SOA Blog

Predictive Analytics in Life and Health Insurance

En français

by Kevin J. Pledge

On Dec. 1, 2017, the University of Waterloo held its “Advances in Predictive Analytics” conference, sponsored by the Society of Actuaries (SOA), as part of its 50th anniversary celebration of the mathematics faculty. SOA Past President Jerry Brown delivered the keynote luncheon address, and the SOA provided a practitioner panel discussion on predictive analytics in life and health insurance. This article is adapted from the case study that I presented at that session.

“Success is a journey, not a destination. The doing is often more important than the outcome.”

—Arthur Ashe


For some time now, we have seen significant success from predictive analytics in Property and Casualty (P&C) and other industries, but not so much in life and health insurance. Why is this? I believe this is largely due to the time frame over which we want to see results, in particular the impact of analytics. P&C first saw success in pricing—products that are renewed by consumers each year show immediate benefit from the application of predictive analytics. Life insurance products, which are held for many years, take much longer for results to emerge and the benefits to be seen. One area where we can see immediate results is in claim scoring, which was developed by Claim Analytics in the early 2000s.

Long-Term Disability (LTD)

Claim Analytics was founded around 2000 with the goal of bringing predictive analytics to life and health insurance. The application of predictive analytics to claim management for group disability presented an immediate opportunity. The problem involved predicting the outcome of LTD claims. These claims can have a wide range of outcomes, but can be generally bucketed as follows:

  1. Some claims can be resolved rapidly, typically with the claimant returning to work.
  2. At the other extreme, some will continue indefinitely and become permanent claims.
  3. And then there are the claims in the middle—not quick, but not permanent.

Before we discuss the analytics, it is important to understand why this bucketing is important. Claims that can be resolved quickly can be assigned to less-experienced claim handlers, or automatically paid with the goal of saving on expensive resources. Claims that are likely to become permanent should focus on expense management, including the possibility of social security offset. However, it is the claims in the middle that offer the greatest opportunity for management and improvement.

Experienced claim managers will assert that they can look at a claim and predict the outcome—obviously a hernia claim is likely to return to work more quickly than a cancer claim.

Having said that, there are several problems with using an experienced claim manager to assign claims. Most obviously, having an experienced claim manager to do this will cost time and money. Secondly, there are many claim scenarios in between the example above—as outcomes can depend on many factors, not just the primary diagnosis—and experience level and personal biases can easily come into play. Claim scores are not only quicker, but more effective.

Claim Analytics developed claim scores that correspond to the probability of return to work at various durations—six months, 12 months, 18 months and 24 months are most common. A score of 1 corresponds to between 0 and 10 percent probability of return to work; 2 corresponds to between 11 and 20 percent probability of return to work; and so on. These scores can now be assigned to our claim assignment buckets; scores of 1 to 3 are unlikely to resolve in the given period (bucket 2 above), scores of 4 to 7 have the highest opportunity for claim management to influence (bucket 3 above), and scores of 8 to 10 are likely to be resolved quickly (bucket 1 above). Not only can the scores be used for claim assignment, but other opportunities are presented: For example, claims that are unlikely to be resolved can be moved to the permanent block earlier to save management resources and negotiate settlement.


LTD claim scoring is a success, and is now established in most companies managing this business—but that’s not the end of the story. The obvious next question was: Can we do this for short-term disability (STD)?

Short-Term Disability

STD has different challenges and opportunities when compared with LTD; in particular, the volume of claims is much greater, and claims are settled much more quickly.

With STD, claim assignment is slightly different: You want to identify the best time to intervene with the claim; and if a claim is expected to resolve quickly, it can be left to be resolved naturally. Also, if you can identify the most complex claims, you can assign these to the most experienced claim managers. Finally, with STD you also want to identify claims that are most likely to transition to become LTD claims.

Based on experience from LTD, Claim Analytics developed a range of scores, and these scores maintain the familiar 1–10 range that claim handlers find easy to use. The deployment of scores could also leverage tools that we developed to assist with implementation.

Continuous Development and Improvement

Advice often given is to start small and build; that is, go to market with the minimum viable product. This is good advice, but what does it really mean? In the case of Claim Analytics, the LTD product was a complete product, and STD used a completely different predictive model. The evolution that went into the STD product was based on learnings and experience associated with building and deploying models.

There are also regular check-ins with the business area to see how the models are used and if they can be improved. At times we have found that models have uses that we hadn’t anticipated, so they may be tweaked to better meet this new purpose.

This evolution continues. Although distinct models are used, the experience gained with LTD and STD scoring has been used in analysis of rehab performance, claim handler performance and intercompany benchmarking.

Building on experience enables companies to deliver mature, reliable products that would be hard to replicate. At the same time, you need to ensure that your first product does not hurt your reputation.

In summary:

  1. You need to show results quickly—choose subject matter for which you will see results in a reasonable time period.
  2. Start simple and build from there. This does not mean deploying a solution that is incomplete, but rather considering ways to extend the solution you have into new areas.
  3. Revisit and refresh—listen to the business users; you may find opportunities that you had not anticipated.


Kevin J. Pledge, FSA, FIA, is CEO of Claim Analytics, a company that has provided predictive analytics consulting for over 16 years. He is also CEO of Acceptiv, a company that provides online distribution and underwriting analytics. has published several articles covering analytics and data management. Pledge can be reached at kpledge@claimanalytics.com.




L’analyse prédictive en assurance vie et maladie

par Kevin J. Pledge

Le 1er décembre 2017, l’University of Waterloo tenait sa conférence portant sur les « progrès en analyse prédictive (Advances in Predictive Analytics), » commanditée par la Société des Actuaires (SOA), dans le cadre de la célébration du 50ème anniversaire de sa faculté des mathématiques. C’est l’ancien président de la SOA Jerry Brown qui a livré le discours liminaire, alors que la SOA fournissait un panel de discussion avec des spécialistes de l’analyse prédictive en assurance vie et maladie. Cet article est adapté de l’étude de cas qui j’ai présenté à cette session.

« Le succès est un cheminement, et non pas une destination. Son cheminement est souvent plus important que son acheminement. »

—Arthur Ashe (traduction libre)

Nous assistons depuis un certain temps à des importants succès dans l’analyse prédictive en matière d’assurance des biens et des dommages et dans d’autres industries, mais pas autant en assurance vie et maladie. Pourquoi? Je crois que cela est largement attribuable à l’échéancier sur lequel nous souhaitons voir des résultats, et en particulier à l’impact de ces analyses. C’est dans le domaine de l’assurance des biens et des dommages que ses succès ont été les plus remarquables pour la fixation des prix—les produits qui sont renouvelés à chaque année par les clients ont profité des bénéfices immédiats de l’application de l’analyse prédictive. Les produits d’assurance vie, comme ils sont conservés pendant de nombreuses années, nécessitent des résultats plus longs pour émerger, et pour qu’on puisse en percevoir les bénéfices. Un domaine dans lequel nous pouvons voir des résultats immédiats est notamment dans la notation des réclamations, qui a été développée par Claim Analytics au début des années 2000.

Invalidité de longue durée (I.L.D.)

Claim Analytics a été fondée vers l’année 2000, avec l’objectif d’utiliser l’analyse prédictive en assurance vie et maladie. L’application de l’analyse prédictive dans la gestion des réclamations dans les régimes d’assurance collective a représenté une opportunité immédiate. Le problème impliquait la prédiction des résultats des réclamations en I.L.D. Ces réclamations présentaient une vaste gamme de conséquences, mais celles-ci peuvent se regrouper comme suit :

  1. Certaines réclamations peuvent être résolues rapidement, typiquement avec le demandeur qui retourne au travail.
  2. À l’autre extrémité du spectre, certains demandes se perpétuent indéfiniment, et deviennent des réclamations permanentes.
  3. Et il y a des réclamations dans le milieu—qui ne sont pas réglées rapidement, mais qui ne deviennent pas non plus permanentes.

Avant de discuter des analyses, il est important de comprendre pourquoi cette répartition est importante. Les réclamations pouvant être résolues rapidement peuvent être assignées aux agents de traitement des réclamations les moins expérimentés, ou payées automatiquement, avec l’objectif d’économiser sur les ressources dispendieuses. Les réclamations qui ont une probabilité de devenir permanentes doivent profiter d’une concentration sur la gestion des dépenses, y compris la possibilité d’en retrancher les montants prévus par la sécurité sociale. Toutefois, ce sont les réclamations qui se retrouvent au milieu qui offrent la meilleure opportunité de gestion et d’amélioration.

Les agents de traitement des réclamations les plus expérimentés doivent se pencher sur une réclamation et prédire son aboutissement—il est évident qu’une réclamation pour une hernie permettra un retour au travail plus rapide qu’une réclamation pour un cancer.

Cela étant dit, il y a de nombreux problèmes qui impliquent un recours à un agent de traitement des réclamations plus expérimenté pour lui assigner ces réclamations. Ce qui est le plus évident, c’est le fait que d’avoir un agent de traitement des réclamations plus expérimenté pour ce faire impliquera des coûts en temps et en argent. Deuxièmement, il y a de nombreux scénarios qui tombent entre les exemples ci-dessus—alors que leurs aboutissements dépendent de nombreux facteurs, et pas seulement du diagnostic primaire—et le niveau d’expérience et les points de vue personnels des agents impliqués peuvent facilement entrer en scène. Les notations des réclamations sont non seulement plus rapides, mais sont aussi plus efficaces.

L’analyse des réclamations a permis de développer des notations des réclamations qui correspondent aux probabilités de retour au travail, selon des durées diverses—6 mois, 12 mois, 18 mois et 24 mois sont les durées les plus courantes. Une note de 1 correspond à une probabilité entre 0 et 10 % de retour au travail; 2 correspond à une probabilité de retour au travail sise entre 11 et 20 %; et ainsi de suite. Ces notations peuvent maintenant être assignées aux répartitions des assignations des diverses réclamations; celles avec des notes entre 1 et 3 ont peu de probabilité de résolution dans la période donnée (la partie 2 ci-dessus), les notes de 4 à 7 offrent la plus grande opportunité que la gestion de la réclamation puisse les influencer (la partie 3 ci-dessus), et celles avec des notes entre 8 et 10 ont une grande probabilité d’être résolues rapidement (la partie 1 ci-dessus). Non seulement ces notations peuvent être utilisées pour les assignations des réclamations, mais elles présentent aussi d’autres opportunités : Par exemple, les réclamations présentant peu de probabilité d’être résolues peuvent être déplacées plus rapidement vers le bloc permanent, pour économiser dans la gestion des ressources et pour négocier un règlement.

La notation des réclamations pour I.L.D. est couronnée de succès, et elle est maintenant établie dans la plupart des sociétés qui gèrent ces affaires—toutefois, ce n’est pas la fin de son histoire. La prochaine question évidente est la suivante : Cela peut-il s’appliquer aux cas invalidité de courte durée?

Invalidité de courte durée

L’invalidité de courte durée comporte des opportunités et des défis différents en comparaison avec les invalidités de longue durée; en particulier, le volume de ces réclamations est beaucoup plus vaste, de plus, ces réclamations sont réglées beaucoup plus rapidement.

Avec les cas d’invalidité de courte durée, l’assignation des réclamations est légèrement différente : Vous voulez identifier le meilleur moment où intervenir avec la réclamation; et s’il est anticipé qu’une réclamation soit réglée rapidement, on peut la laisser se résoudre de manière naturelle. De plus, si vous pouvez identifier les réclamations les plus complexes, vous pouvez les assigner aux gestionnaires de traitement des réclamations les plus expérimentés. Finalement, avec les cas d’invalidité de courte durée vous voulez aussi identifier les réclamations qui présentent les plus grandes probabilités de se transformer en I.L.D.

En se fondant sur les expériences antérieures en I.L.D., les analyses des réclamations ont permis de développer une gamme de notations, et ces notations soutiennent que la gamme de notations entre 1 et 10 sont celles que les agents de traitement des réclamations trouvent faciles à régler. Le déploiement des notations pourrait aussi bénéficier des outils qui ont été développés pour assister dans leur implantation.


Développement et amélioration continus

Il est souvent conseillé de commencer petit, puis de construire par la suite; à savoir, aller vers le marché avec le produit viable minimal. Bien qu’il s’agisse d’un bon conseil, qu’est-ce que cela signifie en réalité? Dans le cas des analyses des réclamations, le produit pour I.L.D. était un produit complet, alors que les cas d’invalidité de courte durée utilisaient un modèle de prédiction totalement différent. L’évolution dans les produits d’invalidité de courte durée a été basée sur les apprentissages et sur les expériences associées avec la constitution et le déploiement des modèles.

Il y a aussi des vérifications sur une base régulière dans les divers domaines d’affaire, pour voir comment les modèles sont utilisés, et s’ils peuvent être améliorés. Il est arrivé de découvrir que les modèles offraient des utilisations qui n’avaient pas été anticipées, et qu’ils pouvaient être modifiés pour mieux correspondre à certains nouveaux usages.

Cette évolution continue. Bien que des modèles distincts soient utilisés, l’expérience acquise avec la notation des cas d’invalidité de longue durée, et d’invalidité de courte durée, a été utilisée dans l’analyse des performances de réhabilitation, de performance des agents de traitement des réclamations, et l’analyse comparative entre les diverses compagnies.

Construire sur ses expériences permet aux compagnies de livrer des produits matures et fiables, lesquels sont plus difficiles à copier. Du même coup, vous devez vous assurer que votre produit offert pour la première fois n’aura pas un impact négatif sur votre réputation.

En résumé :

  1. Vous devez démontrer des résultats rapidement—choisissez des matières pour lesquelles vous verrez des résultats dans un lapse de temps raisonnable.
  2. Commencez simplement, et construisez avec le temps. Cela ne signifie pas de déployer une solution qui soit incomplète, mais plutôt de considérer des moyens d’étendre la solution que vous avez, dans des nouveaux domaines.
  3. Revisitez et rafraîchissez—écoutez les utilisateurs de ces affaires; vous pourriez découvrir des opportunités que vous n’aviez pas encore anticipées.

Kevin J. Pledge, FSA, FIA, est PDG de Claim Analytics, une compagnie spécialisée dans la consultation en analyse prédictive, à l’œuvre depuis plus de 16 ans. Il est aussi PDG de Acceptiv, une compagnie qui offre des analyses en ligne en matière de distribution et de souscription. M. a publié de nombreux articles sur les questions de l’analyse et la gestion des données. Vous pouvez joindre M. Pledge à l’adresse kpledge@claimanalytics.com.

Sharing is caring.
  • Subscribe to our feed
  • Tweet about this post
  • Share this post on Facebook
  • Share this post on Google
  • Share this post on LinkedIn


No responses to "Predictive Analytics in Life and Health Insurance"

There are no comments yet, add one below.

Leave a Comment