Penetapan Cadangan Otomatis: Bagaimana Model Prediktif Mengungguli Estimasi Manual

Cadangan adalah perkiraan terbaik industri asuransi tentang berapa biaya akhir suatu klaim. Cadangan sangat penting karena mengalir langsung ke laporan keuangan perusahaan asuransi, memengaruhi keputusan reasuransi, dan mendorong pelaporan regulasi. Jika salah menetapkannya, dampak hilirnya akan menjalar ke seluruh organisasi.

Pendekatan tradisional dalam menetapkan cadangan adalah secara manual. Seorang adjuster meninjau klaim saat penerimaan, mempertimbangkan jenis kerugian, tingkat keparahan kerusakan atau cedera, yurisdiksi, dan pengalaman mereka sendiri, lalu menetapkan jumlah cadangan awal. Seiring masuknya informasi baru selama masa klaim, adjuster secara berkala meninjau dan menyesuaikan cadangan naik atau turun.

Proses ini memiliki dua masalah mendasar. Pertama, sangat bergantung pada pengalaman dan penilaian adjuster, yang berarti akurasi cadangan bervariasi secara signifikan dari satu adjuster ke adjuster lainnya. Seorang adjuster berpengalaman yang menangani klaim kendaraan di yurisdiksi tertentu mungkin menetapkan cadangan yang sangat akurat karena mereka memiliki pengalaman pengenalan pola selama puluhan tahun. Seorang adjuster yang lebih baru menangani klaim yang sama mungkin secara konsisten menetapkan cadangan terlalu rendah atau terlalu tinggi karena mereka belum mengembangkan intuisi tersebut.

Kedua, cadangan manual cenderung ditetapkan terlalu lambat dan disesuaikan terlalu pelan. Cadangan awal pada FNOL sering kali merupakan estimasi kasar berdasarkan informasi terbatas. Penyesuaian terjadi ketika adjuster memiliki waktu untuk meninjau berkas, yang mungkin berminggu-minggu atau berbulan-bulan setelah informasi baru tiba. Cadangan tertinggal di belakang perkembangan aktual klaim.

Bagaimana Model Prediktif Bekerja

Model cadangan prediktif menggunakan algoritma machine learning yang dilatih pada data klaim historis untuk memperkirakan biaya akhir suatu klaim pada titik mana pun dalam siklus hidupnya. Pada FNOL, model mempertimbangkan titik data yang tersedia, termasuk jenis kerugian, indikator keparahan, demografi penggugat, lokasi geografis, batas polis, dan estimasi kerusakan awal, untuk menghasilkan rekomendasi cadangan.

Model-model ini tidak membuat tebakan sembarangan. Mereka melakukan analisis statistik terhadap ribuan atau jutaan klaim historis serupa untuk menemukan rentang hasil yang paling mungkin. Tabrakan dari belakang dengan keluhan nyeri leher di yurisdiksi tertentu, melibatkan penggugat dengan usia tertentu tanpa klaim sebelumnya, memiliki distribusi hasil yang dapat diprediksi. Model menghitung nilai ekspektasi dan interval kepercayaan berdasarkan distribusi tersebut.

Saat data baru masuk ke berkas klaim, model memperbarui prediksinya secara real time. Ketika tagihan medis masuk, ketika diagnosis baru dilaporkan, ketika pengacara mengirim surat kuasa, model menghitung ulang biaya akhir yang diharapkan dan menyesuaikan rekomendasi cadangan sesuai dengan itu. Pembaruan berkelanjutan ini berarti cadangan mengikuti perkembangan aktual klaim alih-alih tertinggal di belakangnya.

Di Mana Model Prediktif Mengungguli

Keunggulan akurasi paling jelas terlihat di dua area: konsistensi dan deteksi dini keparahan.

Konsistensi cukup mudah dipahami. Model menerapkan kerangka analitis yang sama untuk setiap klaim. Model tidak memiliki hari buruk, tidak membawa bias dari pengalaman terkini, dan tidak bervariasi berdasarkan tekanan beban kerja. Studi yang membandingkan cadangan prediksi model dengan hasil klaim aktual menunjukkan bahwa model prediktif mencapai tingkat kesalahan absolut rata-rata 20 hingga 35 persen lebih rendah dibandingkan cadangan manual di seluruh portofolio klaim yang beragam.

Deteksi dini keparahan adalah di mana model memberikan nilai strategis terbesar. Kombinasi tertentu dari karakteristik klaim merupakan prediktor kuat untuk hasil berkeparahan tinggi, tetapi kombinasi ini tidak selalu jelas bagi adjuster individu. Sebuah model mungkin mempelajari bahwa klaim yang melibatkan jenis cedera tertentu, di yurisdiksi tertentu, dengan perawatan di jenis fasilitas tertentu, cenderung berkembang menjadi klaim berbiaya tinggi dengan tingkat tiga kali lebih tinggi dari rata-rata portofolio. Model dapat menandai klaim ini saat penerimaan, mendorong intervensi dini yang tidak akan terjadi dengan penetapan cadangan manual.

Koneksi Aktuaria

Cadangan bukan hanya fungsi klaim. Cadangan mengalir langsung ke proses aktuaria. Aktuaris menggunakan data cadangan untuk menilai kecukupan cadangan kerugian perusahaan asuransi secara agregat, yang menginformasikan penetapan harga, pembelian reasuransi, dan pelaporan keuangan.

Ketika cadangan klaim individu tidak akurat, agregasi aktuaria memperbesar kesalahan tersebut. Penetapan cadangan yang secara sistematis terlalu rendah menciptakan kesan profitabilitas yang menguap ketika klaim berkembang ke biaya sebenarnya. Penetapan cadangan yang secara sistematis terlalu tinggi mengikat modal secara tidak perlu dan mendistorsi sinyal penetapan harga.

Model prediktif meningkatkan proses aktuaria dengan menyediakan estimasi cadangan yang lebih akurat dan tepat waktu di tingkat klaim individu. Beberapa perusahaan asuransi telah melangkah lebih jauh dengan mengintegrasikan model prediktif langsung ke dalam alur kerja aktuaria, menggunakan output model yang sama untuk penetapan cadangan tingkat klaim dan analisis cadangan agregat.

Realitas Implementasi

Menerapkan cadangan prediktif bukanlah proposisi plug-and-play. Model perlu dilatih pada data historis milik perusahaan asuransi itu sendiri, karena pola klaim bervariasi secara signifikan berdasarkan perusahaan asuransi, geografi, dan lini bisnis. Model yang dilatih pada data klaim kendaraan satu perusahaan asuransi belum tentu berkinerja baik pada portofolio perusahaan asuransi lain.

Kualitas data adalah hambatan terbesar. Model hanya sebaik data yang digunakan untuk melatihnya. Jika data klaim historis perusahaan asuransi tidak lengkap, dikodekan secara tidak konsisten, atau terstruktur dengan buruk, model akan mempelajari pola yang salah. Sebagian besar perusahaan asuransi yang berhasil menerapkan cadangan prediktif menginvestasikan upaya signifikan dalam pembersihan dan standardisasi data sebelum mereka membangun model.

Ada juga tantangan manajemen perubahan. Adjuster yang telah menetapkan cadangan berdasarkan penilaian mereka sendiri selama bertahun-tahun mungkin menolak sistem yang mengesampingkan atau mempertanyakan estimasi mereka. Implementasi yang paling berhasil memposisikan model sebagai alat yang membantu adjuster, bukan menggantikan mereka. Model memberikan rekomendasi, dan adjuster dapat menerimanya, menyesuaikannya, atau mengesampingkannya dengan alasan yang terdokumentasi.

Taruhan Finansial

Untuk perusahaan asuransi menengah yang memproses 50.000 klaim per tahun dengan cadangan rata-rata $15.000, peningkatan akurasi cadangan sebesar 20 persen diterjemahkan menjadi jutaan dolar dalam alokasi modal yang lebih baik. Klaim dengan cadangan berlebih melepaskan modal yang ditahan secara tidak perlu. Klaim dengan cadangan kurang teridentifikasi lebih awal, memungkinkan perencanaan keuangan yang lebih baik dan lebih sedikit kejutan pada tinjauan cadangan akhir tahun.

Manfaat regulasi juga penting. Regulator negara memeriksa kecukupan cadangan sebagai bagian dari pengawasan keuangan mereka. Perusahaan asuransi yang dapat menunjukkan pendekatan penetapan cadangan yang ketat dan berbasis data berada dalam posisi yang lebih kuat selama pemeriksaan regulasi dibandingkan yang hanya mengandalkan penilaian manual.

Jelajahi bagaimana analitik prediktif meningkatkan operasi asuransi di halaman industri asuransi FirmAdapt.