Van een grote verzekeraar hebben we de vraag gekregen om de voorspelbaarheid van de letselschade reserve en het claimafhandeling proces te optimaliseren. Het doel is enerzijds om vast te stellen of we een schadeassistent kunnen ontwikkelen welke operationeel kan helpen in het beter voorspellen van letselschades. Aan de andere kant is het zaak om de monitoring van de schadeafhandeling effectiever te laten verlopen.
Machine learning model
Om dit te bewerkstelligen hebben we een machine learning model geïmplementeerd dat automatisch de letselschadelast van een nieuw geopend dossier voorspelt. Dit model is vervolgens getest op reeds bestaande data en de resultaten zijn overweldigend positief. De inschatting blijkt vele malen nauwkeuriger te zijn dan die van een schadebehandelaar. Toch blijven er twijfels bestaan: hoe zit het met de structuur van historische data? Komt die wel overeen met de structuur van de data die nu verzameld wordt? Oftewel, is het model onderhevig aan overfitting, waardoor het bekende data goed voorspelt maar nieuwe data niet? Een experiment biedt uitkomst.
Het experiment
De insteek van het experiment is simpel: het meten van de kwaliteit van de voorspellingen van het model met nieuwe data, welke het model nog nooit eerder heeft gezien en deze vergelijken met de inschatting van de schadebehandelaars. Daarnaast is het van belang om de acceptatie van de modeluitkomsten door de organisatie te monitoren, met name bij de schadebehandelaars. Zo laten wij aan vier schadebehandelaars de voorspellingen op “hun” dossiers zien, welke vervolgens het verschil met hun eigen inschatting moeten noteren en zodoende hun mening kunnen geven over de inschatting van het nieuwe model, ofwel de schadeassistent.
Letselschade assistent
Een paar maanden later, toen de daadwerkelijke schadelast van de dossiers bekend was, kon het eindresultaat worden opgemaakt: ons model werkte op nieuwe data net zo goed als op historische data. En de schadebehandelaars? Zij waren onder de indruk dat een computer met relatief weinig informatie al een inschatting kon maken die dicht bij de daadwerkelijke uitkomsten in de buurt kwam. Hiermee was de blueprint voor een letselschade assistent een feit en waren de fundamenten gelegd voor een succesvolle samenwerking en toepassing van kunstmatige assistentie.