Yapay Zeka, Oto Hasarı Taleplerini Eksper Görmeden Önce Ciddiyetine Göre Nasıl Sınıflandırıyor?

Bir sigortacının sistemine düşen her oto hasarı talebi aynı değildir. Küçük bir otopark çizilmesi ile beş araçlık bir otoyol kazası aynı başvuru sürecinden girer, ancak köklü biçimde farklı bir ele alış gerektirir. Çizik, uçtan uca otomatik bir süreçle halledilebilecek 1.200 dolarlık bir onarım olabilir. Zincirleme kaza ise yaralanmalar, birden fazla taraf, olası dava süreçleri ve altı haneli bir karşılık ayırmayı içerir. Bunları başvuru aşamasında aynı şekilde ele almak herkesin zamanını boşa harcamaktır.

Onlarca yıldır oto hasarı taleplerinin ilk sınıflandırması insan işi olmuştur. Bir hasar temsilcisi kayıp açıklamasını okur, tahmini hasara bakar, yaralanma olup olmadığını kontrol eder ve talebi nereye yönlendireceğine karar verir. Basit talepler masa eksperine veya hızlı işlem ekibine gider. Karmaşık olanlar kıdemli bir ekspere veya uzmanlık birimine yönlendirilir. Sorun şu ki, bu sınıflandırma tamamen başlangıç bilgisinin kalitesine ve yönlendirmeyi yapan kişinin deneyimine bağlıdır.

Yeni bir temsilci, karmaşıklaşmak üzere olan bir talebin işaretlerini fark edemeyebilir. Yoğun bir temsilci ayrıntıları incelemek için zaman ayırmayabilir. Ve talep hacmi arttığında, herkes kuyruğu eritmeye çalıştığı için sınıflandırma daha da kötüleşir.

Yapay Zeka ile Sınıflandırma Gerçekte Nasıl Çalışır?

Oto hasarı talepleri için yapay zeka sınıflandırma sistemleri, birden fazla veri noktasını eş zamanlı olarak analiz ederek başvurudan saniyeler içinde bir ciddiyet puanı atar. Kayıp açıklamasına, ilgili araç türlerine, konuma, günün saatine, kayıp anındaki hava koşullarına, taraf sayısına, yaralanma bildirilip bildirilmediğine ve poliçe sahibinin hasar geçmişine bakarlar.

Modeller geçmiş hasar verileri üzerinde eğitilmiştir, bu nedenle hangi faktör kombinasyonlarının basit, orta ve karmaşık sonuçlarla ilişkili olduğunu öğrenmişlerdir. Yaralanma olmayan, geç model bir sedanla bir otoparkta meydana gelen tek araçlı bir olay, yağmurlu havada boyun ağrısı bildirilen iki araçlı bir kavşak çarpışmasından çok farklı bir ciddiyet profiline sahiptir.

Bazı sistemler harici verileri de dahil ederek daha ileri gider. Mevcut olduğunda polis raporu bilgilerini çekebilir, üçüncü taraf veri sağlayıcıları aracılığıyla hastane yatış kayıtlarını kontrol edebilir ve hatta bir insan talebe bakmadan önce hasar ciddiyetini tahmin etmek için ilk bildirimde (FNOL) gönderilen fotoğrafları analiz edebilirler.

Ardından Gelen Yönlendirme Mantığı

Bir talep ciddiyet puanı aldıktan sonra sistem onu otomatik olarak yönlendirir. Düşük ciddiyetli talepler, tüm talebin bir eksper dokunmadan ele alındığı doğrudan işleme hattına yönlendirilebilir. Sistem bir ekspertiz raporu sipariş eder, teminatla karşılaştırır, ödeme yapar ve dosyayı kapatır.

Orta ciddiyetli talepler, uygun yetki düzeyine ve iş yükü kapasitesine sahip masa eksperlerine yönlendirilir. Sistem sadece müsait olan bir sonraki eksperi seçmez. Talebi, uzmanlık alanına, mevcut iş yüküne ve coğrafi görev alanına göre bir eksperle eşleştirir.

Yüksek ciddiyetli talepler, kıdemli eksperler veya uzmanlık birimleri için derhal işaretlenir. Sınıflandırma modeli, potansiyel olarak dava konusu olabilecek bir talebin göstergelerini tespit ederse — bildirilen yaralanmalar, birden fazla taraf veya avukat müdahalesiyle ilişkili kalıplarla eşleşen bir kayıp açıklaması gibi — sigortacının özel soruşturma veya dava yönetimi ekibine erken uyarı tetikleyebilir.

Sınıflandırma Otomatikleştiğinde Ne Değişir?

En acil fayda hızdır. Eskiden insan incelemesi ve yönlendirme için kuyrukta bekleyen talepler artık saniyeler içinde sınıflandırılır. Basit talepler için bu, daha hızlı çözüm ve poliçe sahibine daha hızlı ödeme anlamına gelir. Karmaşık talepler için ise daha erken müdahale anlamına gelir ki bu neredeyse her zaman daha iyi sonuçlara ve daha düşük maliyetlere yol açar.

Ancak daha az belirgin olan fayda tutarlılıktır. İnsan sınıflandırması doğası gereği değişkendir. Farklı kişiler aynı bilgiye dayanarak farklı yönlendirme kararları verir. Bu, işlem sürelerinde, uzlaşma tutarlarında ve müşteri deneyiminde tutarsızlık yaratır. Yapay zeka sınıflandırması her talebe, her seferinde aynı mantığı uygular.

Eksper iş yükü dağılımı üzerinde de önemli bir etkisi vardır. Otomatik sınıflandırma olmadan, bazı eksperler orantısız biçimde karmaşık dosyalarla boğuşurken diğerleri çoğunlukla basit talepleri ele alır. Yapay zeka tabanlı yönlendirme, iş yüklerini daha etkili bir şekilde dengeleyebilir; bu da tükenmişliği azaltır ve genel olarak ekspertiz kalitesini artırır.

Doğruluk Meselesi

Bariz endişe, yapay zekanın ilk bildirimde (FNOL) mevcut olan sınırlı bilgilerle talep ciddiyetini doğru bir şekilde değerlendirip değerlendiremeyeceğidir. Cevap şudur: mükemmel olması gerekmez. Alternatiften daha iyi olması yeterlidir; bu alternatif ise bir insanın kısa bir kayıp açıklamasına dayanarak anlık bir karar vermesidir.

Pratikte, yapay zeka sınıflandırma modelleri, gerçek talep sonuçlarıyla karşılaştırıldığında ciddiyet sınıflandırmasında yüzde 85 ile 92 arasında doğruluk oranlarına ulaşmaktadır. Bu, genellikle yüzde 70 ile 80 aralığında kalan manuel sınıflandırmadan anlamlı ölçüde daha iyidir. Modeller ayrıca yeni hasar verileriyle yeniden eğitildikçe zamanla gelişir.

Yapay zeka tarafından yanlış yönlendirilen talepler, eksperler tarafından işlem sürecinde yakalanır ve yeniden yönlendirilir. Bu geri bildirim döngüsü modele geri beslenir ve gelecekteki tahminleri iyileştirir. Sistem insan muhakemesinin yerini almıyor. Onun için daha iyi bir başlangıç noktası sağlıyor.

Bu Süreç Nereye Gidiyor?

Yapay zeka sınıflandırmasının bir sonraki evrimi, gerçek zamanlı ciddiyet güncellemesidir. İlk bildirimde bir kez ciddiyet puanı atayıp sabit bırakmak yerine, daha yeni sistemler talep dosyasına yeni bilgiler girdikçe puanı sürekli günceller. Başlangıçta bildirilenden daha ciddi yaralanmalar gösteren bir tıbbi rapor gelirse, sistem talebi otomatik olarak yükseltir ve yönlendirmeyi ayarlar.

Bu, kaynakların ilk değerlendirme yerine talebin mevcut durumuna göre sürekli tahsis edildiği dinamik bir hasar yönetimi ortamı yaratır. Bir talebin bir kez atanıp, karmaşıklığın zaman içinde nasıl değiştiğine bakılmaksızın kapanana kadar o eksperle kaldığı geleneksel modelden köklü bir değişimdir.

Yüksek hacimde oto hasarı talebi işleyen sigortacılar için yapay zeka sınıflandırması artık olsa iyi olur düzeyinde bir şey değildir. Verimli bir operasyon yürütmek ile basit taleplerin hattı tıkadığı ve karmaşık olanların yeterince hızlı ilgi göremediği, farklılaştırılmamış talepler kuyruğunda boğulmak arasındaki farktır.

Yapay zekanın sigorta iş akışlarını nasıl yeniden şekillendirdiği hakkında daha fazla bilgi edinmek için FirmAdapt'ın sigorta sektörü sayfasını ziyaret edin.