carrot carrot carrot Change Centers x cognizanti collaborators create-folder Data Science Decisive Infrastructure download download edit Email exit Facebook files folders future-of-work global sourcing industry info infographic linkedin location Mass Empowerment Mobile First our-latest-thinking pdf question-mark icon_rss save-article search-article search-folders settings icon_share smart-search Smart Sourcing icon_star Twitter Value Webs Virtual Capital workplace Artboard 1

Argentina

SEGUROS

La ciencia (de datos) tras la prevención de los fraudes de seguros


El desafío

Los costes por fraude a las aseguradoras son de unos 80 mil millones de dólares al año, las más frecuentes son las reclamaciones de atención sanitaria. Una aseguradora líder de EE. UU. sospechaba de altos niveles de reclamaciones fraudulentas. Al igual que muchas otras aseguradoras, la compañía utilizaba un proceso de revisión de reclamaciones basado en reglas que se centraban en facturas médicas individuales. Por desgracia, ese proceso no tenía en cuenta el contexto de facturas pasadas para una reclamación determinada o del proveedor que rellenaba dichas reclamaciones. Aunque contaban con datos históricos, no proporcionaban información sobre patrones de comportamiento fraudulento.

La empresa quería explorar nuevos enfoques al problema. Se puso en contacto con Cognizant para que desarrollara una metodología de comparativa de mercado exclusiva del proveedor para identificar comportamientos fraudulentos.


Nuestro enfoque

Tras desarrollar y probar varias hipótesis, Cognizant creó una metodología analítica que usa técnicas de aprendizaje de máquinas sin supervisión para recopilar y analizar los datos de facturas médicas en tres importantes dimensiones: plausibilidad, resultados y comportamiento. 

Nuestro análisis evalúa la plausabilidad de las decisiones de los tratamientos con todos los datos disponibles en las facturas médicas. Para obtener información de los resultados, así como para supervisar y controlar los costes y duración de los tratamientos de los pacientes, indizamos datos por categorías como diagnósticos, estados y especialidades de los proveedores. Al analizar los historiales de los proveedores (comportamiento), nuestro modelo señala las anomalías como cambios de estado o de dirección frecuentes, historial de reclamaciones denegadas, prescripciones atípicas de narcóticos u opiáceos y relaciones sospechosas con otros proveedores que indiquen complots.

El aprendizaje de máquinas aporta verdad al análisis de reclamaciones médicas

Como el fraude puede ocurrir en varios momentos del proceso de reclamaciones, el aprendizaje de máquinas es clave para explorar el enorme volumen de datos, detectar patrones en dichos datos y explicar los matices. La metodología de comparativa de mercado de proveedor de Cognizant, que aprovecha el aprendizaje de máquinas, evita el fraude directamente para reducir los costes de la atención sanitaria.

$8M

en reclamaciones fraudulentas identificados

60X

retorno de la inversión de la compañía de seguros

Improved

la eficiencia y la dirección de unidades de investigación especiales, búsqueda de reclamaciones, médicos y peritos de seguros


CORRA LA VOZ