Создание обработчика претензий на основе ИИ
Создание обработчика претензий на основе ИИ

Используя искусственный интеллект, страховщики могут автоматизировать ряд процессов, которые не требуют взаимодействия с человеком.


Как и любая новая технология или бизнес-подход, задача «автоматизация претензий» означает разные вещи для разных людей, в зависимости от того, как вы смотрите на возможность и способы ее выполнения. Источником этой двусмысленности является тот факт, что сами процессы обработки претензий – это процессы, которые должны быть автоматизированы, но они уникальны для каждого страховщика.
Кроме того, во многих случаях отсутствуют инструкции, объясняющие систему, поток информации или правила обработки претензий. Вместо этого знания о том, как обрабатывать претензии, встроены в организацию.

Однако, если мы рассматриваем автоматизацию урегулирования претензий, как процесс автоматизации задач обработчика претензий, эта возможность становится более конкретной. Важно отметить, что, поместив обработчика претензий в центр внимания, мы ясно увидим, как методы искусственного интеллекта могут использоваться для автоматизации задач, связанных с урегулированием претензий, в конечном итоге улучшая качество обслуживания клиентов, оптимизируя результаты обработки претензий и снижая затраты на обработку претензий.

Нарушение процесса обработки претензий

Несмотря на отсутствие отраслевых стандартов, когда дело доходит до рассмотрения претензий, страховщики, как правило, следуют принципу де-факто работы своих групп по обработке претензий. Ключевые области, за которые отвечают эти команды, чаще всего определяются как:

FNOL: первое уведомление о потере - это момент, когда клиент регистрирует претензию у страховщика.

Обновления претензии: клиент запрашивает информацию о претензии или имеет дополнительную информацию о претензии, чтобы предоставить страховщику.

Анализ полиса: обработчик заявок анализирует полис, чтобы понять применимое покрытие и исключения.

Обстоятельства претензии: обработчик претензий строит картину того, что произошло во время инцидента, который привел к претензии, определяя характеристики, важные с точки зрения страхования (например, ответственность).

Анализ документов: обработчик претензий проверяет документы, предоставленные страхователем.

Оценка убытков: обработчик претензий использует свои знания, инструменты или рекомендации эксперта для проведения оценки убытков.

Решение о покрытии: обработчик претензий применяет полис к обстоятельствам, чтобы принять решение о том, покрывается ли претензия.

Решение о мошенничестве: обработчик претензий запрашивает у страхователя разъяснения или передает подозрительные претензии в службу раследований.

Решение о возмещении: обработчик претензий применяет бизнес-политику и свое суждение, чтобы решить, какой тип возмещения предложить клиенту.

Интересно то, что эти задачи, как бы они ни были неоднородны и сложны, все находятся в ведении группы обработки претензий. Во многих страховых компаниях один человек способен выполнить их все. Следовательно, мы можем рассматривать автоматизацию претензий, как задачу построения обработчика претензий на основе искусственного интеллекта (ИИ). Это выходит далеко за рамки роботизированной автоматизации процессов (RPA) или автоматизации одной задачи.

В данном определении обработчик претензий ИИ должен:

• Обеспечить эффективное взаимодействие с клиентом.
• Понять претензию.
• Принимать решения по претензиям.

Но эффективный обработчик претензий ИИ также должен быть способен принимать то, что лучше всего определить, как «решение о процессе». И именно здесь нарушаются подходы RPA и статические бизнес-правила. ИИ должен быть в состоянии определить, когда у него нет нужных данных и информации, необходимых для продвижения претензии. Это то, что человек-обработчик претензий делает естественно, но это нетривиальная проблема при построении решения для ИИ. В этой ситуации ИИ должен иметь возможность либо запросить дополнительную информацию (от клиента или другой стороны, участвующей в претензии), либо передать претензию лицу, занимающемуся обработкой претензий. По сути, мы добавляем четвертое требование, которое должен выполнять обработчик претензий ИИ:

4. Уметь принимать технологические решения.

Так как же это выглядит на практике? Давайте рассмотрим немного глубже.

Взаимодействие с клиентом

Основной мотивацией для внедрения автоматизации процесса урегулирования претензий является улучшение качества обслуживания клиентов, которое обычно начинается с первого уведомления об убытке и определяет ожидания клиентов для всего, что следует за этим. Например, многие потребители теперь ожидают, что FNOL можно будет делать онлайн, подобно тому, как они взаимодействуют с другими компаниями и сервисами.

Тем не менее, недостаточно просто создать интерфейс, который соответствует современным правилам взаимодействия с пользователем. Здесь ИИ вступает в игру и поддерживает автоматизацию реальных требований. Например, подача претензии через Интернет и повторное выслушивание через неделю от страховщика обвинений в том, что вы загрузили неправильный документ, создают ужасные ощущения.

Правильный ИИ может мгновенно сообщить вам, что была допущена ошибка и как ее исправить, поддерживая процесс и обеспечивая удовлетворение клиента. Но, как мы уже подчеркивали, FNOL - это только начало работы с клиентами по поводу претензий.

Понимание претензии

С пониманием претензий мы можем сосредоточиться как на проблеме, так и на возможностях, связанных с ИИ и автоматизацией претензий. Каждая из задач в этой области требует как модели данных, необходимых для обработки заявки, так и возможности извлечения этих данных из заявки или подтверждающих документов. Следующие примеры должны дать представление о подходах, необходимых для наполнения модели данных необходимой информацией.

Анализ полиса

В случае страхования путешествий многие страховщики выдают один полис на поездку, который, как правило, имеет стандартную форму, но часто не включает структурированную запись условий полиса, а только документ полиса. Результат? Обработчики претензий должны ссылаться на правила полиса для каждой претензии, чтобы понять охват и исключения.

Чтобы ИИ был успешным в этих случаях, ИИ должен иметь возможность применять RPA и обработку на естественном языке, чтобы понять, какие термины и исключения присутствуют в данном полисе, основываясь на знании стандартных форм. Естественно, это может быть применено и к другим видам страхования.

Обстоятельства претензии

Формы сообщений об авариях помогают понять, что произошло, когда произошла авария. Но стандартные формы никогда не могут охватить весь отчет об аварии, поэтому крайне важно, чтобы FNOL фиксировал описания заявителей своими словами.

Здесь два разных метода могут поддерживать автоматизацию. Анализ документов может предоставить стандартный набор обстоятельств из отчета об аварии, исключая дублирование усилий, экономя время и уменьшая вероятность несоответствий. Добавление использования понимания естественного языка для анализа сообщения заявителя об аварии помогает избежать запроса у заявителя той же информации в другом месте позже для заявлении претензии (FNOL). Цель состоит в том, чтобы создать как можно более полную модель обстоятельств с минимальным бременем, возлагаемым на заявителя.

Анализ документов

Обработчики претензий тратят много времени на рассмотрение документов, которые могут быть использованы для проверки обстоятельств, представленных заявителем, или информации, предоставленной от третьих лиц. Часто они охватывают ключевые аспекты процесса обработки претензий, такие как информация от поставщиков медицинских услуг или смета расходов на ремонт.

Анализ документов - это область, в которой обработчик претензий ИИ может сыграть решающую роль.

А поскольку обработчик заявок ИИ читает документы только с конечной целью автоматизации претензий, чтение должно быть ограничено только тем, что необходимо для ситуации. Например, в некоторых пунктах формулы ключевые атрибуты документа должны быть проверены без необходимости понимания всей полноты документа. Задержка рейса является хорошим примером того, что система должна только распознавать посадочный талон, подтвердить, что пассажир застрахован, и что номер рейса соответствует заявлению на предъявление претензии. Все остальные поля представляют ненужную информацию.

Однако в некоторых ситуациях чтение ключевой информации из документа без предварительного знания того, что ожидать, имеет решающее значение. Счета в претензиях на медицинские расходы являются прекрасным примером. Обработчик претензий ИИ должен понимать код выставления счета, процедуру и стоимость каждого элемента, а также проверять ключевую информацию о пациенте. Во многих случаях структура самого документа может помочь обеспечить согласованность извлечения такой информации, например, что элементы составляют в целом.

На сегодняшний день наиболее эффективным подходом является обучение моделей для понимания конкретных типов документов. Тем не менее, автоматизация претензий требует, чтобы мы строили модели, которые могут делать прогнозы с высокой степенью достоверности. Это можно сделать, позволив модели сказать «я не знаю» в тех случаях, когда высокий уровень доверия невозможен. Это является критически важным требованием при проектировании системы и учитывает задачи по принятию решений, которые также являются частью процесса.

Оценка потерь

Несмотря на разнообразие оценки и возмещения убытков по направлениям деятельности, все еще существуют огромные возможности для применения ИИ для оптимизации результатов урегулирования претензий. Системы могут использовать счета-фактуры от клиента в качестве основы для оценки потерь, с оговоркой, что несоответствия могут быть обнаружены и оценены соответствующим образом. Оценки могут основываться на известных отраслевых нормах или даже на информации из сторонних источников, таких как онлайн-списки. И, наконец, смета расходов с «низкой точностью», например, автомобиля с легким или несильным повреждением, может дать достаточно информации, чтобы знать, что делать дальше, без необходимости определения точных затрат на ремонт.

Решения по претензиям

Процесс урегулирования претензий существует (и, по сути, для этого существует и сама страховка), чтобы помочь клиентам решить проблемы, вызванные событиями вне их контроля. Чтобы заставить клиентов принять конкретное решение, страховщики должны принять решение о том, как обращаться с требованиями клиентов. Это определяющая ответственность обработчика претензий. Все остальные задачи в процессе поддерживают способность принимать лучшее решение по конкретной претензии.

Чтобы успешно обрабатывать заявки клиентов, обработчик претензий ИИ должен уметь принимать решения:

• Решение о покрытии - покрывается ли претензия?
• Решение о мошенничестве - имеет ли претензия обоснованность, или существует высокая вероятность мошенничества?
• Решение о выплате - как лучше удовлетворить претензию клиента?

Чтобы принимать такие решения, обработчик претензий ИИ должен иметь глубокое понимание бизнеса страховщика в сочетании с большим опытом подачи претензий. Решения должны сочетать вероятностное принятие решений с нисходящей реализацией бизнес-требований. И нам нужно думать о мошенничестве. Без эффективного обнаружения мошенничества автоматизация может просто увеличить количество мошеннических претензий. В результате, работающая и эффективная система обнаружения мошенничества является необходимым условием для автоматизации претензий.

Эти соображения приводят к окончательному набору решений, необходимых для эффективной автоматизации претензий, которые связаны с взаимодействием между обработчиком претензий ИИ и реальным миром.

Процесс принятия решения

Хороший обработчик претензий следует за процессом. Отличный обработчик претензий знает, когда выйти из процесса. Это особенно важно для обработчика претензий ИИ, который в противном случае способен многократно и быстро делать ошибки, не осознавая, что есть проблема.

По сути, ИИ должен знать, когда у него недостаточно информации, чтобы принять правильное решение. Когда это так, он может либо попросить кого-то, будь то клиент, эксперт, обработчик претензий, предоставить дополнительную информацию, либо он может передать дело обработчику претензий (эквивалент ИИ, когда просят вмещаться кого-то более опытного).

Автоматизация претензий: большая, опасная и захватывающая

Так что же нас все-таки ждет? Автоматизация претензий - это долгосрочное усилие, которое представляет собой захватывающее видение для страховщиков, особенно потому, что оно может обеспечить преобразование качества обслуживания клиентов. Тем не менее, из-за объема, автоматизация претензий может рассматриваться как процесс нечеткий и нечетко определенный.

Начиная с обработчика претензий, у нас есть конкретное определение автоматизации претензий: автоматизация задач, выполняемых обработчиком претензий. Мы можем использовать это определение, чтобы перечислить возможности, которые нам нужны для построения обработчика претензий ИИ. Это дает понять, что внедрить некоторые RPA или несколько бизнес-правил не достаточно. Нам нужна система, которая может принимать решения по претензии и мы должны понимать как с ней обращаться, в том числе при необходимости передавать ее специалистам.

Некоторые из частей уже имеют место быть. Например, индустрия увидела огромную выгоду от применения ИИ в решении проблемы мошенничества. Другие части находятся в зарождающейся стадии, и потребуется время, чтобы развиваться. Страховщики должны иметь долгосрочное видение того, что автоматизация процесса урегулирования претензий может означать для их бизнеса и организации, и находить партнеров, которые могут помочь им воплотить это видение в реальность.

Подготовлено порталом Allinsurance.kz