par Aaron Zavora et Jonathan Thompson
Le CFO d'un régime de santé clôture le mois après la série habituelle d'extractions, de feuilles de calcul et de rapprochements manuels, et constate que les résultats financiers sont inférieurs au budget en raison d'un ratio de sinistralité (MLR) plus élevé que prévu. Un tableau de bord de BI peut rapidement mettre en évidence cet écart. Mais dire que « le MLR est en hausse » n'est pas vraiment la réponse. C'est le début de la question.
Quelle ligne d'activité ou quel marché en est à l'origine ?
Les coûts des sinistres sont-ils en hausse et, si oui, est-ce dû à l'utilisation, au coût unitaire ou à la composition des services ?
Un groupe ou un produit a-t-il fait l'objet d'une tarification incorrecte ?
La morbidité de la population a-t-elle changé ?
Et quelles mesures correctives peuvent être prises ?
La véritable opportunité de l'AI dans la finance des payeurs ne réside pas dans l'identification de l'écart. Elle consiste à en comprendre la cause et à savoir comment y remédier.
La transformation par l'AI dans la finance se traduit par trois changements simultanés. Les réponses arrivent en quelques minutes au lieu d'un cycle de reporting complet. Les dirigeants approfondissent les détails d'eux-mêmes, sans rapport prédéfini et sans attendre l'aide d'un analyste. L'AI peut aller au-delà des sinistres, des revenus et des adhésions pour analyser les informations cliniques, les mesures de qualité et les scores de risque, en lisant tout cela en même temps pour évaluer l'origine de l'écart.
Ce travail n'a jamais été réalisable lorsque l'expertise des données et celle du domaine étaient cloisonnées. Le défi consiste alors à savoir si l'AI peut comprendre suffisamment les données et l'activité d'un régime de santé pour que le service financier puisse faire confiance à ses analyses et agir en conséquence.
C'est là que Databricks et Abacus interviennent ensemble. Databricks fournit les capacités de données et d'AI qui permettent aux organisations d'interagir d'une nouvelle manière avec les données d'entreprise gouvernées. Abacus apporte le socle de données spécifique aux payeurs, le contexte métier et les connaissances opérationnelles dont ces capacités ont besoin lorsque les questions touchent à la finance de la santé.
Pendant des années, la business intelligence a fonctionné en anticipant les questions que l'on souhaiterait poser. Les équipes créaient des rapports. Les analystes concevaient des tableaux de bord. Les dirigeants passaient en revue les indicateurs que quelqu'un avait décidé d'afficher sur la page.
Lorsqu'un chiffre changeait, pour en comprendre la raison, il fallait quitter le tableau de bord, trouver le bon analyste ou la bonne équipe pour enquêter, extraire un autre rapport ou rapprocher plusieurs systèmes d'enregistrement. Et chaque réponse laissait un travail en suspens : un autre rapport à générer, un autre tableau de bord à créer et à maintenir. Chacun d'eux était déjà obsolète au moment où la question suivante arrivait.
Plus de travail pour l'équipe et des rendements décroissants.
L'AI conversationnelle change ce modèle d'interaction. Au lieu de s'arrêter à ce qu'un tableau de bord a été conçu pour afficher, un responsable financier peut poser une question en langage naturel, obtenir une réponse et enchaîner avec une autre question basée sur ce qu'il vient d'apprendre. L'expérience commence à ressembler moins à de la navigation dans des rapports et plus à une véritable exploration de l'activité.
Ce qui s'effondre réellement, c'est la barrière entre deux types d'expertise. Le dirigeant connaît l'activité et prend les décisions, mais ne peut pas interroger les données ; l'analyste connaît les données, leur emplacement, leur structure et la manière de les manipuler, mais ne sait pas toujours quelle question est cruciale. L'AI élimine ce transfert : la personne qui a besoin de la réponse peut désormais la demander directement.
Mais la qualité de cette conversation dépend de ce que l'AI comprend en arrière-plan.
Pendant des années, la question de la modernisation des données portait principalement sur l'accès : pouvons-nous rassembler les données sur les sinistres, les adhésions, les prestataires, les contrats, les données cliniques et financières afin que les utilisateurs puissent en disposer ? Cela reste essentiel, mais l'AI ajoute une autre exigence. Elle doit comprendre la signification de ces données.
Prenons l'indicateur du MLR, la part des revenus de primes consacrée aux soins médicaux des membres d'un régime. Facile à définir, difficile à calculer. Les sinistres et les primes reposent sur des structures et des calendriers différents, et les dépenses « médicales » sont en réalité un ensemble de composants, notamment les sinistres médicaux, les sinistres et remises de pharmacie, les sinistres survenus mais non déclarés (IBNR), les recouvrements liés à l'intégrité des paiements, les transferts d'ajustement des risques, les règlements des prestataires, et bien plus encore. Ensuite, il faut segmenter ces données par ligne d'activité, marché ou produit, et la définition de ces cohortes nécessite une logique métier qui n'est jamais prête à l'emploi.
Sans ce contexte, un système d'AI peut avoir accès à d'immenses volumes de données sans pour autant générer des analyses pertinentes.
Une grande partie de ce contexte métier résidait traditionnellement dans différents endroits :
Pour que l'AI réponde de manière fiable aux questions financières, une plus grande partie de ce contexte doit devenir explicite, cohérente et réutilisable.
C'est pourquoi un socle de données spécifique aux payeurs est si important. Les données des régimes de santé n'arrivent pas soigneusement organisées autour des questions que les dirigeants souhaitent poser. Les informations sur les sinistres, l'éligibilité, les prestataires, les contrats, les aspects cliniques et financiers proviennent de différents systèmes, dans différents formats, avec des relations et des calendriers distincts. Avant que l'AI puisse analyser efficacement l'ensemble de ces données, celles-ci doivent être connectées et organisées de manière à refléter le fonctionnement d'un régime de santé.
Abacus fournit ce socle spécifique aux payeurs : il rassemble les données de santé dans une structure cohérente et y ajoute le contexte métier nécessaire pour comprendre les relations entre les membres, les sinistres, les prestataires, les contrats, les informations cliniques et les mesures financières.
Même sur la base des mêmes données sous-jacentes, le « même » indicateur est souvent défini différemment selon la personne qui le calcule. Une version se retrouve dans le rapport mensuel du CFO, tandis qu'une autre apparaît dans une demande d'analyse ad hoc, et quelqu'un doit finir par les rapprocher. L'AI ne résout pas ce problème à elle seule. Sans définitions cohérentes, elle l'amplifie.
Pour les responsables financiers, la question n'est pas simplement l'exactitude. C'est la certitude que la réponse reflète fidèlement le fonctionnement de l'entreprise.
Les mêmes définitions qui permettent aux équipes financières, actuarielles et opérationnelles de travailler à partir d'une vision cohérente des performances donnent également à l'AI le contexte dont elle a besoin pour interpréter correctement une question. L'objectif n'est pas simplement d'avoir un endroit unique où résident les données ; c'est d'avoir une compréhension cohérente de ce que signifient les données partout où elles sont utilisées, qu'un dirigeant pose une question de manière conversationnelle ou qu'un analyste produise un rapport traditionnel.
Revenons au CFO. Le MLR est supérieur au budget. Où ? Qu'est-ce qui en est à l'origine ? Quelles populations, quels services ou quels prestataires expliquent ce changement ? Et que doit faire l'organisation ensuite ?
Chaque question nécessite plus de contexte que la précédente. La première requiert une mesure financière et une comparaison budgétaire. La deuxième nécessite les composants sous-jacents à l'écart. La troisième croise les données sur les sinistres, les adhésions, les prestataires, les contrats et la gestion des soins. À la quatrième, la conversation est passée du reporting financier aux opérations.
C'est pourquoi la véritable opportunité n'est pas de trouver un meilleur moyen d'afficher un KPI. C'est un parcours connecté allant du signal reçu par la direction jusqu'aux détails opérationnels, un parcours que la finance peut suivre sans avoir à renvoyer sans cesse le problème aux analystes pour rapprocher une autre série de rapports ou de points de données. L'AI ne remplace pas le jugement sur ce que l'organisation doit faire ; elle réduit la distance entre le moment où l'on constate un changement et celui où on le comprend suffisamment pour agir. Sans ces allers-retours, chaque itération est plus rapide, et une itération plus rapide augmente la valeur de la décision elle-même : les activités de gestion des soins commencent plus tôt, les tendances émergentes sont intégrées plus tôt dans la tarification et les mesures correctives interviennent alors qu'elles peuvent encore changer la donne.
Le MLR est un exemple utile car il se situe à l'intersection de la finance et des opérations, mais l'architecture sous-jacente n'est pas spécifique au MLR. Les mêmes données connectées des payeurs et le même contexte métier peuvent répondre à des questions concernant l'intégrité des paiements, le coût total des soins, l'ajustement des risques, la qualité et la performance des prestataires.
Cela change la façon dont les régimes de santé envisagent l'investissement dans l'AI. L'alternative est une collection de cas d'usage d'AI déconnectés, chacun construit autour de ses propres données, de ses propres définitions et de sa propre vision de l'entreprise. C'est la même fragmentation que les régimes de santé s'efforcent d'éliminer depuis des années, mais avec une interface d'AI en plus.
Un socle commun d'intelligence pour les payeurs ouvre une autre voie : structurer correctement les données sous-jacentes et leur contexte une fois pour toutes, puis les réutiliser au fur et à mesure de l'apparition de nouvelles questions, de nouveaux flux de travail et de nouvelles expériences d'AI.
Un régime de santé qui a déjà connecté et contextualisé ses données à travers différents cas d'usage prend une longueur d'avance lorsque de nouvelles questions se posent. Sur un socle unique, l'AI peut analyser plusieurs domaines simultanément plutôt qu'un par un. Une faible performance est rarement due à une seule variable, qu'il s'agisse de la souscription, de la gestion des soins, de l'ajustement des risques, de la qualité, du réseau ou de l'engagement des prestataires. C'est l'interaction entre ces variables qui importe, mais cette question multidimensionnelle est difficile à résoudre aujourd'hui car chaque domaine dépend d'une équipe et d'un ensemble de données différents.
Databricks et Abacus résolvent différentes facettes de ce problème. Databricks fournit les capacités de plateforme de données et d'AI pour gouverner les données d'entreprise et concevoir des expériences analytiques basées sur l'AI, y compris des expériences conversationnelles qui permettent aux utilisateurs métier de poser des questions sur les données de l'organisation en langage naturel.
Abacus apporte le socle spécifique aux payeurs sur lequel reposent ces expériences : des données de santé normalisées et connectées, des modèles et un contexte métier propres aux payeurs, ainsi qu'une compréhension approfondie de la circulation des informations à travers les flux financiers et opérationnels des régimes de santé.
Cette distinction est importante. Une plateforme généraliste offre des capacités puissantes pour créer des expériences d'AI, mais les données des régimes de santé s'accompagnent d'une terminologie, de relations, de règles métier et d'une complexité opérationnelle propres à l'environnement des payeurs. C'est la prise en compte de ce contexte qui permet à ces capacités de répondre aux questions des dirigeants de régimes de santé.
Ensemble, Databricks et Abacus tracent une voie allant d'une technologie prête pour l'AI à des données de payeurs prêtes pour l'AI, et enfin à des réponses qui reflètent le fonctionnement réel d'un régime de santé.
La question intéressante pour la finance des payeurs n'est plus de savoir si l'AI peut générer une réponse. Il s'agit plutôt de savoir si cette réponse comprend suffisamment l'activité pour être utile et digne de confiance.
Lorsqu'un CFO demande pourquoi le MLR a évolué, la technologie doit faire plus que simplement signaler l'écart. Elle doit aider la finance à suivre cette question à travers les données sous-jacentes du payeur, à comprendre ce qui a changé et à rapprocher l'organisation de l'action. Cela nécessite des données gouvernées, une signification métier partagée et un contexte spécifique au payeur sous l'interface — et c'est ce à quoi Databricks et Abacus travaillent ensemble : non pas simplement rendre les données des régimes de santé plus faciles à interroger, mais rendre les réponses plus utiles pour les personnes chargées d'agir.
Découvrez cela en action lors de notre webinar le 17 septembre, à partir de 9AM PT. Réservez votre place ici !
(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original
Abonnez-vous à notre blog et recevez les derniers articles directement dans votre boîte mail.