von Aaron Zavora und Jonathan Thompson
Der CFO einer Krankenversicherung schließt den Monat nach der üblichen Runde von Datenexporten, Tabellenkalkulationen und manuellen Abstimmungen ab und stellt fest, dass die Finanzen aufgrund einer höher als erwarteten Medical Loss Ratio (MLR) hinter dem Budget zurückbleiben. Ein BI-Dashboard kann die Abweichung schnell aufzeigen. Aber „Die MLR ist gestiegen“ ist nicht wirklich die Antwort. Es ist erst der Anfang der Frage.
Welcher Geschäftsbereich oder Markt ist der Treiber dahinter?
Sind die Schadenskosten gestiegen und wenn ja, liegt das an der Inanspruchnahme, den Stückkosten oder dem Leistungsmix?
Wurde eine Gruppe oder ein Produkt falsch kalkuliert?
Hat sich die Morbidität der Versicherten verändert?
Und welche Gegenmaßnahmen können ergriffen werden?
Die eigentliche Chance für KI im Finanzwesen von Krankenversicherungen liegt nicht darin, die Abweichung zu erkennen. Es geht darum zu verstehen, was sie verursacht hat und was dagegen zu tun ist.
Die KI-Transformation im Finanzwesen führt dazu, dass sich drei Dinge gleichzeitig ändern. Antworten liegen in Minuten statt erst nach einem Berichtszyklus vor. Führungskräfte können selbst tiefer einsteigen, ohne auf Standardberichte oder Analysten warten zu müssen. KI kann über Schadensfälle, Umsätze und Mitgliederzahlen hinausblicken und klinische Informationen, Qualitätskennzahlen sowie Risikobewertungen gleichzeitig analysieren, um die Ursachen der Abweichung zu ermitteln.
Diese Arbeit war früher unpraktisch, da das Fachwissen über die Daten und die Geschäftsbereiche in Silos aufgeteilt war. Die Herausforderung besteht nun darin, ob die KI die Daten und das Geschäft einer Krankenversicherung gut genug versteht, damit die Finanzabteilung den Erkenntnissen vertrauen und danach handeln kann.
Hier kommen Databricks und Abacus ins Spiel. Databricks bietet die Daten- und KI-Funktionen, mit denen Unternehmen auf neue Weise mit kontrollierten Unternehmensdaten interagieren können. Abacus liefert das spezifische Datenfundament für Krankenversicherungen, den geschäftlichen Kontext und das operative Wissen, das diese Funktionen benötigen, wenn es um Fragen der Gesundheitsfinanzierung geht.
Jahrelang funktionierte Business Intelligence (BI) so, dass man die Fragen vorwegnahm, die jemand stellen wollte. Teams erstellten Berichte. Analysten bauten Dashboards. Führungskräfte prüften die Kennzahlen, von denen jemand entschieden hatte, dass sie auf die Seite gehören.
Wenn sich eine Zahl änderte, bedeutete die Ursachenforschung, das Dashboard zu verlassen, den richtigen Analysten oder das richtige Team für die Untersuchung zu finden, einen weiteren Bericht abzurufen oder mehrere führende Systeme abzugleichen. Und jede Antwort hinterließ neue Aufgaben: einen weiteren Bericht, der ausgeführt werden musste, ein weiteres Dashboard, das erstellt und gepflegt werden musste. Jedes einzelne war bereits veraltet, als die nächste Frage aufkam.
Mehr Arbeit für das Team bei sinkendem Nutzen.
Konversations-KI verändert dieses Interaktionsmodell. Anstatt bei dem aufzuhören, was ein Dashboard anzeigen soll, kann eine Finanzführungskraft eine Frage in natürlicher Sprache stellen, eine Antwort erhalten und darauf basierend die nächste Frage stellen. Das Erlebnis fühlt sich weniger nach dem Navigieren durch Berichte an, sondern vielmehr nach einer aktiven Untersuchung des Geschäfts.
Was hier wirklich abgebaut wird, ist die Barriere zwischen zwei Arten von Fachwissen. Die Führungskraft kennt das Geschäft und trifft die Entscheidungen, kann aber die Daten nicht abfragen. Der Analyst kennt die Daten, weiß, wo sie liegen, wie sie strukturiert sind und wie man sie verarbeitet, weiß aber nicht immer, welche Frage wirklich wichtig ist. Die KI verkürzt diese Übergabe: Die Person, die die Antwort benötigt, kann nun direkt danach fragen.
Die Qualität dieses Gesprächs hängt jedoch davon ab, was die KI im Hintergrund versteht.
Jahrelang ging es bei der Datenmodernisierung vor allem um den Zugang: Können wir Schadens-, Mitglieder-, Anbieter-, Vertrags-, klinische und Finanzdaten so zusammenführen, dass die Menschen sie nutzen können? Das bleibt zwar essenziell, aber KI fügt eine weitere Anforderung hinzu. Sie muss verstehen, was diese Daten bedeuten.
Nehmen wir die Kennzahl MLR, also den Anteil der Prämieneinnahmen, der für die medizinische Versorgung der Mitglieder ausgegeben wird. Einfach zu definieren, schwer zu berechnen. Schadensfälle und Prämien basieren auf unterschiedlichen Strukturen und Zeitplänen, und die „medizinischen“ Ausgaben sind in Wahrheit eine Vielzahl von Komponenten: medizinische Schadensfälle, Apothekenabrechnungen und -rabatte, noch nicht gemeldete Schäden (IBNR), Rückforderungen zur Zahlungsintegrität, Risikoausgleichstransfers, Abrechnungen mit Leistungserbringern und mehr. Zudem müssen diese nach Geschäftsbereich, Markt oder Produkt aufgeteilt werden, und die Definition dieser Kohorten erfordert eine Geschäftslogik, die standardmäßig nie vorhanden ist.
Ohne diesen Kontext kann ein KI-System Zugriff auf enorme Datenmengen haben und dennoch keine brauchbaren Erkenntnisse liefern.
Ein Großteil dieses geschäftlichen Kontextes war traditionell an verschiedenen Orten verteilt:
Damit die KI Finanzfragen zuverlässig beantworten kann, muss dieser Kontext expliziter, konsistenter und wiederverwendbarer werden.
Aus diesem Grund ist ein spezifisches Datenfundament für Krankenversicherungen so wichtig. Die Daten von Krankenversicherungen liegen nicht ordentlich strukturiert für die Fragen vor, die Führungskräfte stellen möchten. Schadensfälle, Berechtigungen, Anbieter, Verträge, klinische und finanzielle Informationen stammen aus unterschiedlichen Systemen, in verschiedenen Formaten, mit unterschiedlichen Beziehungen und zeitlichen Abläufen. Bevor eine KI diese Daten effektiv analysieren kann, müssen sie so verknüpft und organisiert werden, dass sie die Arbeitsweise einer Krankenversicherung widerspiegeln.
Abacus bietet dieses spezifische Fundament: Es führt Gesundheitsdaten in einer konsistenten Struktur zusammen und ergänzt den geschäftlichen Kontext, der erforderlich ist, um die Beziehungen zwischen Mitgliedern, Schadensfällen, Anbietern, Verträgen, klinischen Informationen und Finanzkennzahlen zu verstehen.
Selbst bei denselben zugrunde liegenden Daten wird dieselbe Kennzahl oft unterschiedlich definiert, je nachdem, wer sie berechnet. Eine Version landet im monatlichen Berichtspaket des CFO, während eine andere in einer Ad-hoc-Analyseanfrage auftaucht – und am Ende muss jemand diese abgleichen. KI löst dieses Problem nicht von allein. Ohne konsistente Definitionen verstärkt sie es sogar.
Für Finanzverantwortliche geht es nicht nur um Genauigkeit. Es geht um das Vertrauen, dass die Antwort die tatsächliche Arbeitsweise des Unternehmens widerspiegelt.
Dieselben Definitionen, die Finanz-, Aktuar- und Betriebsteams eine konsistente Sicht auf die Leistung ermöglichen, geben auch der KI den Kontext, den sie zur korrekten Interpretation einer Frage benötigt. Das Ziel ist nicht einfach nur ein einziger Ort, an dem die Daten liegen, sondern ein konsistentes Verständnis darüber, was die Daten bedeuten – unabhängig davon, wo sie verwendet werden, ob eine Führungskraft eine Frage im Gespräch stellt oder ein Analyst einen traditionellen Bericht erstellt.
Gehen wir zurück zum CFO. Die MLR liegt über dem Budget. Wo? Was ist der Treiber? Welche Versichertengruppen, Dienstleistungen oder Anbieter sind für die Veränderung verantwortlich? Und was sollte das Unternehmen als Nächstes tun?
Jede Frage erfordert mehr Kontext als die vorherige. Die erste benötigt eine Finanzkennzahl und einen Budgetvergleich. Die zweite erfordert die Komponenten, die der Abweichung zugrunde liegen. Die dritte verknüpft Schadensfälle, Mitglieder-, Anbieter-, Vertrags- und Versorgungsmanagementdaten. Bei der vierten Frage hat sich das Gespräch bereits von der Finanzberichterstattung in den operativen Betrieb verlagert.
Deshalb liegt die eigentliche Chance nicht in einer besseren Darstellung einer KPI. Es ist ein durchgängiger Pfad vom Signal für die Führungsebene bis hin zum operativen Detail (Double-Click) – ein Pfad, den die Finanzabteilung gehen kann, ohne das Problem wiederholt an Analysten zurückzugeben, um weitere Berichte oder Datenpunkte abzugleichen. Die KI ersetzt nicht das Urteilsvermögen darüber, was das Unternehmen tun sollte. Sie verkürzt lediglich den Weg zwischen dem Erkennen einer Veränderung und dem Verstehen, um handeln zu können. Ohne das ständige Hin und Her ist jeder Schritt schneller, und eine schnellere Umsetzung erhöht den Wert der Entscheidung selbst: Maßnahmen im Versorgungsmanagement starten früher, neue Trends werden früher einkalkuliert und Gegenmaßnahmen werden ergriffen, solange sie das Ergebnis noch beeinflussen können.
Die MLR ist ein gutes Beispiel, da sie an der Schnittstelle von Finanzen und Betrieb liegt. Die zugrunde liegende Architektur ist jedoch nicht auf die MLR beschränkt. Dieselben verknüpften Daten und der geschäftliche Kontext können Fragen zur Zahlungsintegrität, den Gesamtkosten der Versorgung, dem Risikoausgleich, der Qualität und der Leistung von Leistungserbringern beantworten.
Das verändert die Art und Weise, wie Krankenversicherungen über AI-Investitionen nachdenken können. Die Alternative ist eine Sammlung isolierter AI-Anwendungsfälle, von denen jeder auf eigenen Daten, eigenen Definitionen und einer eigenen Sicht auf das Geschäft aufbaut. Es ist dieselbe Fragmentierung, die Krankenversicherungen seit Jahren zu beseitigen versuchen, nur mit einer AI-Schnittstelle darüber.
Eine gemeinsame Payer-Intelligence-Basis schafft einen anderen Weg: Die zugrunde liegenden Daten und den Kontext einmal richtig aufbereiten und dann wiederverwenden, wenn neue Fragen, Workflows und AI-Erlebnisse entstehen.
Eine Krankenversicherung, die ihre Daten bereits über verschiedene Anwendungsfälle hinweg verknüpft und kontextualisiert hat, hat einen Vorsprung, wenn neue Fragen auftauchen. Auf einer einzigen Basis kann AI mehrere Bereiche gleichzeitig betrachten, anstatt nur einen nach dem anderen. Eine schlechte Performance wird selten durch eine einzelne Variable verursacht, sei es Underwriting, Care-Management, Risikoanpassung, Qualität, Netzwerk oder Provider-Engagement. Es ist das Zusammenspiel zwischen ihnen, auf das es ankommt. Doch diese vielschichtige Frage ist heute schwer zu beantworten, da jeder Bereich bei einem anderen Team und Datensatz angesiedelt ist.
Databricks und Abacus lösen verschiedene Teile dieses Problems. Databricks bietet die Daten- und AI-Plattformfunktionen für die Verwaltung von Unternehmensdaten und die Erstellung AI-gestützter Analyse-Erlebnisse, einschließlich Conversational-Erlebnissen, die es Business-Anwendern ermöglichen, Fragen zu Organisationsdaten in natürlicher Sprache zu stellen.
Abacus liefert die zahlerspezifische Basis, auf der diese Erlebnisse aufbauen: normalisierte und verknüpfte Gesundheitsdaten, zahlerspezifische Modelle und Geschäftskontexte sowie ein tiefes Verständnis dafür, wie sich Informationen durch die Finanz- und Betriebsabläufe von Krankenversicherungen bewegen.
Dieser Unterschied ist wichtig. Eine Allzweckplattform bietet leistungsstarke Funktionen für die Erstellung von AI-Erlebnissen, aber die Daten von Krankenversicherungen bringen Terminologien, Beziehungen, Geschäftsregeln und eine betriebliche Komplexität mit sich, die spezifisch für das Payer-Umfeld sind. Die Erfassung dieses Kontexts ist es, was es diesen Funktionen ermöglicht, die Fragen der Entscheidungsträger im Gesundheitswesen zu beantworten.
Gemeinsam schaffen Databricks und Abacus einen Weg von AI-fähiger Technologie zu AI-fähigen Payer-Daten und letztendlich zu Antworten, die die Arbeitsweise einer Krankenversicherung widerspiegeln.
Die interessante Frage für das Payer-Finanzwesen ist nicht mehr, ob AI eine Antwort generieren kann. Es geht vielmehr darum, ob die Antwort das Geschäft gut genug versteht, um nützlich zu sein und Vertrauen zu genießen.
Wenn ein CFO fragt, warum sich die MLR verändert hat, sollte die Technologie mehr tun, als nur die Abweichung aufzuzeigen. Sie sollte der Finanzabteilung helfen, dieser Frage anhand der zugrunde liegenden Payer-Daten nachzugehen, zu verstehen, was sich geändert hat, und das Unternehmen näher an die Umsetzung von Maßnahmen heranzuführen. Das erfordert verwaltete Daten, eine gemeinsame geschäftliche Bedeutung und einen zahlerspezifischen Kontext unter der Benutzeroberfläche – und genau darauf arbeiten Databricks und Abacus gemeinsam hin: nicht einfach nur die Abfrage von Krankenversicherungsdaten zu erleichtern, sondern die Antworten für die Personen, die darauf reagieren müssen, nützlicher zu machen.
Erleben Sie dies in Aktion in unserem Webinar am 17. September ab 9:00 Uhr PT. Sichern Sie sich Ihren Platz hier!
(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag
Abonnieren Sie unseren Blog und erhalten Sie die neuesten Beiträge direkt in Ihren Posteingang.