Για την αντιμετώπιση των περιπτώσεων απάτης εκτός από τους παραδοσιακούς και σημαντικούς τρόπους που έχει για να τις καταπολεμήσει ( underwriting & claims management), έχουμε στρέψει την προσοχή μας σε νέες πιο εξελιγμένες τεχνικές μεθόδους μέσω της βοήθειας της επιστήμης των δεδομένων (data science).
Μέσω των data science & data mining τεχνικών που περιλαμβάνουν στατιστικές και μαθηματικές μεθόδους, τεχνητή νοημοσύνη και τεχνικές μηχανικής μάθησης, εξάγονται και εντοπίζονται χρήσιμες πληροφορίες από δεδομένα μεγάλου όγκου απαιτήσεων χωρίς την παρέμβαση ανθρώπινου παράγοντα.
Η εταιρεία μας εδώ και χρόνια έχει κάνει αρκετά βήματα στον χώρο των advanced analytics και είναι από τους leader players στον Ιδιωτικό τομέα ασφάλισης πάνω στην διαχείριση και αξιοποίηση των δεδομένων. Μέσα από την ομάδα analytics που υπάρχει στην εταιρεία και αποτελείται από data scientists και data analysts, γίνονται προσπάθειες για να δημιουργηθούν κυρίως supervised machine learning αλγόριθμοι πάνω σε δεδομένα πελατών που έχουν διαπράξει απάτη, οι οποίοι βοηθούν την εταιρεία και τον κλάδο Υγείας να μπορεί να έχει μια ένδειξη που να δείχνει πόσο πιθανός είναι κάθε νέος πελάτης να διαπράξει απάτη.
Η διαδικασία αυτή δεν μπορεί να αντικαταστήσει το σημαντικό παραδοσιακό κομμάτι της ανάληψης κινδύνων. Μπορεί, όμως, να προσφέρει ένα έξτρα όπλο που θα μειώσει σημαντικά τον χρόνο διεκπεραίωσης των νέων αιτήσεων ασφάλισης, θα αυτοματοποιήσει την διαδικασία πρόβλεψης των πιθανών αιτήσεων απάτης, θα μειώσει το πραγματικό κόστος απαιτήσεων της εταιρείας και σε βάθος χρόνου θα δώσει καλύτερα και πιο δίκαια ασφάλιστρα (fair pricing) στους πελάτες.
Όλα τα παραπάνω βοηθούν την εταιρεία μας να πετύχει τους ευρύτερους στόχους του business plan της στοχεύοντας σε μια κερδοφόρα οργανική ανάπτυξη. Φυσικά, όπως αναφέρθηκε και πιο πάνω, η ύπαρξη και διαχείριση τόσο των εσωτερικών όσο και των εξωτερικών πηγών δεδομένων είναι αρκετά σημαντική για την ανάπτυξη των αλγορίθμων καθώς και για την βελτιστοποίηση τους.
Οι πιο σημαντικές κατηγορίες δεδομένων που χρησιμοποιούνται για την ανάπτυξη και βελτιστοποίηση των αλγορίθμων μας, εάν υπάρχουν, είναι:
α) Δεδομένα ασθενούς (Ηλικία, Φύλο, Τόπος κατοικίας, Ιατρικό ιστορικό, Δεδομένα Συμβολαίου)
β) Δεδομένα επισκέψεων (Διάστημα μεταξύ επισκέψεων, Συνολικές επισκέψεις, Αριθμός παρόχων που επισκέφτηκε).
γ) Δεδομένα συμβαλλόμενου ιατρού (Περιοχή, Ειδικότητα)
δ) Δεδομένα Παρόχου (Περιοχή, Εξειδίκευση παρόχου)
ε) Δεδομένα Κόστους (Συνολικό Κόστος, Κόστος φαρμάκων, Κόστος Νοσηλείας, Κόστος ιατρικών επισκέψεων) στ) Δεδομένα φαρμάκου (Κόστος Φαρμάκου, Δραστική ουσία, Εταιρεία παραγωγής).
Ωστόσο, η απάτη μπορεί να συμβεί σε διαφορετικά επίπεδα και όχι μόνο στο επίπεδο μεμονωμένης αποζημίωσης.
Γι’ αυτόν τον λόγο, πολύ σημαντικές μεταβλητές για τα μοντέλα μηχανικής μάθησης που δημιουργούνται όταν δούμε τις παραπάνω πληροφορίες αθροιστικά στα παρακάτω επίπεδα εστίασης:
Εξέταση αξίωσης αποζημίωσης μεμονομένα,
Οι συνολικές αξιώσεις ενός ασθενούς,
Οι συνολικές αξιώσεις ενός παρόχου,
Όλες οι αξιώσεις κάθε συνδιασμού παρόχου και ασθενούς,
Αξιώσεις ασφαλιζόμενων από το ίδιο συμβόλαιο,
Αξιώσεις που προέρχονται από τον ίδιο γιατρό.
