Nova tecnologia em gestão de reclamações e produtividade: automação e IA

Por Stephen Elliott, MBA, JD, CISSP, CSM, vice-presidente sênior, inovação em TI e otimização de decisões

No mercado atual, inúmeros fornecedores e tecnologias afirmam utilizar inteligência artificial (IA) ou automatizar processos manuais de reclamações.

Pode-se argumentar que, desde o surgimento do primeiro computador, esse tem sido o objetivo de todos. A tecnologia atual é, em muitos aspectos, uma continuação desse processo de amadurecimento, com foco nas etapas do processo de reclamações que antes eram consideradas complexas ou opacas demais para serem automatizadas.

Nos últimos 50 anos, os profissionais da área de sinistros têm contado com a funcionalidade (e as limitações associadas) de aplicativos que utilizam linguagens de programação tradicionais. Atualmente, todos nós estamos intimamente familiarizados com a forma como os departamentos de tecnologia tradicionais trabalham para coletar requisitos, documentar e definir “regras” para decisões e criar programas que coexistem com os examinadores de sinistros para melhorar o processamento de sinistros. Agora, com a introdução da IA, existem vários novos componentes que desempenham um papel importante no que pode ser programado:

Correspondência de padrões

A inteligência artificial amplia o escopo das atividades humanas que podem ser automatizadas. Embora os seres humanos sigam instruções e regras documentadas na gestão de sinistros, eles também são otimizados para encontrar soluções com base em padrões que encontraram anteriormente. A IA introduz a correspondência de padrões em programas de máquina, permitindo a criação de software que não requer mais uma análise discreta detodasas regras de tomada de decisão com antecedência. Em vez disso, a IA oferece a capacidade de aproveitar dados históricos para mapear e perceber essas regras de maneira abstrata. Se examinadores de sinistros experientes analisaram o sinistro X e decidiram pela ação Y no passado, os sistemas de IA podem ser treinados para fazer o mesmo.

Sem estar limitada pelos métodos utilizados pelos seres humanos para tomar decisões, a IA de aprendizado de máquina pode ser ainda melhor. Na verdade, a IA pode identificar padrões nos dados quedevemser utilizados para tomar decisões, mesmo que os examinadores não tenham utilizado esses critérios ou nem sequer tenham percebido que os estavam utilizando. Esse avanço permite a criação de mecanismos de decisão inteligentes para automatizar de forma otimizada tarefas no processo de reclamações que antes eram consideradas demasiado complicadas ou que exigiam uma decisão subjetiva.

Sistemas de triagem automática

Projetados para analisar os elementos iniciais dos dados dos sinistros, os sistemas de triagem automática combinam os dados com padrões históricos que, de outra forma, poderiam ser difíceis de identificar, para classificar com precisão um sinistro em uma determinada “categoria” para processamento. Existem muitas maneiras pelas quais as empresas podem optar por fazer isso. Algumas podem querer treinar sua IA para colocar as reclamações em diferentes categorias de estimativa de custos — permitindo-lhes distinguir os níveis de risco por custo. Outras podem preferir uma definição mais abstrata de “complexidade” que possa se alinhar aos custos, mas às vezes simplesmente ajuda a identificar reclamações que podem exigir mais tempo, mais contato humano ou um nível mais alto de supervisão experiente.

Sistemas de adjudicação automática

Quando a triagem automática termina, a adjudicação automática assume o controle. Normalmente, se uma reclamação foi classificada comosimplese passível de ser processada sem intervenção humana, as etapas restantes do processo de reclamação podem ser automatizadas. Usando IA combinada com métodos mais tradicionais, a reclamação pode ser transferida da admissão para a elegibilidade e, finalmente, para o pagamento e encerramento. Essas reclamações julgadas automaticamente não só são mais baratas de gerenciar, mas muitas vezes resultam em maior satisfação do reclamante, pois não são atrasadas aguardando a análise dos avaliadores — proporcionando assim um encerramento rápido e fácil para o reclamante.

Modelagem preditiva

Normalmente discutida como uma tecnologia independente, a modelagem preditiva frequentemente representa um componente essencial das soluções de inteligência artificial. Combinando aprendizado de máquina e estatísticas complexas, ela usapadrõesde dados históricos para prever o futuro. Ao automatizar decisões ou etapas no processo de sinistros, os modelos preditivos podem ser usados para escolher as ações que fornecem os melhores resultados preditivos com base no custo, na satisfação do cliente ou no risco.

Embora esses modelos aproveitem a tecnologia moderna, eles também podem ser usados para otimizar a quantidade de intervenção humana em sinistros críticos. Recomendações prescritivas direcionadas para adicionar recursos experientes podem ser feitas quando as nuances de um sinistro apontam para vários cenários:

• Fraude
• Litígio
• Especialização

Quando a probabilidade de fraude é alta, a reclamação pode ser encaminhada a investigadores ou fornecida a avaliadores humanos para pesquisa e ação adicionais. Os modelos de IA têm a capacidade não apenas de procurar fraudes em reclamações individuais, mas também de analisar todo o livro de negócios e identificar padrões de fraude em casos individuais que, de outra forma, pareceriam inofensivos.

Quando a probabilidade de litígio é elevada, podem ser tomadas medidas especiais em relação ao sinistro. Estas podem incluir tarefas como guardar e arquivar vídeos de segurança de lojas, entrevistar testemunhas e outros participantes enquanto as suas memórias ainda estão frescas ou, de outra forma, prestar um melhor atendimento e comunicação com o requerente para evitar insatisfação.

Quando conhecimentos especializados podem beneficiar o sinistro, com base em “gatilhos” atuais ou na previsão de gatilhos futuros, a IA pode escalar o sinistro para o envolvimento de várias equipes. Essas equipes podem ser compostas por enfermeiros gestores de casos, investigadores de sub-rogação ou especialistas em outros sinistros complexos ou únicos.

Mineração de texto

O próximo domínio da IA em aprendizado de máquina reside na mineração de texto de dados não estruturados. Embora, em última análise, forneça resultados semelhantes aos da modelagem preditiva tradicional de dados estruturados, a mineração de texto de documentos, notas, depoimentos de testemunhas e outros elementos da reclamação oferece ao sistema uma quantidade significativamente maior de informações. Não é razoável que os sistemas de reclamações capturem todas as comorbidades ou combinações perigosas de medicamentos. No entanto, é possível fazer com que a IA aprenda os riscos associados à sua menção em notas, documentos médicos ou correspondência.

Principais desafios e riscos

Embora tudo isso pareça uma utopia para a tecnologia de gerenciamento de sinistros, ainda assim apresenta seus próprios desafios e riscos. Muitos dos eventos que pedimos à IA para aprender são considerados raros, tornando-os muitas vezes difíceis de prever — mesmo com os melhores dados e softwares de modelagem estatística. Eles quase nunca ocorrem como uma porcentagem do volume total de negócios. Isso não significa que seja impossível trabalhar com eles, mas cabe aos criadores ou compradores de software de automação/previsão entender como eles ainda podem apresentar desafios em termos de precisão. Desconfie de fornecedores que afirmam ter modelos com 95% de precisão na previsão de eventos raros. Se esses eventos ocorrem em 3% dos sinistros, então uma precisão superior a 97% é o mínimo que qualquer modelo básico deve produzir.

Em última análise, a eficácia de qualquer modelo de automação ou previsão baseado em IA dependerá tanto da qualidade dos dados quanto da qualidade das ações tomadas pela equipe de sinistros — caso ações prescritivas sejam recomendadas ou encaminhadas a ela. Como a maioria das tecnologias, ela geralmente funciona melhor quando não é totalmente manual ou totalmente automatizada, mas sim combinadana medida certapara minimizar os riscos e maximizar a satisfação do cliente.