كيف يصنّف الذكاء الاصطناعي مطالبات التأمين على السيارات حسب الخطورة قبل أن يراها خبير التسوية

ليست كل مطالبة تأمين على السيارات تصل إلى نظام شركة التأمين متساوية. خدش بسيط في موقف السيارات وتصادم خمس سيارات على الطريق السريع كلاهما يدخل من خلال نفس عملية الاستقبال، لكنهما يحتاجان إلى معالجة مختلفة جذرياً. قد يكون الخدش إصلاحاً بقيمة 1,200 دولار يمكن لعملية آلية التعامل معه من البداية إلى النهاية. أما التصادم المتعدد فيتضمن إصابات وأطرافاً متعددة واحتمال تقاضٍ واحتياطي بستة أرقام. معاملتهما بنفس الطريقة عند الاستقبال هو إهدار لوقت الجميع.

لعقود من الزمن، كان الفرز الأولي لمطالبات التأمين على السيارات وظيفة بشرية. يقرأ ممثل المطالبات وصف الخسارة، وينظر في الأضرار المقدّرة، ويتحقق من وجود إصابات، ويقرر أين يوجّه المطالبة. المطالبات البسيطة تذهب إلى خبير تسوية مكتبي أو فريق المسار السريع. والمعقدة تذهب إلى خبير تسوية أقدم أو وحدة متخصصة. المشكلة هي أن هذا الفرز يعتمد كلياً على جودة المعلومات الأولية وخبرة الشخص الذي يقوم بالتوجيه.

قد لا يتعرف ممثل جديد على مؤشرات مطالبة على وشك أن تصبح معقدة. وقد لا يأخذ ممثل مشغول الوقت الكافي للتعمق في التفاصيل. وعندما يرتفع حجم المطالبات، يزداد الفرز سوءاً لأن الجميع يتسارعون لتصفية قائمة الانتظار.

كيف يعمل فرز الذكاء الاصطناعي فعلياً

تعمل أنظمة فرز الذكاء الاصطناعي لمطالبات السيارات من خلال تحليل نقاط بيانات متعددة في وقت واحد وتعيين درجة خطورة خلال ثوانٍ من الاستقبال. تنظر في وصف الخسارة، ونوع المركبات المعنية، والموقع، والوقت من اليوم، وأحوال الطقس وقت الخسارة، وعدد الأطراف، وما إذا كانت هناك إصابات مُبلّغ عنها، وتاريخ مطالبات حامل الوثيقة.

يتم تدريب النماذج على بيانات المطالبات التاريخية، لذا فقد تعلمت أي مجموعات من العوامل ترتبط بنتائج بسيطة ومتوسطة ومعقدة. حادث مركبة واحدة في موقف سيارات بدون إصابات مع سيارة سيدان حديثة الطراز له ملف خطورة مختلف تماماً عن تصادم مركبتين عند تقاطع أثناء عاصفة مطرية مع ألم في الرقبة مُبلّغ عنه.

تذهب بعض الأنظمة إلى أبعد من ذلك بدمج بيانات خارجية. يمكنها سحب معلومات تقارير الشرطة عند توفرها، والتحقق من سجلات دخول المستشفيات من خلال مزودي بيانات خارجيين، وحتى تحليل الصور المقدمة عند الإبلاغ الأول عن الخسارة لتقدير شدة الأضرار قبل أن ينظر إنسان في المطالبة.

منطق التوجيه الذي يتبع ذلك

بمجرد حصول المطالبة على درجة خطورة، يوجّهها النظام تلقائياً. قد تذهب المطالبات منخفضة الخطورة مباشرة إلى خط معالجة مباشر حيث تتم معالجة المطالبة بالكامل دون أن يلمسها خبير تسوية. يطلب النظام تقديراً، ويقارنه بالتغطية، ويصدر دفعة، ويغلق الملف.

يتم توجيه المطالبات متوسطة الخطورة إلى خبراء تسوية مكتبيين بمستوى الصلاحية المناسب وقدرة حمل العمل الملائمة. لا يختار النظام ببساطة خبير التسوية المتاح التالي. بل يطابق المطالبة مع خبير تسوية بناءً على خبرته وعبء عمله الحالي وتعيينه الجغرافي.

يتم تمييز المطالبات عالية الخطورة فوراً لخبراء التسوية الأقدم أو الوحدات المتخصصة. إذا اكتشف نموذج الفرز مؤشرات على مطالبة قد تتحول إلى تقاضٍ، مثل الإصابات المُبلّغ عنها أو الأطراف المتعددة أو وصف خسارة يتطابق مع أنماط مرتبطة بتدخل المحامين، فيمكنه إطلاق تنبيه مبكر لفريق التحقيقات الخاصة أو إدارة التقاضي في شركة التأمين.

ما الذي يتغير عند أتمتة الفرز

الفائدة الأكثر فورية هي السرعة. المطالبات التي كانت تنتظر في قائمة الانتظار للمراجعة والتوجيه البشري أصبحت تُفرز الآن في ثوانٍ. بالنسبة للمطالبات البسيطة، يعني هذا حلاً أسرع ودفعاً أسرع لحامل الوثيقة. وبالنسبة للمطالبات المعقدة، يعني تدخلاً مبكراً، وهو ما يؤدي دائماً تقريباً إلى نتائج أفضل وتكاليف أقل.

لكن الفائدة الأقل وضوحاً هي الاتساق. الفرز البشري متغير بطبيعته. أشخاص مختلفون يتخذون قرارات توجيه مختلفة بناءً على نفس المعلومات. هذا يخلق عدم اتساق في المعالجة يظهر في أوقات الدورة ومبالغ التسوية وتجربة العملاء. فرز الذكاء الاصطناعي يطبق نفس المنطق على كل مطالبة في كل مرة.

هناك أيضاً تأثير كبير على توزيع عبء عمل خبراء التسوية. بدون الفرز الآلي، ينتهي الأمر ببعض خبراء التسوية بأحمال عمل معقدة بشكل غير متناسب بينما يتعامل آخرون في الغالب مع مطالبات بسيطة. يمكن للتوجيه القائم على الذكاء الاصطناعي موازنة أعباء العمل بشكل أكثر فعالية، مما يقلل الإرهاق ويحسّن جودة التسوية بشكل عام.

مسألة الدقة

القلق الواضح هو ما إذا كان الذكاء الاصطناعي يستطيع تقييم خطورة المطالبة بدقة من المعلومات المحدودة المتاحة عند الإبلاغ الأول عن الخسارة. الإجابة هي أنه لا يحتاج أن يكون مثالياً. يحتاج أن يكون أفضل من البديل، وهو إنسان يتخذ حكماً سريعاً بناءً على وصف موجز للخسارة.

في الممارسة العملية، تحقق نماذج فرز الذكاء الاصطناعي معدلات دقة في نطاق 85 إلى 92 بالمائة لتصنيف الخطورة عند قياسها مقابل نتائج المطالبات الفعلية. وهذا أفضل بشكل ملموس من الفرز اليدوي الذي يقع عادة في نطاق 70 إلى 80 بالمائة. كما تتحسن النماذج بمرور الوقت مع إعادة تدريبها على بيانات مطالبات جديدة.

المطالبات التي يتم توجيهها خطأً بواسطة الذكاء الاصطناعي يلتقطها خبراء التسوية أثناء عملية المعالجة ويعيدون توجيهها. حلقة التغذية الراجعة هذه تعود إلى النموذج، مما يحسّن التنبؤات المستقبلية. النظام لا يحل محل الحكم البشري. إنه يوفر نقطة انطلاق أفضل له.

إلى أين يتجه هذا المجال

التطور التالي لفرز الذكاء الاصطناعي هو تعديل الخطورة في الوقت الفعلي. بدلاً من تعيين درجة خطورة مرة واحدة عند الإبلاغ الأول عن الخسارة وتركها ثابتة، تقوم الأنظمة الأحدث بتحديث الدرجة باستمرار مع دخول معلومات جديدة إلى ملف المطالبة. إذا ورد تقرير طبي يُظهر إصابات أكثر خطورة مما أُبلغ عنه في البداية، يقوم النظام تلقائياً بتصعيد المطالبة وتعديل التوجيه.

هذا يخلق بيئة معالجة مطالبات ديناميكية حيث يتم تخصيص الموارد باستمرار بناءً على الحالة الراهنة للمطالبة بدلاً من التقييم الأولي. إنه تحول جوهري عن النموذج التقليدي حيث تُسند المطالبة مرة واحدة وتبقى مع ذلك خبير التسوية حتى الإغلاق، بغض النظر عن كيفية تغير التعقيد بمرور الوقت.

بالنسبة لشركات التأمين التي تعالج أحجاماً كبيرة من مطالبات السيارات، لم يعد فرز الذكاء الاصطناعي ميزة إضافية. إنه الفرق بين تشغيل عملية فعالة والغرق في قائمة انتظار من مطالبات غير مصنّفة حيث تسد المطالبات البسيطة خط الأنابيب ولا تحصل المعقدة على الاهتمام الذي تحتاجه بالسرعة الكافية.

تعرف على المزيد حول كيفية إعادة تشكيل الذكاء الاصطناعي لسير عمل التأمين على صفحة صناعة التأمين في FirmAdapt.