Um CFO de plano de saúde fecha o mês após a rodada habitual de extrações, planilhas e reconciliação manual, e vê que os resultados financeiros estão abaixo do orçamento devido a um índice de sinistralidade (MLR) maior do que o esperado. Um dashboard de BI pode mostrar a variação rapidamente. Mas "o MLR subiu" não é realmente a resposta. É o começo da pergunta.
Qual linha de negócios ou mercado está impulsionando isso?
Os custos dos sinistros aumentaram e, se sim, foi devido à utilização, ao custo unitário ou ao mix de serviços?
Um grupo ou produto teve o preço definido incorretamente?
A morbidade da população mudou?
E qual ação corretiva pode ser tomada?
A verdadeira oportunidade para a AI nas finanças das operadoras de saúde não é identificar a variação. É entender o que a causou e o que fazer a respeito.
A transformação da AI nas finanças faz com que três coisas mudem ao mesmo tempo. As respostas chegam em minutos, em vez de em um ciclo de relatórios. Os líderes se aprofundam por conta própria, sem um relatório pronto ou sem precisar esperar por um analista. A AI pode ir além de sinistros, receitas e membros para analisar informações clínicas, medidas de qualidade e pontuações de risco, lendo tudo ao mesmo tempo para avaliar o que está gerando a variação.
Esse trabalho nunca foi prático quando o conhecimento especializado tanto dos dados quanto do assunto era isolado. O desafio, então, passa a ser se a AI consegue entender o suficiente sobre os dados e os negócios de um plano de saúde para que a área financeira confie e aja de acordo com seus insights.
É aí que a Databricks e a Abacus se unem. A Databricks fornece os recursos de dados e AI que permitem às organizações interagir com dados corporativos governados de novas maneiras. A Abacus traz a base de dados específica para operadoras de saúde, o contexto de negócios e o conhecimento operacional que esses recursos precisam quando as perguntas envolvem finanças de saúde.
Por anos, a inteligência de negócios funcionou antecipando as perguntas que alguém gostaria de fazer. As equipes criavam relatórios. Os analistas criavam dashboards. Os executivos revisavam as métricas que alguém havia decidido que deveriam estar na página.
Quando um número mudava, descobrir o motivo significava sair do dashboard, encontrar o analista ou a equipe certa para investigar, extrair outro relatório ou reconciliar vários sistemas de registro. E cada resposta deixava algo para trás: outro relatório para executar, outro dashboard para criar e manter. Cada um deles já estava desatualizado quando a próxima pergunta surgia.
Mais trabalho para a equipe e retornos decrescentes.
A AI conversacional muda esse modelo de interação. Em vez de parar no que um dashboard foi projetado para mostrar, um líder financeiro pode fazer uma pergunta em linguagem simples, obter uma resposta e emendá-la com outra pergunta com base no que acabou de aprender. A experiência começa a parecer menos com navegar por relatórios e mais com investigar o negócio.
O que realmente se desfaz é a barreira entre dois tipos de conhecimento especializado. O executivo conhece o negócio e é o responsável pela tomada de decisões, mas não consegue consultar os dados; o analista conhece os dados, onde eles residem, como são estruturados, como manipulá-los, mas nem sempre sabe qual pergunta é a mais importante. A AI elimina essa passagem de bastão: a pessoa que precisa da resposta agora pode pedi-la diretamente.
Mas a qualidade dessa conversa depende do que a AI entende por trás dela.
Por anos, a questão da modernização de dados girava principalmente em torno do acesso: podemos reunir dados de sinistros, membros, prestadores, contratos, dados clínicos e financeiros para que as pessoas possam usá-los? Isso continua sendo essencial, mas a AI adiciona outro requisito. Ela precisa entender o que esses dados significam.
Considere a métrica de MLR, a parcela da receita de prêmios gasta em assistência médica para os membros de um plano. Fácil de definir, difícil de calcular. Os sinistros e os prêmios vêm em estruturas e cronogramas diferentes, e a despesa "médica" é, na verdade, uma pilha de componentes, incluindo sinistros médicos, sinistros e reembolsos de farmácia, sinistros ocorridos mas não avisados (IBNR), recuperações de integridade de pagamento, transferências de ajuste de risco, acordos com prestadores e muito mais. Depois, ela precisa ser dividida por linha de negócios, mercado ou produto, e definir essas coortes exige uma lógica de negócios que nunca vem pronta para uso.
Sem esse contexto, um sistema de AI pode ter acesso a enormes volumes de dados e, ainda assim, não produzir insights adequados.
Grande parte desse contexto de negócios tradicionalmente residia em lugares diferentes:
Para que a AI responda às perguntas financeiras de forma confiável, uma parte maior desse contexto precisa se tornar explícita, consistente e reutilizável.
É por isso que uma base de dados específica para operadoras de saúde é importante. Os dados dos planos de saúde não chegam organizados de forma organizada em torno das perguntas que os executivos querem fazer. Informações de sinistros, elegibilidade, prestadores, contratos, dados clínicos e financeiros vêm de sistemas diferentes, em formatos diferentes, com relações e tempos diferentes. Antes que a AI possa raciocinar sobre tudo isso de forma eficaz, os dados precisam ser conectados e organizados de uma forma que reflita como um plano de saúde opera.
A Abacus fornece essa base específica para operadoras de saúde: reunindo dados de saúde em uma estrutura consistente e adicionando o contexto de negócios necessário para entender as relações entre membros, sinistros, prestadores, contratos, informações clínicas e medidas financeiras.
Mesmo com os mesmos dados subjacentes, a "mesma" métrica costuma ser definida de forma diferente dependendo de quem a está calculando. Uma versão vai parar no pacote de relatórios mensais do CFO, enquanto outra aparece em uma solicitação de análise ad hoc e, eventualmente, alguém precisa reconciliá-las. A AI não resolve esse problema sozinha. Sem definições consistentes, ela o amplifica.
Para os líderes financeiros, a questão não é apenas a precisão. É a confiança de que a resposta reflete como o negócio opera.
As mesmas definições que permitem que as equipes financeira, atuarial e de operações trabalhem a partir de uma visão consistente de desempenho também dão à AI o contexto necessário para interpretar uma pergunta corretamente. O objetivo não é simplesmente ter um único lugar onde os dados residem; é ter uma compreensão consistente do que os dados significam onde quer que sejam usados, seja quando um executivo faz uma pergunta de forma conversacional ou quando um analista produz um relatório tradicional.
Volte ao CFO. O MLR está acima do orçamento. Onde? O que está impulsionando isso? Quais populações, serviços ou prestadores explicam a mudança? E o que a organização deve fazer a seguir?
Cada pergunta exige mais contexto do que a anterior. A primeira precisa de uma medida financeira e de uma comparação com o orçamento. A segunda precisa dos componentes por trás da variação. A terceira cruza dados de sinistros, membros, prestadores, contratos e gestão de cuidados. Na quarta, a conversa já passou dos relatórios financeiros para as operações.
É por isso que a verdadeira oportunidade não é uma maneira melhor de exibir um KPI. É um caminho conectado desde o sinal executivo até os detalhamentos operacionais, um caminho que a área financeira pode percorrer sem precisar devolver repetidamente o problema aos analistas para reconciliar outro conjunto de relatórios ou pontos de dados. A AI não substitui o julgamento sobre o que a organização deve fazer; ela encurta a distância entre ver que algo mudou e entender isso bem o suficiente para agir. Sem o vai e vem, cada iteração é mais rápida, e uma iteração mais rápida aumenta o valor da própria decisão: as atividades de gestão de cuidados começam mais cedo, as tendências emergentes são precificadas antes e a ação corretiva acontece enquanto ainda pode mudar o resultado.
O MLR é um exemplo útil porque está na interseção entre finanças e operações, mas a arquitetura subjacente não é específica para o MLR. Os mesmos dados conectados de operadoras de saúde e o contexto de negócios podem dar suporte a perguntas sobre integridade de pagamentos, custo total do cuidado, ajuste de risco, qualidade e desempenho de prestadores.
Isso muda a forma como as operadoras de saúde pensam sobre o investimento em AI. A alternativa é uma coleção de casos de uso de AI desconectados, cada um construído em torno de seus próprios dados, suas próprias definições e sua própria visão do negócio. É a mesma fragmentação que as operadoras de saúde passaram anos tentando eliminar, apenas com uma interface de AI por cima.
Uma base comum de inteligência de pagadores cria um caminho diferente: acertar os dados e o contexto subjacentes uma vez e, depois, reutilizá-los à medida que novas perguntas, fluxos de trabalho e experiências de AI surgirem.
Uma operadora de saúde que já conectou e contextualizou seus dados em vários casos de uso sai na frente quando novas perguntas surgem. Em uma única base, a AI pode analisar vários domínios simultaneamente, em vez de um de cada vez. O baixo desempenho raramente é impulsionado por uma única variável, seja subscrição de riscos, gestão de cuidados, ajuste de risco, qualidade, rede credenciada ou engajamento de prestadores. É a interação entre eles que importa, mas essa pergunta multifacetada é difícil de responder hoje porque cada domínio pertence a uma equipe e a um conjunto de dados diferentes.
A Databricks e a Abacus resolvem partes diferentes desse problema. A Databricks fornece os recursos de plataforma de dados e AI para governar dados corporativos e criar experiências analíticas baseadas em AI, incluindo experiências conversacionais que permitem aos usuários de negócios fazer perguntas sobre dados organizacionais em linguagem natural.
A Abacus traz a base específica para pagadores sobre a qual essas experiências são construídas: dados de saúde normalizados e conectados, modelos e contexto de negócios específicos para pagadores e uma compreensão profunda de como as informações se movem pelos fluxos de trabalho financeiros e operacionais das operadoras de saúde.
Essa distinção é importante. Uma plataforma de uso geral oferece recursos poderosos para criar experiências de AI, mas os dados das operadoras de saúde trazem terminologia, relacionamentos, regras de negócios e complexidade operacional específicas do ambiente de pagadores. Capturar esse contexto é o que permite que esses recursos respondam às perguntas dos líderes das operadoras de saúde.
Juntas, a Databricks e a Abacus criam um caminho que vai da tecnologia pronta para AI aos dados de pagadores prontos para AI e, por fim, a respostas que refletem como uma operadora de saúde opera.
A pergunta interessante para o setor financeiro de pagadores não é mais se a AI pode gerar uma resposta. É se a resposta compreende o suficiente sobre o negócio para ser útil e confiável.
Quando um CFO pergunta por que o MLR mudou, a tecnologia deve fazer mais do que apenas apontar a variação. Ela deve ajudar o setor financeiro a acompanhar essa pergunta por meio dos dados subjacentes do pagador, entender o que mudou e aproximar a organização da ação. Isso exige dados governados, significado de negócios compartilhado e contexto específico do pagador por trás da interface — e é exatamente nisso que a Databricks e a Abacus estão trabalhando juntas: não apenas facilitando a consulta aos dados das operadoras de saúde, mas tornando as respostas mais úteis para as pessoas responsáveis por agir com base nelas.
Confira isso em ação no nosso webinar em 17 de setembro, a partir das 9h PT. Garanta sua vaga aqui!
(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original
Assine nosso blog e receba os posts mais recentes diretamente na sua caixa de entrada.