El CFO de un plan de salud cierra el mes tras la ronda habitual de extracciones, hojas de cálculo y conciliaciones manuales, y observa que los resultados financieros están por debajo del presupuesto debido a un índice de siniestralidad médica (MLR) más alto de lo esperado. Un panel de BI puede mostrar la variación rápidamente. Pero "el MLR ha subido" no es realmente la respuesta. Es el comienzo de la pregunta.
¿Qué línea de negocio o mercado lo está impulsando?
¿Han subido los costes de las reclamaciones y, de ser así, se debe a la utilización, al coste unitario o a la combinación de servicios?
¿Se calculó mal el precio de un grupo o producto?
¿Cambió la morbilidad de la población?
¿Y qué medidas correctivas se pueden tomar?
La verdadera oportunidad para la AI en las finanzas de las aseguradoras no es identificar la variación. Es comprender qué la causó y qué hacer al respecto.
La transformación de la AI en las finanzas hace que cambien tres cosas a la vez. Las respuestas llegan en minutos en lugar de en un ciclo de informes. Los líderes profundizan por su cuenta, sin necesidad de un informe predefinido ni de esperar a un analista. La AI puede ir más allá de las reclamaciones, los ingresos y la afiliación para analizar la información clínica, las medidas de calidad y las puntuaciones de riesgo, leyéndolo todo al mismo tiempo para evaluar qué está impulsando la variación.
Ese trabajo nunca fue práctico cuando el conocimiento tanto de los datos como de la materia estaba aislado en silos. El desafío entonces pasa a ser si la AI puede comprender lo suficiente sobre los datos y el negocio de un plan de salud para que el departamento financiero confíe en sus conclusiones y actúe en consecuencia.
Ahí es donde Databricks y Abacus se unen. Databricks proporciona las capacidades de datos y AI que permiten a las organizaciones interactuar con datos empresariales gobernados de formas nuevas. Abacus aporta la base de datos específica para aseguradoras, el contexto empresarial y el conocimiento operativo que esas capacidades necesitan cuando las preguntas involucran a las finanzas sanitarias.
Durante años, la inteligencia de negocios funcionó anticipando las preguntas que alguien querría hacer. Los equipos creaban informes. Los analistas creaban paneles. Los ejecutivos revisaban las métricas que alguien había decidido que debían estar en la página.
Cuando un número cambiaba, averiguar el porqué significaba salir del panel, buscar al analista o equipo adecuado para investigar, extraer otro informe o conciliar múltiples sistemas de registro. Y cada respuesta dejaba algo pendiente: otro informe que ejecutar, otro panel que crear y mantener. Cada uno de ellos ya estaba desactualizado para cuando llegaba la siguiente pregunta.
Más trabajo para el equipo y rendimientos decrecientes.
La AI conversacional cambia ese modelo de interacción. En lugar de limitarse a lo que un panel fue diseñado para mostrar, un líder financiero puede hacer una pregunta en lenguaje sencillo, obtener una respuesta y continuar con otra pregunta basada en lo que acaba de aprender. La experiencia empieza a parecerse menos a navegar por informes y más a investigar el negocio.
Lo que realmente se rompe es la barrera entre dos tipos de conocimiento. El ejecutivo conoce el negocio y toma las decisiones, pero no puede consultar los datos; el analista conoce los datos, dónde residen, cómo están estructurados y cómo manipularlos, pero no siempre sabe qué pregunta es la importante. La AI elimina ese traspaso: la persona que necesita la respuesta ahora puede pedirla directamente.
Pero la calidad de esa conversación depende de lo que la AI comprenda por debajo.
Durante años, la cuestión de la modernización de datos se centró principalmente en el acceso: ¿podemos unificar los datos de reclamaciones, afiliación, proveedores, contratos, datos clínicos y financieros para que la gente pueda utilizarlos? Eso sigue siendo esencial, pero la AI añade otro requisito. Necesita entender qué significan esos datos.
Pensemos en la métrica del MLR, la proporción de los ingresos por primas que se destina a la atención médica de los miembros de un plan. Fácil de definir, difícil de calcular. Las reclamaciones y las primas llegan con diferentes estructuras y plazos, y el gasto "médico" es en realidad un conjunto de componentes que incluye reclamaciones médicas, reclamaciones y reembolsos de farmacia, siniestros incurridos pero no reportados (IBNR), recuperaciones de integridad de pagos, transferencias de ajuste de riesgo, liquidaciones de proveedores y más. Además, debe segmentarse por línea de negocio, mercado o producto, y definir estas cohortes requiere una lógica empresarial que nunca viene de forma predeterminada.
Sin ese contexto, un sistema de AI puede tener acceso a enormes cantidades de datos y, aun así, no generar conclusiones adecuadas.
Gran parte de este contexto empresarial ha residido tradicionalmente en diferentes lugares:
Para que la AI responda a las preguntas financieras de forma fiable, una mayor parte de ese contexto debe volverse explícita, coherente y reutilizable.
Por eso es importante contar con una base de datos específica para aseguradoras. Los datos de los planes de salud no llegan perfectamente organizados en torno a las preguntas que los ejecutivos quieren hacer. La información de reclamaciones, elegibilidad, proveedores, contratos, datos clínicos y financieros proviene de diferentes sistemas, en diferentes formatos, con diferentes relaciones y plazos. Antes de que la AI pueda razonar sobre ella de manera efectiva, la información debe conectarse y organizarse de forma que refleje cómo opera un plan de salud.
Abacus proporciona esa base específica para aseguradoras: unifica los datos sanitarios en una estructura coherente y añade el contexto empresarial necesario para comprender las relaciones entre miembros, reclamaciones, proveedores, contratos, información clínica y medidas financieras.
Incluso con los mismos datos subyacentes, la "misma" métrica a menudo se define de manera diferente según quién la calcule. Una versión llega al paquete de informes mensuales del CFO, mientras que otra aparece en una solicitud de análisis ad hoc, y finalmente alguien tiene que conciliarlas. La AI no resuelve ese problema por sí sola. Sin definiciones coherentes, lo amplifica.
Para los líderes financieros, la cuestión no es simplemente la precisión. Es la confianza de que la respuesta refleja cómo opera el negocio.
Las mismas definiciones que permiten a los equipos financiero, actuarial y de operaciones trabajar a partir de una visión coherente del rendimiento también proporcionan a la AI el contexto que necesita para interpretar correctamente una pregunta. El objetivo no es simplemente tener un único lugar donde residan los datos; es lograr una comprensión coherente de lo que significan los datos allí donde se utilicen, ya sea que un ejecutivo pregunte de forma conversacional o que un analista elabore un informe tradicional.
Volvamos al CFO. El MLR está por encima del presupuesto. ¿Dónde? ¿Qué lo está impulsando? ¿Qué poblaciones, servicios o proveedores explican el cambio? ¿Y qué debería hacer la organización a continuación?
Cada pregunta requiere más contexto que la anterior. La primera necesita una medida financiera y una comparación presupuestaria. La segunda necesita los componentes que subyacen a la variación. La tercera cruza datos de reclamaciones, afiliación, proveedores, contratos y gestión de la atención. Para la cuarta, la conversación ha pasado de los informes financieros a las operaciones.
Por eso, la verdadera oportunidad no es una mejor manera de mostrar un KPI. Es un camino conectado desde la señal ejecutiva hasta las profundizaciones operativas, un camino que el departamento financiero puede recorrer sin tener que devolver repetidamente el problema a los analistas para que concilien otro conjunto de informes o puntos de datos. La AI no reemplaza el criterio sobre lo que debe hacer la organización; acorta la distancia entre ver que algo ha cambiado y comprenderlo lo suficientemente bien como para actuar. Sin las idas y venidas, cada iteración es más rápida, y una iteración más rápida aumenta el valor de la propia decisión: las actividades de gestión de la atención comienzan antes, las tendencias emergentes se incorporan a los precios antes y las medidas correctivas se toman cuando aún pueden cambiar el resultado.
El MLR es un ejemplo útil porque se sitúa en la intersección de las finanzas y las operaciones, pero la arquitectura subyacente no es específica del MLR. Los mismos datos conectados de las aseguradoras y el contexto empresarial pueden dar soporte a preguntas sobre integridad de pagos, coste total de la atención, ajuste de riesgo, calidad y rendimiento de los proveedores.
Eso cambia la forma en que los planes de salud pueden pensar sobre la inversión en AI. La alternativa es una colección de casos de uso de AI desconectados, cada uno construido en torno a sus propios datos, sus propias definiciones y su propia visión del negocio. Es la misma fragmentación que los planes de salud han pasado años intentando eliminar, solo que con una interfaz de AI por encima.
Una base común de inteligencia para pagadores crea un camino diferente: definir correctamente los datos subyacentes y el contexto una sola vez, y luego reutilizarlos a medida que surgen nuevas preguntas, flujos de trabajo y experiencias de AI.
Un plan de salud que ya ha conectado y contextualizado sus datos en todos los casos de uso tiene una ventaja inicial cuando surgen nuevas preguntas. Sobre una única base, la AI puede analizar múltiples dominios de forma simultánea en lugar de uno a la vez. El bajo rendimiento rara vez se debe a una sola variable, ya sea la suscripción, la gestión de la atención, el ajuste de riesgos, la calidad, la red o la participación de los proveedores. Lo que importa es la interacción entre ellos; sin embargo, esa pregunta multifacética es difícil de responder hoy en día porque cada dominio pertenece a un equipo y un conjunto de datos diferentes.
Databricks y Abacus resuelven diferentes partes de este problema. Databricks proporciona las capacidades de plataforma de datos y AI para gobernar los datos empresariales y crear experiencias analíticas impulsadas por AI, incluidas experiencias conversacionales que permiten a los usuarios de negocio hacer preguntas sobre los datos de la organización en lenguaje natural.
Abacus aporta la base específica para pagadores sobre la cual se construyen esas experiencias: datos de atención médica normalizados y conectados, modelos y contexto de negocio específicos para pagadores, y una comprensión profunda de cómo se mueve la información a través de los flujos de trabajo financieros y operativos del plan de salud.
Esa distinción es importante. Una plataforma de propósito general proporciona capacidades potentes para crear experiencias de AI, pero los datos de los planes de salud vienen con terminología, relaciones, reglas de negocio y una complejidad operativa específicas del entorno del pagador. Capturar ese contexto es lo que permite que esas capacidades respondan a las preguntas que tienen los líderes de los planes de salud.
Juntos, Databricks y Abacus crean un camino que va desde la tecnología lista para AI hasta los datos de pagadores listos para AI y, en última instancia, hacia respuestas que reflejan cómo opera un plan de salud.
La pregunta interesante para el área de finanzas de los pagadores ya no es si la AI puede generar una respuesta. Es si la respuesta comprende lo suficiente sobre el negocio como para ser útil y confiable.
Cuando un CFO pregunta por qué se movió el MLR, la tecnología debería hacer más que simplemente mostrar la variación. Debería ayudar al área de finanzas a seguir esa pregunta a través de los datos subyacentes del pagador, comprender qué cambió y acercar a la organización a la acción. Eso requiere datos gobernados, un significado de negocio compartido y un contexto específico del pagador debajo de la interfaz, y en eso es en lo que Databricks y Abacus están trabajando juntos: no simplemente en hacer que los datos de los planes de salud sean más fáciles de consultar, sino en hacer que las respuestas sean más útiles para las personas responsables de actuar en consecuencia.
Vea esto en acción en nuestro seminario web el 17 de septiembre, que comienza a las 9 AM PT. ¡Reserve su lugar aquí!
(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original
Suscríbete a nuestro blog y recibe las últimas publicaciones directamente en tu bandeja de entrada.