Η σωστή διαχείριση των αιτημάτων αποζημίωσης αποτελεί ένα πεδίο κρίσιμο και καθοριστικό για την επιχειρηματική σταθερότητα, την οικονομική ευρωστία και την ανάδειξη των ποιοτικών χαρακτηριστικών της λειτουργίας μιας ασφαλιστικής εταιρίας, τόνισε η Γενική Διευθύντρια της ΕΑΕΕ, Μαργαρίτα Αντωνάκη κατά την εισήγησή της στην επιστημονική ημερίδα του Πανεπιστημίου Πειραιώς με θέμα «Data Analytics and Machine Learning for Insurance Fraud Detection». Όπως υποστήριξε, στην όλη αλυσίδα αξίας των επιμέρους ασφαλιστικών εργασιών, η σωστή διαχείριση των αιτημάτων αποζημίωσης έχει καταλυτική επίδραση όχι μόνο στην κερδοφορία της εταιρίας, αλλά και στην ικανοποίηση των πελατών της.

Σύμφωνα με την κα Αντωνάκη, η πιο αποδοτική και αποτελεσματική στρατηγική για την διαχείριση των αιτήσεων έχει αποδειχθεί η χρήση των υπολογιστικών συστημάτων και η ανάλυση δεδομένων. Προς ενίσχυση της ανίχνευσης της απάτης και της αποσόβησης της οικονομικής ζημίας που δημιουργείται από ψευδείς απαιτήσεις, οι ασφαλιστικές εταιρίες ανά τον κόσμο στρέφονται ολοένα και περισσότερο στη χρήση της τεχνολογίας και την αξιοποίηση των δυνατοτήτων που αυτή παρέχει:
α) στην πλέον εκλεπτυσμένη (sophisticated) ανάλυση δεδομένων και μάλιστα στην ανάλυση εξαιρετικά μεγάλων όγκων δεδομένων, δομημένων και αδόμητων, οπότε μιλάμε για Big Data και
β) με την Τεχνητή Νοημοσύνη (Artificial Intelligence) και μάλιστα την ειδικότερη εφαρμογή αυτής, την Μηχανική Μάθηση (Machine Learning).

Ολοκληρώνοντας την τοποθέτησή της, η κα Αντωνάκη αναφέρθηκε στην συστηματική προσπάθεια που καταβάλλεται τον τελευταίο χρόνο από την Ένωση Ασφαλιστικών Εταιριών Ελλάδος με σκοπό τη διερεύνηση των βέλτιστων πρακτικών και μεθόδων που εφαρμόζονται σε άλλες ευρωπαϊκές αγορές για την πρόληψη και την αντιμετώπιση της απάτης σε όλους τους κλάδους ασφάλισης. "Μέχρι σήμερα έχουμε πραγματοποιήσει ιδιαίτερα εποικοδομητικές τηλεδιασκέψεις εργασίας με τις Ενώσεις Ασφαλιστών της Ολλανδίας, της Ισπανίας, αλλά και με τον ALFA, τον ειδικό Οργανισμό για τα θέματα καταπολέμησης της απάτης της Γαλλικής Ασφαλιστικής Αγοράς" αποκάλυψε και πρόσθεσε ότι κοινή συνισταμένη όλων των δράσεων που λαμβάνουν χώρα σε ευρωπαϊκό επίπεδο είναι η αδιαμφισβήτητη αναγνώριση του έννομου συμφέροντος της ασφαλιστικής αγοράς και της συντριπτικής πλειοψηφίας των ασφαλισμένων να προστατευθούν και να αντιμετωπίσουν το πρόβλημα της ασφαλιστικής απάτης από τους ολίγους.

Ακολουθεί ο ομιλία της κας Αντωνάκη:

"Ένα πεδίο κρίσιμο και καθοριστικό για την επιχειρηματική σταθερότητα, την οικονομική ευρωστία και την ανάδειξη των ποιοτικών χαρακτηριστικών της λειτουργίας μιας ασφαλιστικής εταιρίας είναι εκείνο της σωστής διαχείρισης των αιτημάτων αποζημίωσης που της υποβάλλονται.

Στην όλη αλυσίδα αξίας των επιμέρους ασφαλιστικών εργασιών, η συγκεκριμένη αυτή ειδικά λειτουργία έχει καταλυτική επίδραση όχι μόνο στην κερδοφορία της εταιρίας, αλλά και στην ικανοποίηση των πελατών της.

Με άλλα λόγια, η δυνατότητά να διακρίνουν αποτελεσματικά και αποδοτικά τα έγκυρα από τα απατηλά ή έστω λανθασμένα, χωρίς πρόθεση, δηλαδή, αιτήματα αποζημίωσης που δέχονται, είναι από τους θεμελιώδεις παράγοντες διασφάλισης της οικονομικής ισχύος και υγείας των ασφαλιστικών εταιριών και, ως εκ τούτου, καθοριστικός σε ό,τι αφορά την ικανότητά τους να αποζημιώνουν ορθά και σε εύλογο χρόνο, στηρίζοντας τους πελάτες τους την δύσκολη ώρα που έχει προκύψει ο ασφαλισμένος κίνδυνος.

Αυτό ισχύει για όλους τους κλάδους ασφάλισης και έχει ιδιαίτερη βαρύτητα για τις ασφαλίσεις του κλάδου υγείας, προφανώς εξαιτίας

(α) της απόλυτης αξίας αυτής καθ’ εαυτής της υγείας και της ευαισθησίας που ασφαλώς αρμόζει προς τους ασφαλισμένους, όταν έχει βληθεί η υγεία τους, στοιχεία που επιτάσσουν αφενός, λεπτό και προσεκτικό και , αφετέρου, το δυνατόν ταχύ χειρισμό,

(β) της πολυπλοκότητας και της διαρκούς εξέλιξης των ιατρικών υπηρεσιών και της ιατρικής τεχνολογίας, των οποίων ο έλεγχος αναγκαιότητάς τους σε κάθε περίπτωση απαίτησης αποζημίωσης, συνιστά μια διόλου εύκολη εργασία

(γ) της συχνότητας, και άρα του εξαιρετικά μεγάλου όγκου, αιτημάτων αποζημίωσης που υποβάλλονται στις συγκεκριμένες ασφαλίσεις (ας σκεφτούμε πόσες φορές ασθενούμε ή αποκτάμε ένα χρόνιο νόσημα ή έχουμε ατύχημα στη ζωή μας!)

(δ) των υψηλών ποσών που συνολικά καταβάλλονται ως αποζημιώσεις στις ασφαλίσεις υγείας, είτε αυτά προέρχονται από πολλές, μικρότερων ποσών, απαιτήσεις, είτε πρόκειται για περιπτώσεις απαιτήσεων μεγάλου ύψους

(ε) του αυστηρού νομοθετικού πλαισίου που διέπει την προστασία των προσωπικών και κυρίως των ευαίσθητων δεδομένων των υποκειμένων, εντός του οποίου οφείλουν να λειτουργούν και οι ασφαλιστικές εταιρίες κατά τον έλεγχο των σχετικών απαιτήσεων.

Η ασφαλιστική δραστηριότητα, ανεξαρτήτως κλάδου, γενικά και ανά τον κόσμο βρίσκεται αντιμέτωπη με την πρόκληση εντοπισμού των απατηλών απαιτήσεων αποζημίωσης από τις πρώτες της μέρες, από καταβολής της, θα λέγαμε.

Η απάτη, όπως και η κατάχρηση και η σπατάλη (waste), οι μη αναγκαίες δηλαδή υπηρεσίες στην υγεία, και η διερεύνηση και ανίχνευσή τους δημιουργούν κόστη και επιπλέον φόρτο εργασίας για τους ασφαλιστές παγκοσμίως. Όχι μόνο μπορεί να οδηγήσουν σε καθυστερήσεις στην επεξεργασία των αιτήσεων αποζημίωσης και στις πληρωμές προς τους πελάτες ή συνεργάτες (στην περίπτωση που πχ πρόκειται για μια συνεργαζόμενη κλινική), αλλά οι μη ανιχνευόμενες, και άρα αποζημιούμενες περιπτώσεις απατηλών απαιτήσεων, συντελούν στην αύξηση των ασφαλίστρων εις βάρος των τίμιων και ειλικρινών ασφαλισμένων.

Ιδανικά, τα στελέχη των τμημάτων αποζημιώσεων των εταιριών θα έπρεπε να έχουν την ικανότητα να ερευνούν κάθε μία αίτηση αποζημίωσης εξαντλητικά και να συνάγουν εάν πρόκειται για περίπτωση γνήσιας απαίτησης που πρέπει να αποζημιωθεί ή όχι. Ωστόσο, η διαδικασία αυτή είναι όχι μόνο χρονοβόρα, αλλά και κοστοβόρα.

Η πιο αποδοτική και αποτελεσματική στρατηγική στο πεδίο αυτό έχει αποδειχθεί η χρήση των υπολογιστικών συστημάτων και η ανάλυση δεδομένων. Ωστόσο, η διαθέσιμη τεχνολογία του παρελθόντος καθιστούσε εφικτή μια σε πρώτο επίπεδο, βασική ανάλυση κάθε αιτήματος αποζημίωσης, ώστε ακόμη και στην περίπτωση εντοπισμού μιας πιθανής απατηλής απαίτησης, το στέλεχος των αποζημιώσεων της ασφαλιστικής, να πρέπει να αναλώσει πολύ χρόνο ακόμη έρευνας, λειτουργώντας ενίοτε και λίγο σαν detective!

Όπως συχνά λέγεται, και όπως, όντως είναι, η τεχνολογία και η καινοτομία ανασχηματίζουν όλους τους κλάδους επιχειρηματικής δραστηριότητας, περιλαμβανομένης και της ασφαλιστικής. Προς ενίσχυση της ανίχνευσης της απάτης και της αποσόβησης της οικονομικής ζημίας που δημιουργείται από τέτοιου είδους απαιτήσεις, οι ασφαλιστικές εταιρίες ανά τον κόσμο στρέφονται ολοένα και περισσότερο στη χρήση της τεχνολογίας και την αξιοποίηση των δυνατοτήτων που αυτή παρέχει

α) στην πλέον εκλεπτυσμένη (sophisticated) ανάλυση δεδομένων και μάλιστα στην ανάλυση εξαιρετικά μεγάλων όγκων δεδομένων, δομημένων και αδόμητων, οπότε μιλάμε για Big Data και

β) με την Τεχνητή Νοημοσύνη (Artificial Intelligence) και μάλιστα την ειδικότερη εφαρμογή αυτής, την Μηχανική Μάθηση (Machine Learning).

Πώς διαφοροποιείται η εξελιγμένη ανάλυση δεδομένων και η Μηχανική Μάθηση από την «παραδοσιακή» ανάλυση δεδομένων την οποία έρχονται και αντικαθιστούν σιγά – σιγά και στις ασφαλιστικές εργασίες; Και ακόμη, πώς ωφελούνται και τι παραπάνω προσφέρουν οι καινοτόμες αυτές εφαρμογές στους ασφαλιστές, στην ανάλυση δεδομένων προς το σκοπό της ανίχνευσης είτε απατηλών είτε καταχρηστικών αιτήσεων αποζημιώσεων υγείας;

Τα «πιο παραδοσιακά» υπολογιστικά συστήματα συνηθίζουν να αναζητούν ενδείξεις απάτης, τις γνωστές «κόκκινες σημαίες» (red flags). Τα συστήματα αυτά είναι προγραμματισμένα εκ των προτέρων, με την έννοια ότι οι απατηλές απαιτήσεις πρέπει να εμπίπτουν σε έναν ορισμένο τύπο, να συγκεντρώνουν κάποια χαρακτηριστικά που έχουν οριστεί έξωθεν, από τον προγραμματιστή, ώστε να μην περάσουν απαρατήρητες από το σύστημα.

Από την άλλη, η εφαρμογή της πλέον εξελιγμένης τεχνολογίας έχει καταστήσει την ανάλυση των δεδομένων των claimς πλέον «δυναμική». Με την Τεχνητή Νοημοσύνη και ειδικά με την εφαρμογή της Μηχανικής Μάθησης παρέχεται η δυνατότητα στα συστήματα να μαθαίνουν και να βελτιώνονται από την «εμπειρία» τους, χωρίς επιπλέον προγραμματισμό τους. Για να μπορέσουν να το κάνουν αυτό, τα συστήματα αναλύουν μεγάλους όγκους, κατηγοριοποιημένων δεδομένων, αναλαμβάνοντας, συνεπώς, αρκετές ανθρώπινες διεργασίες.

Η μάλλον πιο «δημοφιλής» μορφή εφαρμογής της Μηχανικής Μάθησης στις ασφαλίσεις, είναι εκείνη της «ανίχνευσης έντονων ανωμαλιών» ή deep anomaly detection, όπως είναι γνωστή στους πλέον ειδικούς, όπως οι περισσότεροι σύνεδροι σήμερα. Ο τρόπος που λειτουργούν αυτές οι εφαρμογές, στηρίζεται στην τροφοδότησή τους με δεδομένα «γνήσιων», «ορθών» claims, τα οποία το ίδιο το σύστημα αναλύει και διαμορφώνει ένα μοντέλο του πώς είναι ένα «τυπικό claim». Αυτό το μοντέλο εφαρμοζόμενο στη συνέχεια σε μεγάλους όγκους αιτήσεων αποζημίωσης (claims) εντοπίζει τις περιπτώσεις έντονων ανωμαλιών.

Επίσης, μία ακόμη, εξέλιξη αυτής της μεθόδου ανίχνευσης έντονων ανωμαλιών συνιστά εκείνη των «προβλεπτικών αναλύσεων» ή predictive analytics. Τα predictive analytics λειτουργούν με ένα παρόμοιο με το deep anomaly detection τρόπο, με την διαφορά ότι τα στοιχεία που τροφοδοτούνται αρχικά εδώ για να διαμορφωθεί το μοντέλο έχουν κάποια πιο ειδικά χαρακτηριστικά, ώστε εφαρμοζόμενο αυτό, στη συνέχεια, σε μεγάλο όγκο claims εξετάζει τα χαρακτηριστικά τόσο των «τυπικών» αλλά και των «α-τυπικών» claims, τα οποία συγκεντρώνουν κάποιες ενδείξεις απατηλών απαιτήσεων που το σύστημα έχει διακρίνει.

Ονοματίζοντας τα πλέον βασικά οφέλη που αποκομίζονται από την εφαρμογή της Μηχανικής Μάθησης στο πεδίο του εντοπισμού της απάτης και της κατάχρησης, αλλά και της «σπατάλης», θα αναφέραμε:

- την μεγαλύτερη ακρίβεια στον εντοπισμό των «ύποπτων» απαιτήσεων
- την μεγαλύτερη ταχύτητα στην επεξεργασία των δεδομένων
- την ανίχνευση συνδέσεων μεταξύ διαφόρων παραγόντων, οι οποίες δεν γίνονται εύκολα αντιληπτές από το ανθρώπινο μάτι
- την δυνατότητα αναγνώρισης και νέων σχημάτων απάτης, που καθίσταται εφικτή μέσα από τον διαρκή έλεγχο σειράς περιπτώσεων και τύπων απάτης, σε συνδυασμό με την εφαρμογή μικρών διαφοροποιήσεων κατά την ανάλυση των δεδομένων.

Ωστόσο, πριν ολοκληρώσουμε την παρούσα τοποθέτηση μας και παραδώσουμε το βήμα στον επόμενο ομιλητή, θα ήταν παράλειψη να μην αναφέρουμε ότι τα θέματα που συζητούνται στη σημερινή ημερίδα και ειδικά η εφαρμογή τους στον χώρο των ασφαλίσεων, απασχολούν έντονα διεθνείς οργανισμούς, εποπτικές αρχές, ασφαλιστικές ενώσεις και fora. Ενδεικτική και πλέον πρόσφατη είναι έκθεση που δημοσίευσε ο ΟΟΣΑ μέσα στο 2020, με τίτλο «The Impact of Big Data and Artificial Intelligence in the Insurance Sector».

Πιο συγκεκριμένα, μετά την έκδοση το 2019 των «Οδηγιών» της ειδικής επιτροπής του ΟΟΣΑ σχετικά με την Εφαρμογή της Τεχνητής Νοημοσύνης σε διαφόρους κλάδους της οικονομίας (OECD, (2019), Measuring the Digital Transformation: A Roadmap for the Future), στην τελευταία, πολύ πρόσφατη, Έκθεση του Οργανισμού (ΟΟΣΑ) γίνεται εκτεταμένη αναφορά στα πεδία εφαρμογής της Τεχνητής Νοημοσύνης και κυρίως της Μηχανικής Μάθησης ειδικά στις ασφαλιστικές λειτουργίες. Στην Έκθεση αυτή, ακόμη, επισημαίνονται τα σημεία προβληματισμού και προσοχής που πρέπει να δοθεί από τις κυβερνήσεις και τις εθνικές ρυθμιστικές και εποπτικές αρχές της ασφαλιστικής δραστηριότητας.

Αξίζει να σημειωθεί ότι από τα πλέον χαρακτηριστικά σημεία στα οποία ο ΟΟΣΑ επισημαίνει ότι απαιτείται ιδιαίτερη μέριμνα από όλους, τόσο κυβερνήσεις και ρυθμιστικές και εποπτικές αρχές, όσο και ασφαλιστικές εταιρίες, είναι

- η διασφάλιση της καταλληλότητας των δεδομένων που αναλύονται για την ανάπτυξη των μοντέλων, αλλά των δεδομένων επί των οποίων εφαρμόζονται στη συνέχεια
- η διασφάλιση επαρκούς εξειδικευμένου στη λειτουργία των εφαρμογών της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης στελεχιακού δυναμικού στις ασφαλιστικές επιχειρήσεις
- το πολύ σημαντικό στοιχείο της διασφάλισης του κατανοητού και εξηγήσιμου των αποτελεσμάτων και αποφάσεων που προκύπτουν από τις αναλύσεις δεδομένων μέσω εφαρμογών Τεχνητής Νοημοσύνης και, ασφαλώς, Μηχανικής Μάθησης
- η τήρηση της νομοθεσίας προστασίας της ιδιωτικότητας και των προσωπικών δεδομένων
- η αποτροπή σχηματισμού ολιγοπωλίων στις ασφαλιστικές αγορές, εξαιτίας της εισόδου νέων, μη ασφαλιστικών «παικτών» στο χώρο, όπως είναι οι εταιρίες που ασχολούνται ειδικά με την τεχνολογία και διαθέτουν εξαιρετικά μεγάλες βάσεις δεδομένων
- η αποτροπή φαινομένων αποκλεισμού συγκεκριμένων τμημάτων του πληθυσμού από την απόκτηση ασφάλισης και των ωφελημάτων αυτής

Τα Μεγάλα Δεδομένα και γενικά η ανάλυση δεδομένων με εφαρμογή της Τεχνητής Νοημοσύνης θα συνεχίσουν να συγκεντρώνουν την ιδιαίτερη προσοχή και το ενδιαφέρον από πολλούς επιχειρηματικούς κλάδους, καθώς ενσωματώνονται σταδιακά στις διάφορες λειτουργίες τους.

Μολονότι ο ασφαλιστικός κλάδος, σε γενικές γραμμές, μπορεί να βρίσκεται στα πρώτα βήματα της υιοθέτησής τους, οι δυνατότητες που παρέχονται από την εφαρμογή τους, αναμένεται ότι θα επηρεάζουν όλο και περισσότερο τόσο τον τρόπο λειτουργίας, όσο και τα επιχειρησιακά μοντέλα των εταιριών του κλάδου.

Στόχος και προσδοκία όλων μας είναι αυτές οι καινοτομίες να εξυπηρετούν την βελτίωση των συνθηκών ζωής του καθενός μας και να προάγουν την κοινωνική ευημερία.

Ολοκληρώνοντας τη σημερινή τοποθέτησή μου, δεν μπορώ να μην αναφερθώ στην συστηματική προσπάθεια που καταβάλλεται τον τελευταίο χρόνο από την Ένωση Ασφαλιστικών Εταιριών Ελλάδος με σκοπό τη διερεύνηση των βέλτιστων πρακτικών και μεθόδων που εφαρμόζονται σε άλλες ευρωπαϊκές αγορές για την πρόληψη και την αντιμετώπιση της απάτης σε όλους τους κλάδους ασφάλισης. Μέχρι σήμερα έχουμε πραγματοποιήσει ιδιαίτερα εποικοδομητικές τηλεδιασκέψεις εργασίας με τις Ενώσεις Ασφαλιστών της Ολλανδίας, της Ισπανίας, αλλά και με τον ALFA, τον ειδικό Οργανισμό για τα θέματα καταπολέμησης της απάτης της Γαλλικής Ασφαλιστικής Αγοράς.

Κοινή συνισταμένη όλων των δράσεων που λαμβάνουν χώρα σε ευρωπαϊκό επίπεδο είναι η αδιαμφισβήτητη αναγνώριση του έννομου συμφέροντος της ασφαλιστικής αγοράς και της συντριπτικής πλειοψηφίας των ασφαλισμένων να προστατευθούν και να αντιμετωπίσουν το πρόβλημα της ασφαλιστικής απάτης από τους ολίγους. Σε αυτή την προσπάθεια, οι ασφαλιστικές επιχειρήσεις και οι Ενώσεις τους βρίσκουν σύμμαχο και αρωγό τις εθνικές Κυβερνήσεις, και παράλληλα αναπτύσσουν στενότατη συνεργασία με τις εθνικές Αρχές Προστασίας Προσωπικών Δεδομένων προκειμένου να επιτύχουν τη σύννομη ανταλλαγή των αναγκαίων για την αντιμετώπιση της ασφαλιστικής απάτης πληροφοριών, με σεβασμό στα δικαιώματα των υποκειμένων των δεδομένων. Άλλωστε, ο Γενικός Κανονισμός για την Προστασία Δεδομένων (ΓΚΠΔ) αναγνωρίζει με σαφήνεια ότι η πρόληψη της απάτης συνιστά έννομο συμφέρον που θα μπορούσε να υπερισχύσει των συμφερόντων και των ελευθεριών των υποκειμένων των δεδομένων, επιτρέποντας έτσι την ανταλλαγή πληροφοριών για την αποτροπή της απάτης.

Σε μία τέτοια στενή συνεργασία με την ελληνική Αρχή Προστασίας Προσωπικών Δεδομένων προσβλέπει και η Ένωσή μας. Θέλουμε να πιστεύουμε ότι ήρθε η ώρα να αντιμετωπιστεί και στη χώρα μας το φαινόμενο της ασφαλιστικής απάτης, χωρίς ενδοιασμούς και προκαταλήψεις, αλλά με όρους που θα διασφαλίζουν την προστασία των προσωπικών δεδομένων των πολιτών."