Door Stephen Elliott, MBA, JD, CISSP, CSM, SVP, IT-innovatie en beslissingsoptimalisatie
Op de huidige markt beweren talloze leveranciers en technologieën kunstmatige intelligentie (AI) te gebruiken of handmatige claimprocessen te automatiseren.
Je zou kunnen stellen dat vanaf de allereerste computer iedereen hier naartoe heeft gewerkt. De huidige technologie is in veel opzichten een voortdurende rijping van dit proces - gericht op de stappen in het claimproces die voorheen te complex of ondoorzichtig werden geacht om te automatiseren.
De afgelopen 50 jaar hebben schade-experts de functionaliteit (en de bijbehorende beperkingen) van applicaties ontvangen met behulp van traditionele programmeertalen. Inmiddels weten we allemaal hoe traditionele technologieafdelingen werken om vereisten te verzamelen, "regels" voor beslissingen vast te leggen en te definiëren en programma's te maken die samen met schade-experts de verwerking van claims verbeteren. Nu, met de introductie van AI, zijn er verschillende nieuwe componenten die een rol spelen bij wat er geprogrammeerd kan worden:
Patroonmatching
Kunstmatige intelligentie maakt het mogelijk om menselijke activiteiten te automatiseren. Hoewel mensen gedocumenteerde instructies en regels volgen bij schadebeheer, zijn ze ook geoptimaliseerd om oplossingen te vinden op basis van patronen die ze eerder zijn tegengekomen. AI introduceert het matchen van patronen in machineprogramma's, waardoor software kan worden gemaakt die niet langer van tevoren een discrete uitsplitsing van alle beslissingsregels nodig heeft. In plaats daarvan biedt AI de mogelijkheid om historische gegevens te gebruiken om die regels op een abstracte manier in kaart te brengen en waar te nemen. Als ervaren schade-examinatoren in het verleden naar claim X keken en actie Y besloten, dan kunnen AI-systemen getraind worden om hetzelfde te doen.
Om niet beperkt te worden door de methoden die mensen gebruiken om beslissingen te nemen, kan AI die machinaal leert zelfs nog beter zijn. In feite kan AI patronen identificeren in gegevens die gebruikt moeten worden voor beslissingen, zelfs als de onderzoekers deze criteria niet gebruikten of zich niet eens realiseerden dat ze deze criteria gebruikten. Deze vooruitgang maakt het mogelijk om intelligente beslissingsengines te creëren om taken in het claimproces optimaal te automatiseren waarvan eerder werd gedacht dat ze te ingewikkeld waren of dat er een subjectieve beslissing moest worden genomen.
Automatische transportsystemen
Autotriage-systemen zijn ontworpen om te kijken naar de eerste gegevenselementen van een claim en combineren de gegevens met historische patronen die anders moeilijk zichtbaar zijn om een claim nauwkeurig in een bepaalde "emmer" te plaatsen voor verwerking. Er zijn veel manieren waarop bedrijven dit kunnen doen. Sommige willen misschien hun AI trainen om claims in verschillende kostenschattingen te plaatsen, zodat ze risiconiveaus kunnen onderscheiden op basis van de kosten. Anderen geven misschien de voorkeur aan een meer abstracte definitie van "complexiteit" die kan worden afgestemd op de kosten, maar soms ook gewoon helpt bij het identificeren van claims die meer tijd, meer menselijk contact of een hoger niveau van ervaren toezicht nodig hebben.
Systemen voor automatische berechting
Wanneer auto-triage eindigt, neemt auto-adjudication het over. Als een claim is getriaged als eenvoudig en zonder menselijke tussenkomst kan worden verwerkt, kunnen de resterende stappen van het claimproces worden geautomatiseerd. Met behulp van AI in combinatie met meer traditionele methoden kan de claim van de intake naar de geschiktheid en uiteindelijk naar de betaling en afsluiting worden gebracht. Deze automatisch beoordeelde claims zijn niet alleen goedkoper om te beheren, maar resulteren vaak ook in een grotere tevredenheid van de claimant omdat ze niet worden uitgesteld in afwachting van een beoordeling door een schade-expert.
Voorspellend modelleren
Voorspellende modellering wordt meestal besproken als een op zichzelf staande technologie, maar vormt vaak een belangrijk onderdeel van kunstmatige intelligentie-oplossingen. Door machinaal leren en complexe statistiek te combineren, gebruikt het historische gegevenspatronen om de toekomst te voorspellen. Bij het automatiseren van beslissingen of stappen in het claimproces kunnen voorspellende modellen worden gebruikt om de acties te kiezen die een optimaal voorspellend resultaat opleveren op basis van kosten, klanttevredenheid of risico.
Hoewel deze modellen gebruik maken van moderne technologie, kunnen ze ook worden gebruikt om de hoeveelheid menselijke tussenkomst bij kritieke claims te optimaliseren. Wanneer nuances in een claim wijzen op verschillende scenario's, kunnen gerichte aanbevelingen worden gedaan om ervaren resources toe te voegen:
- Fraude
- Geschillen
- Specialisatie
Als de kans op fraude groot is, kan de claim worden geëscaleerd naar onderzoekers of worden doorgegeven aan menselijke experts voor verder onderzoek en actie. AI-modellen hebben de mogelijkheid om niet alleen te zoeken naar fraude bij individuele claims, maar om de hele portefeuille te bekijken en fraudepatronen te zien in op het eerste gezicht onschuldige individuele gevallen.
Als de kans op een rechtszaak groot is, kunnen er speciale acties voor de claim worden ondernomen. Dit kunnen taken zijn zoals het opslaan en archiveren van beveiligingsvideo's van winkels, het ondervragen van getuigen en andere deelnemers terwijl hun geheugen nog vers is of op een andere manier verbeterde zorg en communicatie bieden aan een eiser om ontevredenheid te voorkomen.
Waar speciale expertise de claim ten goede kan komen, hetzij op basis van huidige "triggers" of voorspelling van toekomstige triggers, kan AI de claim laten escaleren voor betrokkenheid van verschillende teams. Deze teams kunnen bestaan uit verpleegkundige casemanagers, subrogatieonderzoekers of mensen die gespecialiseerd zijn in andere complexe of unieke claims.
Tekst mining
Het volgende gebied van AI door machinaal leren ligt in text mining van ongestructureerde gegevens. Hoewel dit uiteindelijk vergelijkbare resultaten oplevert als traditionele voorspellende modellering op basis van gestructureerde gegevens, biedt text mining van documenten, notities, getuigenverklaringen en andere elementen van de claim het systeem een aanzienlijk grotere hoeveelheid informatie. Het is onredelijk om claimsystemen alle comorbiditeiten of gevaarlijke medicijncombinaties te laten vastleggen. Het is echter wel mogelijk om AI de risico's te laten leren die samenhangen met het feit dat ze worden genoemd in aantekeningen, medische documenten of correspondentie.
Belangrijkste uitdagingen en risico's
Hoewel dit alles klinkt als een utopie voor claimmanagementtechnologie, brengt het toch zijn eigen uitdagingen en risico's met zich mee. Veel van de gebeurtenissen waarover we AI vragen te leren, worden als zeldzaam beschouwd, waardoor ze vaak moeilijk te voorspellen zijn - zelfs met de beste gegevens en statistische modelleringssoftware. Ze komen bijna nooit voor als percentage van de totale zakelijke portefeuille. Dit betekent niet dat ze onmogelijk zijn om mee te werken, maar het is verstandig voor de bouwers of kopers van automatisering/voorspellende software om te begrijpen hoe deze nog steeds uitdagingen kunnen hebben met nauwkeurigheid. Pas op voor leveranciers die beweren modellen te hebben met een nauwkeurigheid van 95% bij het voorspellen van zeldzame gebeurtenissen. Als die gebeurtenissen zich voordoen bij 3% van de claims, dan is een nauwkeurigheid van meer dan 97% het absolute minimum dat een basismodel zou moeten produceren.
Uiteindelijk zal de effectiviteit van AI-gebaseerde automatisering of voorspellingsmodellen afhangen van zowel de kwaliteit van de gegevens als de kwaliteit van de acties die door een schadeteam worden ondernomen - mochten er prescriptieve acties worden aanbevolen of naar hen worden geëscaleerd. Zoals de meeste technologieën, werkt het vaak het beste wanneer het niet volledig handmatig of volledig geautomatiseerd is, maar in plaats daarvan gecombineerd in precies de juiste hoeveelheden om risico's te minimaliseren en tegelijkertijd de klanttevredenheid te maximaliseren.
Tags: AI, AI-technologie, Kunstmatige intelligentie, Automatische arbitragesystemen, Automatische arbitragesystemen, Automatisering, Schadebeheer, Fraude, Procesvoering, Patroonmatching, Specialisatie, Technologie, Technologie + Consumentenervaring, Text mining, Zicht op prestaties