Forfattere

Av Adam Fisher, datasjef, Sedgwick

Hvert krav forteller en historie. Det avslører noe om hvordan risikoer utvikler seg, hva som driver kostnader, hvor forsinkelser oppstår og hvilke tiltak som kan utgjøre den største forskjellen i resultatene. Når vi ser på millioner av krav som spenner over flere tiår, bransjer og geografiske områder, begynner disse individuelle historiene å avdekke mønstre som kan hjelpe oss med å ta bedre beslutninger.

Hos Sedgwick har vi tilgang til en av bransjens mest omfattende samlinger av skadedata, med fem ganger mer data enn vår nærmeste konkurrent. Denne skalaen gir oss et unikt perspektiv på utfordringene kundene våre står overfor, fra økende skadealvorlighetsgrad og saksomkostninger til stadig mer komplekse arbeidsstyrkebehov.

Fremskritt innen skyteknologi, analyse og kunstig intelligens hjelper oss med å få større verdi ut av denne informasjonen. Vi kan identifisere meningsfulle mønstre, forutse nye risikoer og levere relevant innsikt til menneskene som tar beslutninger hver dag, ved å bruke flere tiår med historisk erfaring til å informere hvordan vi håndterer dagens krav.

I løpet av de siste årene har vi gjort betydelige investeringer i menneskene, teknologien og infrastrukturen som trengs for å støtte dette arbeidet. Disse investeringene bidrar til å forme den fortsatte utviklingen av Omni, Sedgwicks integrerte digitale økosystem, og skaper nye måter å forbedre resultatene for våre kunder og menneskene de betjener.

Legger grunnlaget for bedre intelligens

Å håndtere data på Sedgwicks skala krever en sofistikert infrastruktur. På tvers av vår globale virksomhet jobber vi med enorme mengder informasjon generert gjennom ulike kravsystemer, forretningsområder, klientprogrammer og regionale miljøer.

Mye av denne informasjonen har historisk sett blitt administrert gjennom svært sikker, etablert datainfrastruktur, som fortsatt spiller en viktig rolle i driften vår. I de senere årene har vi utvidet investeringen vår i skybaserte teknologier som lar oss analysere større mengder informasjon og gjøre innsikt lettere tilgjengelig.

En av disse investeringene er Snowflake, en skybasert dataplattform som lar oss selektivt hente informasjon fra våre eksisterende systemer inn i et miljø som er utviklet for å støtte avansert analyse og rapportering.

Denne tilnærmingen gir oss større fleksibilitet i hvordan vi jobber med data. Vi kan støtte stadig mer sofistikerte prediktive modeller, gjøre informasjon tilgjengelig for et bredere spekter av brukere og tilpasse våre analytiske verktøy etter hvert som teknologien fortsetter å utvikle seg.

Det hjelper oss også med å operere mer effektivt på tvers av geografiske områder. Ulike regioner har forskjellige regulatoriske krav, forretningspraksis og måter å beskrive krav på. Vår dataarkitektur lar oss opprettholde passende regionale miljøer samtidig som vi bruker konsistente analytiske verktøy og tilnærminger på tvers av vår globale virksomhet.

Datastyring er grunnleggende gjennom hele denne prosessen. Å opprettholde passende kontroll over hvordan informasjon tilgås, organiseres og brukes bidrar til å sikre at informasjonen vi genererer er pålitelig og at kundenes informasjon håndteres ansvarlig.

Å finne mer intelligens i informasjonen vi allerede har

En av de mest spennende utviklingene innen datavitenskap er vår økende evne til å analysere informasjon som historisk sett har vært vanskelig å bruke i stor skala.

Skadesaker genererer to hovedkategorier av informasjon. Strukturerte data inkluderer informasjonen som er fanget i definerte felt, som skadetype, jurisdiksjon, skadekarakteristikker, kostnader og viktige datoer. Denne informasjonen har lenge støttet vår rapportering, benchmarking og prediktive analyse.

Ustrukturerte data gir en ekstra dimensjon. Det inkluderer skademeldinger, medisinsk dokumentasjon, handlingsplaner og annen narrativ informasjon som bidrar til å forklare hva som skjer gjennom hele et skadetilfelle.

I årevis krevde det betydelig manuell innsats å utvinne meningsfull innsikt fra dette materialet. I dag lar fremskritt innen kunstig intelligens og naturlig språkbehandling oss innlemme mer av denne informasjonen i våre analytiske modeller.

Vi har sett med egne øyne hvor verdifull denne ekstra konteksten kan være. Da vi utviklet vår neste generasjon av modeller for skadealvorlighetsgrad, kom en av de viktigste forbedringene fra å innlemme ustrukturert informasjon sammen med tradisjonelle skadedata.

Denne rikere forståelsen hjelper oss med å identifisere mønstre som ellers ville vært vanskelige å gjenkjenne, spesielt når vi ser på millioner av krav med ulike egenskaper og omstendigheter.

Etter hvert som våre skadeeksperter i økende grad bruker AI-aktiverte verktøy for å støtte dokumentasjon og oppsummere informasjon, bygger vi også opp en voksende mengde detaljert og konsistent informasjon som kan støtte fremtidig analyse. Dybden og kvaliteten på denne informasjonen vil fortsette å styrke innsikten vi kan generere.

Setter innsikt der beslutningene tas

Rapporter og dashbord har lenge spilt en viktig rolle i å hjelpe organisasjoner med å forstå skadeoppgjør. Risikostyringssjefer og bedriftsledere er avhengige av dem for å overvåke trender, evaluere resultater og identifisere områder som trenger oppmerksomhet på tvers av programmene sine.

Vi utvider nå hvordan denne informasjonen når folk, med et spesielt fokus på å gjøre relevant informasjon tilgjengelig i arbeidsflytene der beslutninger tas.

Tenk deg en skadesaksbehandler som gjennomgår et enkelt krav. Denne fagpersonen bringer erfaring, dømmekraft og kunnskap om omstendighetene for å bestemme de riktige neste stegene. Med innebygd analyse kan vi supplere denne ekspertisen med innsikt hentet fra tusenvis av lignende krav, inkludert historiske mønstre, potensielle alvorlighetsindikatorer og faktorer som har påvirket resultatene.

Å ha denne informasjonen tilgjengelig mens en sak vurderes, kan hjelpe fagfolk med å gjenkjenne nye bekymringer og evaluere potensielle tiltak tidligere i prosessen.

Gjennom våre kontinuerlige investeringer i innebygd analyse og Omni-økosystemet forbedrer vi muligheten til å levere innsikt i systemene våre kolleger bruker til å håndtere krav. Relevant informasjon kan presenteres i konteksten av deres daglige arbeid, noe som gjør det enklere å innlemme datadrevet veiledning i beslutningene de tar.

For kunder støtter disse funksjonene også mer proaktiv programstyring. Avansert analyse kan bidra til å identifisere nye trender, støtte prognoser og gi større innsikt i faktorene som påvirker kravytelsen.

Etter hvert som vi fortsetter å utvide disse verktøyene, fokuserer vi på å gjøre innsikt mer tilgjengelig og nyttig for et bredere spekter av mennesker, fra skadeeksperten som administrerer en individuell sak til risikoansvarlig som fører tilsyn med et komplekst globalt program.

Gjør prediktiv intelligens om til handling

Verdien av dataene våre blir spesielt tydelig når vi anvender dem på utfordringer som har en meningsfull innvirkning på utfallet av skader.

Et eksempel er alvorlighetsgraden av skader. På tvers av skadeprogrammer kan tidlig identifisering av potensielt komplekse eller kostbare skader støtte mer effektiv intervensjon, ressursallokering og rettstvisthåndtering.

Vårt datavitenskapsteam har utviklet en ny generasjon alvorlighetsmodeller som bygger på millioner av historiske krav, hundrevis av millioner av ustrukturerte kravnotater og flere tiår med erfaring. Disse modellene evaluerer krav på tvers av fem alvorlighetskategorier, og hjelper fagfolk med å forstå relativ risiko og prioritere oppmerksomheten sin basert på egenskapene til hvert krav.

For generelle erstatningskrav for personskade har vi allerede tatt denne tilnærmingen i bruk. Modellene bruker et bredt spekter av informasjon, inkludert strukturerte kravkarakteristikker og ustrukturert dokumentasjon, for å identifisere krav som kan kreve ytterligere oppmerksomhet.

Vi bruker også prediktiv intelligens til klinisk intervensjon. Våre AI-baserte veiledningsfunksjoner analyserer informasjon om krav for å identifisere tilfeller som kan ha nytte av involvering av en kliniker, noe som støtter tidligere tilgang til passende ekspertise og behandling.

Bredden av vår historiske informasjon gir disse modellene et betydelig grunnlag for å identifisere mønstre, mens våre skadeeksperter har den nødvendige ekspertisen for å tolke funnene og bestemme riktig handlingsforløp.

En viktig del av vår tilnærming er å sørge for at modellene gir meningsfull veiledning til de som er ansvarlige for å håndtere krav. I tillegg til å identifisere en potensiell bekymring, ønsker vi å hjelpe fagfolk med å forstå faktorene som bidrar til den vurderingen, enten det er en bestemt jurisdiksjon, skadekarakteristikk eller mønster observert i lignende krav.

Denne konteksten gir skadebehandleren tilleggsinformasjon å vurdere i tillegg til sin egen erfaring og vurdering. Forklaringen bak en prediktiv score kan være spesielt verdifull for å hjelpe dem med å bestemme hvilke tiltak de skal iverksette.

Fortsetter å utvide det som er mulig

Mengden informasjon som er tilgjengelig for oss fortsetter å vokse, og fremskritt innen kunstig intelligens og analyse utvider hva vi kan lære av den. Vi er i økende grad i stand til å innlemme informasjon fra hele skadesyklusen, analysere den med større raffinement og gjøre den resulterende innsikten tilgjengelig for flere mennesker.

Hos Sedgwick fortsetter vi å styrke datainfrastrukturen vår, innlemme nye informasjonskilder og forbedre prediktive modeller. Vi fokuserer også på å gjøre disse funksjonene enklere å bruke, slik at innsikten som genereres av datavitenskapsteamene våre kan anvendes konsekvent i hele virksomheten vår.

Hvert krav vi håndterer bidrar til vår forståelse av risiko, dekning, kostnadsdrivere og faktorene som påvirker utfall. Over tid styrker denne akkumulerte erfaringen vår evne til å gjenkjenne mønstre og identifisere hvor tidligere tiltak kan utgjøre en forskjell.

Dette arbeidet er sentralt for den fortsatte utviklingen av Omni. Etter hvert som vi kobler sammen flere av våre data, analytiske evner og skadeekspertise på tvers av økosystemet, kan vi gi våre kolleger og kunder et klarere bilde av faktorene som former skadeutfall og hjelpe dem med å reagere med større trygghet.

Med den omfattende informasjonen som er tilgjengelig for Sedgwick og investeringene vi har gjort i hvordan vi bruker den, er vi godt posisjonert til å fortsette å fremme dataenes rolle i skadebehandling. Jeg er spesielt spent på hvor mye mer vi kan lære etter hvert som vi bringer ytterligere informasjon inn i vårt analytiske miljø og bruker denne innsikten på tvers av skadene vi håndterer hver dag.