- Инсайты
- Аналитика SAS поможет страховым компаниям
Аналитика SAS поможет страховым компаниям построить комплексную стратегию для снижения убыточности и увеличения продаж ДМС
Степан Ванин, руководитель направления решений для страхового сектора SAS Россия/СНГ
Как применять углубленную аналитику и машинное обучение в медицинском страховании? Представленные в статье бизнес-кейсы ориентированы в первую очередь на получение дополнительного экономического эффекта на каждом из этапов работы с клиентами в добровольном медицинском страховании – от продаж и андеррайтинга до урегулирования убытков.
Компания SAS стала единственным приглашенным вендором на конференции журнала «Деловой эксперт» для специалистов в области медицинского страхования. «В ходе подготовки к конференции выяснилось, что SAS – пока единственная компания на российском рынке, предлагающая системный, отработанный на практике подход к оптимизации бизнес-процессов в ДМС с помощью технологий углубленной аналитики», - комментирует Степан Ванин, руководитель направления решений для страхового сектора SAS Россия/СНГ.
Опыт и подход SAS к комплексному снижению убыточности и повышению продаж был продемонстрирован участникам конференции на конкретных бизнес-кейсах, некоторые из которых уже реализованы в крупнейших российских страховых компаниях.
Бизнес-кейсы были разделены на несколько групп:
- Увеличение продаж – в первую очередь, за счет автоматизации рутинных задач продавцов и смещения акцента в их работе на персональное общение с потенциальными клиентами.
- Снижение убыточности за счет повышения точности оценки рисков на этапе андеррайтинга – как в части клиентов (за счет увеличения точности расчета тарифов благодаря включению в анализ информации из внешних источников), так и в части партнеров-ЛПУ (за счет более точной, многофакторной оценки рисков, связанных с качеством лечения в конкретной клинике по конкретным направлениям оказания медпомощи).
- Снижение убытков за счет интеллектуального управления потоками застрахованных (отправки пациентов к «хорошим» врачам в «хорошие» ЛПУ, превентивной профилактики пациентов с большим риском возникновения серьезного заболевания и т.п.).
- Снижение убытков за счет повышения эффективности урегулирования убытков, в первую очередь за счет автоматизации выявления неправомерно оказанных медуслуг на этапе медицинской экспертизы и последующего перераспределения освободившегося времени медэкспертов для проведения выездных проверок ЛПУ
Большую часть аудитории мероприятия составляли медицинские эксперты, которые отвечают за урегулирование убытков и принимают решение, компенсировать или нет клиникам расходы на оказанные услуги. Возникшая во время выступления SAS оживленная дискуссия показала, что наиболее важные точки приложения углубленной аналитики для них – построение справочников медуслуг и выявление неправомерно оказанных медуслуг.
«Как оказалось, решение этих задач сегодня волнует многих экспертов из ДМС. Вместе с тем, при их практической реализации возникает множество неочевидных вопросов. Некоторые вопросы технологические: какие алгоритмы текстовой аналитики нужны для стандартизации неструктурированных наименований медуслуг? какой алгоритм машинного обучения лучше других распознает неправомерно оказанную медуслугу? Некоторые – методологические: как спроектировать справочник, с которым будут сопоставляться медуслуги? куда эффективнее всего перенаправить ресурсы медэкспертов, освобождаемые за счет автоматизации проверки медуслуг с помощью аналитических моделей? Наконец, многие эксперты давно интуитивно осознали пользу от решения указанных задач, но не торопятся с этим в ожидании ответа на самый важный вопрос – вопрос об экономическом эффекте от использования технологий машинного обучения. Закономерно, что участникам конференции был интересен наш опыт в этой области», - говорит Степан Ванин.
Ключевые кейсы
Наибольший интерес среди слушателей вызвали следующие кейсы:
- Стандартизация наименований медуслуг (построение справочника медуслуг)
Принятие большей части оперативных решений при урегулировании убытков в ДМС опирается на статистику оказания различных услуг в разрезе ЛПУ, пациента, клиента. Однако на сегодняшний день такую статистику чрезвычайно сложно посчитать. Связано это с тем, что при работе в системе ДМС ЛПУ называют одну и ту же медуслугу разными наименованиями. При этом в ДМС (в отличие от ОМС) не существует единого стандарта – справочника – для наименования медуслуг. И даже если бы такой справочник был – не ясно, как соотносить с ним огромный поток услуг от ЛПУ (к тому же с постоянно меняющиеся наименованиями). Технологии текстовой аналитики SAS позволяют решить сразу обе эти задачи. «На одном из проектов по внедрению решений SAS мы построили справочник, в котором только для отделений стоматологии содержится несколько сотен категорий услуг. Такая детальность позволяет учесть в справочнике тончайшие нюансы медицинской и бизнес-логики оказания услуг в ДМС. Это, в свою очередь, повышает точность решений медэкспертов, которые базируются на сути медуслуг, оказываемых ЛПУ (снять или компенсировать услугу; в какое ЛПУ поехать с выездной проверкой на следующей неделе и т.п.»), - комментирует Степан Ванин.
- Автоматическое выявление неправомерно оказанных медуслуг
Является ли услуга, оказанная пациенту, необходимой для лечения его заболевания? На этот вопрос в страховых компаниях сейчас отвечает целый отдел высококвалифицированных медэкспертов. Более половины рабочего времени они тратят за быстрым просмотром счетов с перечнем услуг, приходящих от ЛПУ. При этом анализ правомерности оказания производится не более чем для половины услуг,а изучение контекста оказания конкретной услуги происходит достаточно поверхностно.
Вместе с тем, использование аналитических моделей для выявления неправомерно оказанных медуслуг легко устраняет оба недостатка типового процесса. Во-первых, модель тратит тысячные доли секунды на просмотр одной медуслуги, позволяя обрабатывать весь поток услуг. Во-вторых, анализ гарантированно будет гораздо глубже экспертного, т.к. модель учтет тысячи факторов, которые характеризуют каждую услугу. В результате модель будет отбирать для финальной экспертной проверки только услуги, максимально похожие на ранее выявленные неправомерно оказанные. Поток услуг для экспертной проверки сократится в десятки раз. А освободившееся от рутинных проверок врачи могут проводить гораздо больше времени на выездных врачебных проверках. - Автоматический разбор тендерных заданий
Какие клиники должны быть доступны сотрудникам компании в рамках договора ДМС? От каких заболеваний они должны иметь возможность лечиться? На эти вопросы специалисты по продажам в ДМС получают ответ по итогам нескольких дней ручного разбора тендерного задания – набора документов, который присылает клиент и который описывает его потребности.
Технологии углубленной аналитики позволяют автоматизировать разбор потока тендерных заданий на 90-95%, сократив срок изучения заявки от клиента с недели до нескольких десятков минут. Освободившееся от рутины время специалисты по продажам смогут посвятить персональному общению с клиентами – тому, в чем состоит истинный смысл их работы.
Об авторе
Степан Ванин — работает на должности руководителя направления решений для Страхового сектора. Имеет 7-летний опыт работы в области повышения эффективности бизнес-процессов компаний финансовой, государственной и нефтегазовой отраслей с помощью технологий углубленной аналитики. Начинал карьеру в отделе инновационных разработок компании Роснефть, где за 2 года принял участие в создании систем для оптимизации проектов разработки нефтяных месторождений и интеллектуального интегрированного планирования.
В компании SAS с 2013 года, где изначально специализировался на задачах монетизации внешней информации о клиентах компаний. За это время участвовал в проектах внедрения аналитической платформы SAS в крупнейших компаниях финансового сектора. Последние 2 года развивает направление комплексного применения аналитических технологий SAS во всех областях страхового бизнеса (розничном страховании, страховании ЮЛ, медстраховании и пр.).
Окончил Московский физико-технический институт.
Рекомендуем прочитать
- Article Model risk management: Vital to regulatory and business sustainabilitySloppy model risk management can lead to failure to gain regulatory approval for capital plans, financial loss, damage to a bank's reputation and loss of shareholder value. Learn how to improve model risk management by establishing controls and guidelines to measure and address model risk at every stage of the life cycle.
- Article Чат-боты: что это такое?Чат-бот – это форма разговорного искусственного интеллекта, предназначенная для упрощения взаимодействия человека с компьютерами. Используя чат-ботов, компьютеры могут понимать и реагировать на приход человека через устную или письменную речь.
- Article Гид: алгоритмы машинного обучения и их типыТермины «Машинное обучение» и «Искусственный интеллект» часто путают между собой. На самом деле, машинное обучение входит в область искусственного интеллекта. Ещё машинное обучение порой путают с прогнозной аналитикой (или предсказательным моделированием).
- Article Агробизнес и современные технологииКак можно повысить эффективность бизнес-процессов, начиная с производства и заканчивая хранением и сбытом, с помощью информационных технологий?