Un CFO di un piano sanitario chiude il mese dopo il consueto ciclo di estrazioni, fogli di calcolo e riconciliazioni manuali, e nota che i dati finanziari sono inferiori al budget a causa di un medical loss ratio (MLR) superiore alle aspettative. Una dashboard di BI può evidenziare rapidamente la varianza. Ma "l'MLR è aumentato" non è la vera risposta. È solo l'inizio della domanda.
Quale linea di business o mercato lo sta guidando?
I costi dei sinistri sono aumentati e, in tal caso, ciò è dovuto all'utilizzo, al costo unitario o al mix di servizi?
La tariffazione di un gruppo o di un prodotto era errata?
La morbilità della popolazione è cambiata?
E quale azione correttiva si può intraprendere?
La vera opportunità per l'AI nella finanza dei payer non è identificare la varianza. È capire cosa l'ha causata e cosa fare al riguardo.
La trasformazione guidata dall'AI in ambito finanziario comporta tre cambiamenti simultanei. Le risposte arrivano in pochi minuti anziché alla fine di un ciclo di reporting. I leader possono approfondire i dettagli in autonomia, senza bisogno di un report predefinito o di attendere un analista. L'AI può andare oltre i sinistri, i ricavi e gli iscritti per esaminare informazioni cliniche, metriche di qualità e punteggi di rischio, leggendo tutto contemporaneamente per valutare cosa stia determinando la varianza.
Questo lavoro non è mai stato pratico quando le competenze relative ai dati e quelle di dominio erano isolate in silos. La sfida diventa quindi capire se l'AI sia in grado di comprendere a sufficienza i dati e il business di un piano sanitario, in modo che l'area finanziaria possa fidarsi dei suoi insight e agire di conseguenza.
È qui che Databricks e Abacus si uniscono. Databricks fornisce le funzionalità di dati e AI che consentono alle organizzazioni di interagire con i dati aziendali governati in modi del tutto nuovi. Abacus apporta la base di dati specifica per i payer, il contesto di business e la conoscenza operativa di cui queste funzionalità hanno bisogno quando le domande riguardano la finanza sanitaria.
Per anni, la business intelligence ha funzionato anticipando le domande che qualcuno avrebbe voluto porre. I team creavano report. Gli analisti creavano dashboard. I dirigenti esaminavano le metriche che qualcuno aveva deciso dovessero far parte della pagina.
Quando un numero cambiava, capirne il motivo significava abbandonare la dashboard, trovare l'analista o il team giusto per indagare, estrarre un altro report o riconciliare più sistemi di record. E ogni risposta lasciava in sospeso qualcosa: un altro report da eseguire, un'altra dashboard da creare e gestire. Ognuna di esse era già obsoleta nel momento in cui arrivava la domanda successiva.
Più lavoro per il team e rendimenti decrescenti.
L'AI conversazionale cambia questo modello di interazione. Invece di fermarsi a ciò che una dashboard è stata progettata per mostrare, un responsabile finanziario può porre una domanda in linguaggio naturale, ottenere una risposta e farla seguire da un'altra domanda basata su ciò che ha appena appreso. L'esperienza inizia a somigliare meno alla navigazione tra i report e più a un'indagine sul business.
Ciò che viene davvero meno è la barriera tra due tipi di competenze. Il dirigente conosce il business ed è responsabile delle decisioni, ma non può interrogare i dati; l'analista conosce i dati, dove risiedono, come sono strutturati, come manipolarli, ma non sempre sa quale sia la domanda cruciale. L'AI elimina questo passaggio di consegne: la persona che ha bisogno della risposta può ora richiederla direttamente.
Ma la qualità di questa conversazione dipende da ciò che l'AI comprende alla base.
Per anni, la questione della modernizzazione dei dati ha riguardato principalmente l'accesso: possiamo unire i dati relativi a sinistri, iscritti, fornitori, contratti, dati clinici e finanziari in modo che le persone possano utilizzarli? Questo rimane essenziale, ma l'AI aggiunge un altro requisito. Deve comprendere il significato di tali dati.
Consideriamo la metrica dell'MLR, ovvero la quota di ricavi da premi spesa per l'assistenza medica dei membri di un piano. Facile da definire, difficile da calcolare. I sinistri e i premi presentano strutture e tempistiche diverse, e la spesa "medica" è in realtà un insieme di componenti, tra cui sinistri medici, sinistri farmaceutici e rimborsi, sinistri avvenuti ma non denunciati (IBNR), recuperi di integrità dei pagamenti, trasferimenti di adeguamento del rischio, liquidazioni dei fornitori e altro ancora. Inoltre, deve essere suddivisa per linea di business, mercato o prodotto, e la definizione di queste coorti richiede una logica di business che non è mai predefinita.
Senza questo contesto, un sistema di AI può avere accesso a enormi quantità di dati e non produrre comunque insight adeguati.
Gran parte di questo contesto di business è tradizionalmente risieduto in luoghi diversi:
Affinché l'AI possa rispondere in modo affidabile alle domande di ambito finanziario, una parte maggiore di questo contesto deve diventare esplicita, coerente e riutilizzabile.
Ecco perché una base di dati specifica per i payer è importante. I dati dei piani sanitari non arrivano ordinati in modo pulito intorno alle domande che i dirigenti desiderano porre. Le informazioni su sinistri, idoneità, fornitori, contratti, dati clinici e finanziari provengono da sistemi diversi, in formati diversi, con relazioni e tempistiche differenti. Prima che l'AI possa ragionare efficacemente su di essi, i dati devono essere collegati e organizzati in modo da riflettere il funzionamento di un piano sanitario.
Abacus fornisce questa base specifica per i payer: unisce i dati sanitari in una struttura coerente e aggiunge il contesto di business necessario per comprendere le relazioni tra iscritti, sinistri, fornitori, contratti, informazioni cliniche e metriche finanziarie.
Anche sugli stessi dati sottostanti, la "stessa" metrica viene spesso definita in modo diverso a seconda di chi la calcola. Una versione finisce nel pacchetto di reporting mensile del CFO, mentre un'altra compare in una richiesta di analisi ad hoc, e alla fine qualcuno deve riconciliarle. L'AI non risolve questo problema da sola. Senza definizioni coerenti, lo amplifica.
Per i responsabili finanziari, il problema non è semplicemente l'accuratezza. È la certezza che la risposta rifletta il modo in cui opera l'azienda.
Le stesse definizioni che consentono ai team finanziari, attuariali e operativi di lavorare a partire da una visione coerente delle prestazioni forniscono all'AI anche il contesto necessario per interpretare correttamente una domanda. L'obiettivo non è semplicemente avere un unico luogo in cui risiedono i dati, ma una comprensione coerente del significato dei dati ovunque vengano utilizzati, sia che un dirigente ponga una domanda in modo conversazionale, sia che un analista produca un report tradizionale.
Torniamo al CFO. L'MLR è superiore al budget. Dove? Cosa lo sta determinando? Quali popolazioni, servizi o fornitori spiegano questo cambiamento? E cosa dovrebbe fare l'organizzazione subito dopo?
Ogni domanda richiede più contesto rispetto alla precedente. La prima necessita di una metrica finanziaria e di un confronto con il budget. La seconda richiede i componenti alla base della varianza. La terza incrocia i dati relativi a sinistri, iscritti, fornitori, contratti e gestione dell'assistenza. Con la quarta, la conversazione si è spostata dal reporting finanziario alle operazioni.
Ecco perché la vera opportunità non è un modo migliore per visualizzare un KPI. È un percorso connesso che va dal segnale esecutivo agli approfondimenti operativi, un percorso che l'area finanziaria può compiere senza dover continuamente rimandare il problema agli analisti per riconciliare un altro insieme di report o punti dati. L'AI non sostituisce il giudizio su ciò che l'organizzazione dovrebbe fare; riduce la distanza tra il constatare che qualcosa è cambiato e il comprenderlo abbastanza bene da agire. Senza questo continuo passaggio di consegne, ogni iterazione è più rapida, e un'iterazione più veloce aumenta il valore della decisione stessa: le attività di gestione dell'assistenza iniziano prima, le tendenze emergenti vengono integrate nella tariffazione in anticipo e l'azione correttiva avviene quando può ancora cambiare il risultato.
L'MLR è un esempio utile perché si colloca all'intersezione tra finanza e operazioni, ma l'architettura sottostante non è specifica per l'MLR. Gli stessi dati connessi dei payer e lo stesso contesto di business possono supportare domande relative all'integrità dei pagamenti, al costo totale dell'assistenza, all'adeguamento del rischio, alla qualità e alle prestazioni dei fornitori.
Questo cambia il modo in cui i piani sanitari possono concepire gli investimenti in AI. L'alternativa è una raccolta di casi d'uso di AI scollegati, ciascuno costruito intorno ai propri dati, alle proprie definizioni e alla propria visione del business. Si tratta della stessa frammentazione che i piani sanitari cercano di eliminare da anni, solo con un'interfaccia AI in più.
Una fondazione comune di intelligence per i payer crea un percorso diverso: definire correttamente i dati e il contesto sottostanti una sola volta, per poi riutilizzarli man mano che emergono nuove domande, workflow ed esperienze di AI.
Un piano sanitario che ha già connesso e contestualizzato i propri dati tra i vari casi d'uso ha un vantaggio iniziale quando sorgono nuove domande. Su un'unica fondazione, l'AI può analizzare più domini contemporaneamente anziché uno alla volta. Le prestazioni scarse sono raramente guidate da una singola variabile, che si tratti di underwriting, care management, risk adjustment, qualità, rete o provider engagement. È l'interazione tra di essi che conta, eppure oggi è difficile rispondere a questa domanda sfaccettata perché ogni dominio fa capo a un team e a un dataset diversi.
Databricks e Abacus risolvono parti diverse di questo problema. Databricks fornisce le funzionalità della piattaforma dati e AI per la governance dei dati aziendali e la creazione di esperienze analitiche basate sull'AI, comprese le esperienze conversazionali che consentono agli utenti aziendali di porre domande sui dati dell'organizzazione in linguaggio naturale.
Abacus offre la fondazione specifica per i payer su cui si basano queste esperienze: dati sanitari normalizzati e connessi, modelli e contesto aziendale specifici per i payer e una profonda comprensione di come le informazioni si muovono all'interno dei workflow finanziari e operativi dei piani sanitari.
Questa distinzione è importante. Una piattaforma generica offre potenti funzionalità per la creazione di esperienze di AI, ma i dati dei piani sanitari presentano terminologia, relazioni, regole aziendali e complessità operative specifiche dell'ambiente dei payer. Catturare questo contesto è ciò che consente a tali funzionalità di rispondere alle domande dei leader dei piani sanitari.
Insieme, Databricks e Abacus creano un percorso che va dalla tecnologia pronta per l'AI ai dati dei payer pronti per l'AI e, infine, a risposte che riflettono il funzionamento di un piano sanitario.
La domanda interessante per l'area finanziaria dei payer non è più se l'AI sia in grado di generare una risposta. È se tale risposta comprenda a sufficienza il business da essere utile e affidabile.
Quando un CFO chiede perché l'MLR è variato, la tecnologia dovrebbe fare di più che mostrare semplicemente la variazione. Dovrebbe aiutare il team finance a seguire la domanda attraverso i dati sottostanti dei payer, capire cosa è cambiato e avvicinare l'organizzazione all'azione. Ciò richiede dati governati, un significato aziendale condiviso e un contesto specifico per i payer sotto l'interfaccia — ed è proprio questo l'obiettivo su cui Databricks e Abacus stanno lavorando insieme: non solo rendere i dati dei piani sanitari più facili da interrogare, ma rendere le risposte più utili per le persone responsabili di agire di conseguenza.
Scoprilo in azione nel nostro webinar del 17 settembre, a partire dalle 9:00 PT. Prenota il tuo posto qui!
(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale
Iscriviti al nostro blog e ricevi gli ultimi articoli direttamente nella tua casella di posta.