Menjadi organisasi yang berbasis data

Menjadi organisasi yang berbasis data

Data digital

Kami mendengar banyak pembicaraan akhir-akhir ini tentang kebaikan organisasi berbasis data. Itu memang masuk akal sampai titik tertentu – tetapi apa artinya sebenarnya? Ketika datang ke keputusan operasional rutin, khususnya, bias saat ini tampaknya mendukung peningkatan otomatisasi atas penilaian manusia. Data tidak berbohong — begitulah ceritanya — jadi lebih baik kita menunda model keputusan terprogram.

Itu mungkin masuk akal untuk beberapa situasi, tetapi ketika Anda beroperasi di domain yang kompleks dan bernuansa, ambil klaim asuransi kecelakaan misalnya, paradigma keputusan yang sangat otomatis dapat mulai berantakan dengan sangat cepat. Ribuan variabel berbeda ikut bermain. Rekam medis dan laporan kecelakaan berisi perincian halus yang memberikan petunjuk penting tentang potensi risiko. Untuk memperumit masalah lebih lanjut, hal-hal kecil yang penting sering terkubur jauh di dalam konten naratif.

Seorang manajer klaim yang berpengalaman dapat memahaminya, asalkan mereka memiliki waktu dan perhatian yang cukup untuk dicurahkan untuk meninjau dokumentasi. Bisakah suatu algoritma mencapai hal yang sama?

Jawaban singkatnya adalah ya, tetapi itu disertai dengan peringatan yang sangat penting. Dalam domain yang kompleks, analisis data tingkat lanjut seharusnya tidak mendorong keputusan otomatis; itu harus menginformasikan dan memberdayakan manusia untuk membuat keputusan yang lebih efektif. Inisiatif kecerdasan buatan (AI) paling efektif yang ada saat ini melakukan hal itu.

Berdasarkan Data vs. Berdasarkan Informasi Data

Perbedaan di sini sangat penting. Paradigma berbasis data adalah tentang otomatisasi. Ini tentang mengalihkan tanggung jawab pengambilan keputusan dari aktor manusia dan mempercayai algoritme untuk menggantikannya.

Pendekatan berbasis data, sebaliknya, memberdayakan dan membantu orang membuat keputusan yang lebih baik dengan menandai potensi risiko, menyoroti anomali, dan memantau perubahan yang mungkin mengindikasikan perlunya perhatian. Ini adalah penolong, bukan pengganti.

Melihat contoh industri asuransi kecelakaan saya, untuk manajer klaim, ini memiliki implikasi yang kuat. Bayangkan, misalnya, seorang pekerja yang cedera telah melewatkan tiga pertemuan berturut-turut untuk terapi fisik. Apa artinya? Jika karyawan tidak lagi merasa membutuhkan perawatan, mungkin itu pertanda bahwa mereka siap untuk kembali bekerja, tetapi juga bisa menjadi indikasi bahwa kasusnya semakin memburuk. Dalam kedua kasus tersebut, seorang adjuster harus mengetahui situasinya sehingga mereka dapat membuat penilaian yang tepat.

Dalam domain yang kompleks, pendekatan informasi data ini memiliki potensi luar biasa untuk mengubah budaya dan proses organisasi.

Dalam organisasi yang memiliki informasi data, waktu dapat dihabiskan untuk keputusan yang bermakna dan berdampak. Karena mereka tidak perlu lagi menghabiskan waktu memindai catatan untuk mencari informasi yang menonjol, mereka memiliki bandwidth yang cukup tersedia untuk menerapkan penilaian profesional mereka pada kasus-kasus prioritas tinggi. AI melakukan kerja keras itu untuk mereka.

Organisasi yang memiliki informasi data dapat menerapkan sumber daya mereka yang berharga untuk beban kerja berbasis keparahan prediktif. Mereka dapat berfokus pada klaim yang memerlukan perhatian saat ini — berdasarkan data waktu nyata. Dokumen yang masuk ditinjau dan dipindai oleh AI, dan penyesuai klaim diberi tahu saat suatu kasus membutuhkan perhatian mereka.

Peluang Bisnis

Pendekatan berdasarkan informasi data sudah beroperasi di sejumlah perusahaan terkemuka di seluruh dunia. Ini mengubah proses dan mendorong perubahan budaya – tetapi tidak seperti yang diprediksi oleh banyak skeptis AI. Organisasi yang mendapat informasi data tidak merendahkan proses mereka. Sebaliknya, mereka memberdayakan dan meningkatkan profesional klaim mereka dengan memungkinkan mereka untuk fokus pada pekerjaan yang bermakna dan berdampak.

Paradigma berdasarkan informasi data berfokus pada klaim yang tepat pada waktu yang tepat. Ini tentang menemukan korelasi dan anomali, mengidentifikasi potensi risiko, dan membawanya ke perhatian manajer klaim yang berpengalaman.

Hasil? Organisasi yang memiliki informasi data memiliki durasi klaim yang lebih rendah dan total biaya klaim yang lebih rendah dari rata-rata. Tidak mengherankan, pekerja di organisasi yang memiliki informasi data juga menikmati kepuasan kerja yang jauh lebih tinggi. Perusahaan-perusahaan ini menghasilkan ROI yang tinggi — bukan dengan mengurangi tenaga kerja mereka tetapi dengan mengangkat mereka ke aktivitas bernilai lebih tinggi.

Debat Bangun vs. Beli

Bagaimana sebuah organisasi mencapai transformasi semacam itu? Dimulai dengan kecenderungan terhadap inovasi dan pengakuan bahwa analitik data tingkat lanjut memiliki potensi untuk mengubah manajemen klaim dari perspektif operasional.

Kebijaksanaan konvensional memberi tahu kita bahwa data hak milik adalah aset yang berbeda. Dengan kata lain, perusahaan memberi nilai tinggi pada data internal mereka karena itu milik mereka, dan tidak ada orang lain yang memilikinya. Namun, dalam dunia AI dan pembelajaran mesin, lebih banyak data umumnya lebih baik. Saat model ML memiliki akses ke volume informasi yang lebih tinggi, dari beragam sumber yang relatif luas, mereka dapat “belajar” lebih cepat dan lebih efektif.

Membangun dan memelihara set data bervolume tinggi semacam itu bisa sangat mahal dan memakan waktu. Implikasinya bagi perusahaan asuransi adalah bahwa dalam debat build versus buy, ada kasus yang semakin kuat untuk bergerak melampaui data hak milik dan merangkul platform terbaik di kelasnya untuk mendorong model informasi data.

Hal ini memberikan proses inovasi bersama yang fleksibel, memungkinkan perusahaan asuransi memanfaatkan solusi dan platform yang telah terbukti di dunia nyata, tanpa menciptakan kembali roda. Ini adalah alternatif jalur cepat bagi perusahaan yang ingin menjadi organisasi yang memiliki informasi data.

Kredit gambar: nevarpp/depositphotos.com

Tyler Jones, Chief Customer Officer di CLARA Analytics, memiliki pengalaman hampir dua dekade di industri asuransi dan perbankan. Dia bertanggung jawab untuk mengarahkan hubungan lengkap CLARA dengan pelanggannya dan mendorong upaya untuk menilai dan meningkatkan pengalaman di setiap titik kontak di seluruh perjalanan pelanggan. Pengalamannya sebagai inovator dan ahli strategi mencakup peran di mana dia berhasil mengubah pengalaman pelanggan dan operasi perusahaan dengan memanfaatkan kekuatan data bersama aplikasi digital, platform sosial, dan kecerdasan buatan. Untuk informasi lebih lanjut tentang CLARA Analytics, penyedia teknologi kecerdasan buatan (AI) terkemuka untuk pengoptimalan klaim asuransi komersial, kunjungi https://claraanalytics.com/, dan ikuti CLARA Analytics di LinkedIn, Facebook, dan Twitter.

Author: Kenneth Henderson