Como a IA Tem Efetivamente Gerado Aumento de Receitas e Diminuição das Despesas nas Operadoras de Saúde
- Frederico Gonzalez Colombo Arnoldi
- 6 de mai.
- 5 min de leitura
Atualizado: há 5 dias
Agenda
Sumário Executivo
O Cenário das Operadoras de Saúde No Brasil
Como Processos Modernizados e Com Uso Pragmático de Machine Learning Têm Ajudado As Operadoras de Saúde
Uma Rápida Definição dos Conceitos de Data Science, Inteligência Artificial e Machine Learning
Sumário Executivo
O setor de planos de saúde finalizou 2024 com mais de 52MM usuários, principalmente em planos empresariais (~72%). Pela primeira vez desde 2021, foi lucrativo (+3,16%). Embora o número tenha sido positivo, ainda é bem apertado e não foi positivo para todas as operadoras: 28% das operadoras fecharam 2024 no vermelho, e 40% delas com resultado operacional negativo. Esses números mostram que a sustentabilidade financeira do setor precisa estar no foco, e a inovação precisa gerar aumento de receita e/ou redução das despesas.
Escrevemos esse artigo para explicar como já ajudamos empresas nessa jornada, entre outros, melhorando a precificação, a identificação e aceitação de riscos, as taxas de conversão de propostas comerciais, a identificação de ineficiências e abusos, assim como adicionamos inteligência no processo de provisionamento financeiro para eventuais despesas jurídicas além de ganhos e eficiência operacional.
O Cenário das Operadoras de Saúde No Brasil
Segundo a ANS[1], o setor de planos de saúde finalizou 2024 com mais de 52MM usuários de planos de assistência médica, +862.771 beneficiários em relação a dezembro de 2023, um crescimento de +1,6%. O crescimento foi observado em 24 unidades federativas. A maior parte desses beneficiários está em planos empresariais (~72%), seguido por planos individuais ou familiar (16,6%). Os contratos por adesão se encontram na terceira posição (11,3%).
De 2023 para 2024, a sinistralidade caiu de 87% para 83,6%, principalmente pelo crescimento das receitas de contraprestação[2]. Pela primeira vez desde 2021, o setor foi lucrativo (R$11Bi, aproximadamente 3,16%)[3]. Apesar do resultado geral ter sido positivo, a margem ainda foi apertada e não beneficiou todas as operadoras: 28% das operadoras fecharam 2024 no vermelho, e 40% delas com resultado operacional negativo[4].
Esses números mostram que a sustentabilidade financeira do setor precisa estar no foco das atenções, e a inovação precisa de pragmatismo, gerando aumento de receita e/ou redução das despesas.
Como Processos Modernizados e Com Uso Pragmático de Machine Learning Têm Ajudado As Operadoras de Saúde
A Carpa Analytics é uma consultoria especializada em gerar soluções de negócio com Machine Learning. Se você quiser entender um pouco mais sobre o que é Machine Learning (ML) e Inteligência Artificial (IA), preparamos uma seção no final do artigo para definir alguns termos, caso precise de algum esclarecimento dos termos técnicos.
Temos expertise e experiência em vários setores, principalmente no setor de saúde. E como cada caso é um caso, inclusive no setor de saúde, utilizamos técnicas de ‘discovery’ e de ‘roadmapping’ de dores de negócio para entender as necessidades de cada empresa, assim como desenhar soluções customizadas e efetivas.
A implementação, geralmente, desenvolvemos utilizando ambiente AWS e DataRobot. Se você quiser saber um pouco mais sobre a plataforma DataRobot, clique aqui.
Abaixo estão alguns exemplos de projetos que já apoiamos ou implementamos em operadoras de saúde.
Da Venda à Implantação
Precificação mais precisa e apoio na gestão de riscos (abusos, condições pré-existentes e inadimplência), para facilitar a venda e apoiar na criação de uma carteira saudável financeiramente. Ou seja, tem o potencial de aumentar receitas mas também reduzir a sinistralidade.
Inteligência comercial, buscando orientar o time de vendas a focar em contratos específicos, aumentando as taxas de conversão de propostas em contratos implantados, aumentando a receita gerada pelo mesmo time de vendas.
Diminuição do trabalho na implantação, principalmente na pré análise da documentação de contratos individuais e de pequenas empresas, trazendo eficiência operacional, habilitando o crescimento da operação sem adicional de custos com pessoal.
Otimização das Despesas Assistenciais e Administrativas
Apoio na identificação de ineficiências e cobranças indevidas, apontando prestadores e beneficiários que precisam de uma análise manual mais criteriosa, reduzindo pagamentos indevidos.
Redução de trabalho manual, seja na automação da autorização de procedimentos médicos ou na identificação de contas médicas com erros, trazendo eficiência operacional.
Inteligência na cobrança, pela identificação de contratos em atraso mas que podem ser trabalhados internamente, com redução de custos de cobrança externa.
Inteligência no provisionamento de despesas jurídicas, apoiando na mensuração do risco de condenação e valor a ser provisionado, otimizando essas.
Gestão da Carteira de Beneficiários e Contratos
Apoio no monitoramento e tratamento de reclamações, trazendo inteligência para evitar NIPs (Notificação de Intermediação Preliminar) e processos judiciais, reduzindo despesas administrativas.
Inteligência nas renovações, criando um racional para a definição da estratégia de trabalho da carteira, aumentando a receita gerada pelo time de gestão da carteira.
Como mencionamos anteriormente, o cenário das operadoras de saúde no Brasil é muito diverso. Assim, nem todo projeto faz sentido para todas as operadoras e, com certeza, o benefício e prioridade são bem específicos.
Se tiver interesse, podemos ajudá-los nesse processo de aumentar as receitas e reduzir as despesas com soluções de negócios modernas, customizadas e utilizando Inteligência Artificial e Machine Learning de forma pragmática.
Uma Rápida Definição dos Conceitos de Data Science, Inteligência Artificial e Machine Learning
Data Science ou Ciência de Dados: É um conceito que engloba as atividades de geração de insights, apoio a tomada de decisão, e automações inteligentes a partir dos dados históricos, análises estatísticas e inteligência artificial. Os resultados podem ser materializados em relatórios ‘ad-hoc’, painéis (ou ‘dashboards’) em plataformas de “Business Intelligence” para uso recorrente, ou um processo (semi) automatizado por meio de pipelines de dados e inteligência artificial.
Inteligência Artificial. Existem várias definições e é um termo muito amplo. Apenas para termos uma referência, vamos tomar como base a definição de John McCarthy (2007)[5], da Universidade de Stanford: é a “ciência e engenharia de fazer máquinas inteligentes, especificamente programas de computadores.” É um campo vasto, com vários subtemas, envolvendo otimizações e previsões.
“Machine Learning” ou Aprendizado de Máquina: Como mencionado acima, é um subtema da inteligência artificial. Vamos usar aqui a definição de Chip Huyen em seu Livro “Designing Machine Learning Systems”[6]: “é uma abordagem (estatística) para aprender/formalizar padrões complexos a partir de dados históricos, e usar esses padrões para fazer previsões sobre dados ainda não vistos”. Ou seja, um conjunto de metodologias para fazer previsões, seja no futuro (ex previsão de vendas ou sinistralidade futura) ou identificar condições das quais não temos informações ou queremos automatizar uma análise (ex classificação de documentos). Dentro do subtema do aprendizado de máquina, temos um conjunto de técnicas conhecido como ‘deep learning’, que permitem processar e trabalhar textos e imagens com resultados impressionantes, como o que temos visto dentro do que tem se chamado de “IA Generativa". Porém é importante salientar que o potencial de aplicações da IA vai muito além da IA Generativa.
Autor do artigo: Frederico Arnoldi
Referências
[1] | |
[2] | |
[3] | |
[4] | |
[5] | |
[6] |