Resolution Life menggunakan perangkat lunak AI untuk menentukan apakah klaim asuransi itu “mudah” atau “rumit” dalam waktu 15 detik setelah diajukan.

Perusahaan asuransi, yang mengelola sekitar $30 miliar aset yang dikelola di Australasia, telah meningkatkan model yang digunakan untuk membuat keputusan ini, dari model yang dibangun sendiri, menjadi model platform H2O.ai yang sudah habis.

Pada acara H2O World Sydney, kepala teknik data Resolution Life Rajesh Malla mengatakan pemrosesan klaim adalah proses multi-tahap.

“Ketika klaim diajukan, kami ingin menilai klaim pada waktu yang tepat dan memberikan hasil yang tepat kepada pelanggan,” kata Malla.

“Ada beberapa langkah sebelum kita [even] memproses klaim. Langkah pertama adalah mengidentifikasi segmen dari klaim tertentu itu, jadi apakah mudah bagi kita untuk bergerak maju? Apakah saya benar-benar perlu meluangkan waktu untuk itu? Atau apakah itu klaim yang rumit [where] kami benar-benar perlu berbicara dengan pelanggan kami untuk memahami situasi mereka – apakah ada klaim sebelumnya yang dibuat sebelumnya, apakah ini merupakan perpanjangan dari klaim tersebut dan yang lainnya.

“Jadi segmentasi klaim merupakan bagian penting dari perjalanan klaim.”

Di masa lalu, segmentasi sebagian besar merupakan latihan manual.

“Sebelumnya, ketika klaim diajukan, seorang manajer klaim perlu ditugaskan untuk klaim tersebut, membuka klaim, memeriksanya secara manual, [and] menghabiskan sekitar satu atau dua hari – atau seminggu dalam beberapa kasus – untuk mengidentifikasi segmen klaim tertentu sebelum kami dapat mulai memprosesnya,” kata Malla.

Resolution Life telah mencoba mengotomatiskan proses segmentasi, dan telah membuat model triase klaim internal yang dapat membagi klaim menjadi kelompok “mudah” dan “kompleks” dengan akurasi 71 persen.

Enam bulan lalu, diputuskan untuk mengulang model di platform H2O.ai. Sudah, model yang dirubah itu mampu mendahulukan klaim dengan benar 77 persen dari waktu, peningkatan pada model in-house.

“Kami menghabiskan cukup banyak waktu dan akurasi pra-H2O.ai adalah 71 persen, sedangkan saat kami beralih ke H2O.ai, akurasi langsungnya adalah 77 persen,” kata Malla.

“Sekarang, dalam 15 detik setelah klaim diajukan, kami dapat mengelompokkan klaim tersebut ke dalam keranjang.”

Dia menambahkan: “Kami senang dengan 77 persen itu untuk saat ini, [but] kami mencari 100 persen [accuracy] hasil ke depan.”

Di sisi arsitektur, klaim yang diajukan memicu panggilan API ke lingkungan Snowflake perusahaan, tempat model berbasis H2O.ai diterapkan dan dilibatkan untuk memberikan “hasil prediktif”.

“Hasilnya dikirim kembali ke CMS, yang merupakan solusi manajemen klaim kami, dan hasilnya benar-benar disimpan di penyimpanan kontainer kami, seperti [Azure] Penyimpanan gumpalan, di mana kita dapat menggunakannya untuk tujuan masa depan kita,” kata Malla.

Selain merampingkan proses klaim dan mendapatkan hasil bagi pelanggan lebih cepat, Malla mengatakan model triase juga menghemat uang bagi perusahaan asuransi.

Lebih banyak kasus penggunaan H2O.ai

Malla mengatakan Resolution Life sekarang ingin mengimplementasikan H2O.ai dalam operasi pusat panggilannya untuk menilai mengapa pelanggan menelepon.

Ia mengatakan, pembagian customer support saat ini 40 persen self service dan 60 persen call center.

Malla mengatakan bahwa pelanggan mungkin memiliki banyak alasan untuk mengangkat telepon, tetapi perangkat lunak pusat panggilan yang ada hanya memungkinkannya untuk menangkap satu alasan untuk melakukan panggilan.

“Seorang pelanggan dapat menelepon untuk berbagai alasan yang berbeda,” katanya.

“Mungkin ada alasan utama, mungkin ada alasan sekunder atau alasan sekunder bisa lebih bermasalah daripada alasan utama mereka.

“Kami melihat H2O.ai untuk benar-benar memahami antrean kami, pembuatan panggilan: mengapa pelanggan menelepon kami dan apa alasan utama pelanggan menelepon?

“Berdasarkan itu, kami dapat meningkatkan bisnis kami.”

Perusahaan juga mencari pembelajaran mesin untuk menganalisis transkrip panggilan dengan lebih baik untuk wawasan yang mengarah ke kemampuan layanan mandiri yang lebih besar dan memprioritaskan panggilan untuk mengurangi volume panggilan dan waktu tunggu.

Kasus penggunaan terkait H2O.ai lainnya yang sedang dieksplorasi adalah dengan alat Obor Hidrogen vendor, yang bertujuan untuk membuat pembelajaran mendalam lebih mudah diakses.

“Rencananya akan dibangun product library yang berisi informasi seputar produk asuransi,” ujarnya.

Kasus penggunaan lain yang sedang diselidiki perusahaan melibatkan perluasan penggunaan H2O.ai untuk pemrosesan klaim itu sendiri, bukan hanya triase. Kasus penggunaan juga dimungkinkan di tim pemasaran, aktuaria, dan keuangan.

Malla menambahkan bahwa H2O.ai bukan satu-satunya alat yang digunakan dalam organisasi; Pembelajaran Mesin Azure juga sedang digunakan.

“Kami memiliki praktik ilmu data dan menggunakan banyak produk dalam organisasi. Ini tentang alat yang tepat untuk kasus penggunaan yang tepat,” katanya.