Å lage spådommer midt i usikkerheten

Skrevet av Leah Cooper, administrerende direktør, Global Consumer Technology; Steve Elliott, senior visepresident, IT-applikasjoner; Kathy Tazic, administrerende direktør, kundeservice

Det er trygt å si at det har vært et år fullt av overraskelser – uforutsette hendelser, uforutsette omstendigheter og noen utenkelige utfall. Når vi nå nærmer oss 2021 (og kanskje forhåpentligvis begynner å lukke døren for utfordringene i 2020), er det tydelig at vi må få mest mulig ut av de prediktive evnene og innovasjonen vi har tilgjengelig, og anvende de unike lærdommene og tilnærmingene til rapportering og modellering som vi har tilpasset i et år uten like.

Verktøy som kunstig intelligens, maskinlæring, datafikasjon og robotisert prosessautomatisering forvandler skadeprosessen. Og når det gjelder endringene vi har sett for rapporteringsmekanismer og modellering, tar avansert analyse førersetet. Vi integrerer nye modeller for COVID-19, justerer våre verktøy for beslutningsoptimalisering og tar en stadig mer løsningsorientert tilnærming til analyserapportering.

COVID-19-modellering
Vi tilpasser oss alle til teknologi i COVID-19-tiden. Hvordan kan vi best bruke teknologien vi har tilgjengelig til å tilpasse vår respons?

I tillegg til fremskrittene tekstutvinning har gitt oss, bruker vi vår evne til å identifisere, svare på og spore spørsmål gjennom AI-chatboter for naturlig språkbehandling for å hjelpe til med COVID-spesifikk modellering. Våre månedlige rapporter inkluderer antallet personer som kommer til Carey, Sedgwick-chatboten, og stiller COVID-relaterte spørsmål.

I tillegg har vi ved hjelp av dataene vi har tilgjengelig laget en modell for kundene våre for å forutsi kostnadene av COVID-19 på nye og eksisterende krav. Med den forventede langsiktige effekten av COVID-19, vil dette hjelpe oss med å planlegge for nå og i fremtiden. Modellen vår måler også effekten av COVID-19 på ikke-COVID-krav. Data fra denne modellen er tilgjengelig i et dashbord som viser effekten på tvers av organisasjonen vår, og illustrerer totaler og trender i flere kategorier:

• Alvorlighetsgrad, varighet og kostnadsmessige konsekvenser fra karantenetilfeller til bekreftede positive tilfeller og utover
• Fordeling etter stat kontra nasjonalt
• Permisjonstrender kontra arbeidstakererstatningstrender
• Konsekvenser av manglende tilgang til helsetjenester
• Forsinkelser i operasjoner
• Rettsavslutninger eller forsinkelser som påvirker avslutning og forlik av krav

Tekstutvinning
Etter et år der forventningene gikk i vasken, lener bransjen seg mer enn noen gang mot data – og det sier litt. Når bakken vakler, støtter vi oss ved å søke mer dybde, mer nøyaktighet og større presisjon. Gode data hjelper organisasjoner med å forutse, forvente og forberede seg på endrede kurser. Det større spørsmålet blir da hvordan vi gjør disse dataene mer «parametriserte», slik at de blir enklere å få tilgang til og bruke?

Trender innen datafikasjon viser dette: Vi er i økende grad i stand til å oversette atferd til brukbare data som kan hjelpe oss med å forstå og informere prosesser. Avanserte maskinlæringsverktøy, som chatboter, bildegjenkjenning og automatisert datautvinning, brukes mer og mer for å støtte og forbedre den digitale samtalen mellom interessenter i krav. Tekstutvinning er en slik funksjon vi kan forvente å se som en voksende innflytelse for analytiske prediktive modeller og en måte å gjøre systemene våre mer robuste på. Bedrifter jobber med hvordan de best kan implementere det på en skalerbar måte, selv om de identifiserer og veier potensielle bruksområder og fordeler. Ved å legge dette til i våre analytiske modeller – som en forbedring, ikke en erstatning – kan vi enklere flagge og identifisere de kravene som har notater og tekst om et bestemt emne. I sin tur får vi en dypere forståelse av brukerbehov og lærer flere datamønstre som bidrar til å utvikle beslutningstrær.

For Sedgwick går tekstutvinning dypere enn noen gang før og gjør datautvinning til en mye mer effektiv og rask prosess – mer fornuftig for et stort antall skader. Vi har tusenvis av datafelt i systemene våre, pluss mer skadehistorikk enn noen annen TPA på markedet. Å kunne få tilgang til analyser rundt millioner av frittstående notatposter har gitt sterke resultater. Med kontinuerlige oppgraderinger øker vi vår evne til å utføre tekstutvinning på de store mengdene ustrukturerte data som våre skadetakstmenn produserer. Muligheten til å trekke ut og analysere de viktige detaljene i en takstmanns notater forbedrer vår evne til å identifisere og prioritere skaderelaterte tiltak betydelig, og til å lage og sammenligne optimale modeller for fremtidige bekymringer.

Det er ingen grense for hvor mange utløsere klienter kan ønske å bli varslet om, eller som kan påvirke utviklingen av et krav – COVID-19-data er bare ett eksempel. Jo mer robust informasjonen i notatene er, desto mer informative kan de prediktive modellene være. Nåværende initiativer innen tekstutvinning vil gi oss muligheten til dypere analyse ved å klassifisere data etter sentiment og emne. For eksempel lar sentimentanalyse og naturlig språkbehandling Sedgwick tilnærme seg intensjonen bak data på nye måter som kan forutsi potensielle rettstvister eller påvirke reserver.

> Finn ut mer – sjekk ut denne utvidede artikkelen, inkludert sidefeltinnhold «Tech track: What else is on the horizon for Sedgwick clients?» i Sedgwicks digitale magasin, edge, utgave 15