeteren.

Automatisering van de claimverwerking

Sedgwick heeft een aantal Amerikaanse klanten die nieuwe claimsvoor arbeidsongevallenmelden via een speciaal e-mailadres. We hebben een team van collega's dat deze mailbox controleert en alle claimgegevens handmatig invoert in ons registratiesysteem. Afhankelijk van het aantal verzoeken dat op een bepaalde dag in de mailbox binnenkomt, kunnen claims enkele uren in de wachtrij staan.

We zijn begonnen met de implementatie van een programma dat gebruikmaakt van NLP om dit proces volledig te transformeren. Voor onze pilotklant hebben werobotische procesautomatisering (RPA)toegepast om de mailbox te controleren op inkomend verkeer. Wanneer er een nieuw bericht binnenkomt, slaat een 'bot' de bijgevoegde bestanden op en uploadt deze naar onssmart.ly-platform. De bot gebruikt NLP om de documenten te lezen en haalt automatisch 93 stukjes informatie eruit die nodig zijn om het claimproces te starten. Dit is veel geavanceerder dan simpele digitalisering en optische tekenherkenning (OCR); we hebben ons systeem getraind om allerlei documentformaten te accepteren en om ingebedde informatie met een buitengewone nauwkeurigheid te koppelen aan de juiste velden in label/waarde-paren.

Zodra het systeem de geëxtraheerde gegevens heeft gevalideerd, wordt er een nieuwe claim aangemaakt – en dat alles in minder dan een minuut en zonder menselijke tussenkomst! Door NLP in deze pilot te gebruiken, is de doorlooptijd voor de intake drastisch verkort, wat betekent dat we sneller onderzoekers kunnen toewijzen om gewonde en zieke werknemers na een arbeidsongeval te helpen. We streven ernaar om deze oplossing in de komende maanden ook bij andere klanten te implementeren.

Subrogatiemogelijkheden

Bij Sedgwick bestaat een deel van onze taak uit het onderzoeken van de omstandigheden rondom een claim en het vaststellen wie verantwoordelijk is voor het dekken van het verlies. Vaak is dat onze klant, maar soms ook een andere derde partij. In gevallen waarin onze klant een claim heeft uitbetaald en wij vaststellen dat iemand anders de verantwoordelijke partij is, proberen we het geld terug te vorderen viasubrogatie.

Klanten zijn natuurlijk altijd blij wanneer deze kosten terecht kunnen worden teruggevorderd, maar het kan 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 terugvorderingmogelijkheden te identificeren, maar de aansprakelijkheid van derden wordt vaak niet expliciet vermeld.

Om onze klanten beter te kunnen ondersteunen bij het identificeren van vorderingen die kunnen worden gesubrogeerd, ontwikkelen we een geautomatiseerd model dat met behulp van NLP en machine learning claimnotities en documenten kan beoordelen op taalkundige aanwijzingen voor aansprakelijkheid van derden. We hebben het model zo gebouwd dat het zoekt naar verwijzingen die kunnen wijzen op een andere aansprakelijke partij, zoals productstoringen, hondenbeten en kop-staartbotsingen. Het zijn dezelfde aanwijzingen waar onze professionele specialisten naar zoeken, maar een computer kan veel meer tekst in veel minder tijd lezen. Voorlopige tests tonen aan dat het model meer dan 70% zo effectief is als een mens in het identificeren van claims die nader onderzoek verdienen voor subrogatie.

Wat de toekomst in petto heeft

Dit zijn slechts twee van de vele manieren waarop NLP-technologie waarde kan toevoegen aan en verbeteringen kan brengen in het claimbeheer. We blijven voortdurend nieuwe mogelijkheden onderzoeken om onze ongestructureerde gegevens (waaronder meer dan 4 miljard notities in ons primaire systeem voor Amerikaanse schadeclaims en verzuimclaims!) te benutten om consistentie en efficiëntie te bevorderen.

Zoals deze voorbeelden laten zien, is het niet de bedoeling van de technologie om menselijke betrokkenheid te elimineren, maar om alledaagse aspecten van het proces te automatiseren, zodat getalenteerde en zorgzame professionals zich beter kunnen richten op datgene waar ze het beste in zijn. Door NLP te gebruiken voor de intake kunnen onze collega's hun energie richten op strategische en empathische aspecten van de klantenservice. Op dezelfde manier zal ons NLP-subrogatiemodel onze incasso-experts nooit vervangen. Het is ontworpen als een extra hulpmiddel dat klanten helpt om subrogatiemogelijkheden te maximaliseren en de verantwoordelijkheid voor verliezen eerlijk toe te wijzen. Door NLP te gebruiken om snel duizenden documenten en notities te scannen, kunnen we beter gebruikmaken van de onderzoeksvaardigheden van onze invorderingsspecialisten en meer waardevolle kansen nastreven.

De technologie blijft zich ontwikkelen en datawetenschappers hebben het steeds vaker overhet begrijpen vannatuurlijke taal in plaats van het verwerken ervan. Het menselijke aspect van claims blijft echter bestaan. Bij Sedgwick geloven we dat 'caring counts' betekent dat we altijd bekwame, empathische collega's klaar hebben staan om te helpen wanneer zich onverwachte situaties voordoen.

> Meer informatie — lees meer over Sedgwick's mensgerichte, technologisch vooruitstrevende en datagestuurdedigitale ervaring.