Inovação orientada por dados na previdência social: boas práticas da Ásia e do Pacífico

Inovação orientada por dados na previdência social: boas práticas da Ásia e do Pacífico

A aplicação de tecnologias de informação e comunicação (TIC) está permitindo a implementação de sistemas de segurança social abrangentes e eficazes em todo o mundo. Este artigo considera as inovações orientadas por dados na Ásia e no Pacífico, com base nas boas práticas das instituições membros da Associação Internacional de Seguridade Social (ISSA) na região.

As inovações em TIC estão ampliando rapidamente o escopo e o impacto das políticas de seguridade social, ao mesmo tempo em que potencializam a prestação de serviços simplificada e de qualidade. Nesse contexto, uma tendência importante tem sido o papel crescente dos dados na administração da previdência social (ISSA 2016 e 2019; Ruggia-Frick, 2021). As instituições de previdência social estão explorando cada vez mais novas maneiras de aproveitar os grandes volumes de dados que gerenciam para simplificar processos, fornecer serviços personalizados, reduzir fraudes e erros e formular decisões de políticas baseadas em evidências.

Para apoiar as instituições membros na implementação eficaz e segura da análise de dados, a ISSA desenvolveu orientações específicas como parte de um plano mais amplo Diretrizes da ISSA sobre Tecnologia da Informação e Comunicação (ISSA, 2019b). As diretrizes sobre análise de dados (54–59 das diretrizes sobre TIC) são adaptadas às seguintes categorias principais:

  • Análise descritiva, que envolve a análise de dados históricos para informar decisões futuras
  • Análise de diagnóstico, que olham para os processos e causas de um evento
  • Análise preditiva, que tenta prever resultados futuros usando técnicas de previsão
  • Análise prescritiva, que ajuda a tomar decisões analisando várias alternativas
  • Análise de big data, que aplica as técnicas acima a conjuntos de dados muito grandes
  • Aprendizado de máquina e big data, que vai além das técnicas analíticas tradicionais e examina as nuances da aplicação de técnicas de aprendizado de máquina para big data

O tipo de análise que as instituições de previdência social podem aplicar depende da maturidade de seus dados. Embora vários modelos de maturidade de análise tenham surgido na última década, um modelo de maturidade recente para o governo orientado por dados que foi apresentado na Conferência ISSA ICT 2018 poderia potencialmente ajudar as instituições de seguridade social a identificar suas capacidades atuais e definir seu roteiro futuro.

tabela 1. Modelo de maturidade para transformação orientada por dados
  ad hoc Preparado Demonstrado Comprovado Inteligente
Estratégia A estratégia da agência não considera políticas e práticas baseadas em dados Estratégia para transformação digital com visão de políticas e práticas orientadas por dados Estratégia para políticas e práticas orientadas por dados documentadas e endossadas A estratégia da agência é formulada com base em insights orientados por dados A estratégia do governo é formulada com base em insights orientados por dados
Data Os dados não estão disponíveis ou são inadequados para dar suporte à transformação orientada por dados As fontes de dados foram identificadas e os dados estão sendo preparados Dados de qualidade estão disponíveis em alguns domínios Os dados são gerenciados como um ativo estratégico em toda a empresa Os dados são continuamente enriquecidos por processos orientados por dados
Equipar Sistemas em silos impedem a análise longitudinal A análise longitudinal é suportada pela análise tradicional As soluções pontuais oferecem suporte à análise preditiva em alguns domínios A plataforma corporativa oferece suporte à análise preditiva em todos os domínios A plataforma empresarial inclui refinamento autônomo de modelos preditivos
Cultura Resistência cultural à mudança Suporte executivo para políticas e práticas orientadas por dados Algumas equipes adotaram práticas orientadas por dados Adoção de práticas orientadas por dados em toda a empresa A cultura orientada por dados se estende aos formuladores de políticas governamentais
Influenciar As decisões são baseadas em instintos bem intencionados As decisões são baseadas em dados não confiáveis ​​e incompletos Alguns exemplos de tomada de decisão baseada em evidências As práticas de negócios são transformadas com base em insights orientados por dados A política do governo é influenciada por insights orientados por dados
Impacto A política governamental e as práticas de negócios permanecem inalteradas Revisões de políticas e práticas sendo solicitadas por insights orientados por dados Alguns exemplos de respostas dinâmicas a grandes eventos e tendências emergentes As respostas dinâmicas são frequentemente informadas por insights orientados por dados A política é continuamente revisada e aprimorada para otimizar os resultados
fonte: Van Leent (2018)

Experiências de aplicação de análise de dados da Ásia e do Pacífico

Instituições de previdência social na Ásia e no Pacífico alavancaram dados em várias áreas, como melhorar a prestação de serviços por meio de automação, assistência médica, detecção e prevenção de erros, evasão e fraude e política social proativa e design de programas, entre outros. Exemplos de boas práticas da região foram submetidos ao Concurso ISSA Good Practice Awards e apresentado durante a Fórum Virtual de Previdência Social para a Ásia e o Pacífico e em webinars e outras atividades da ISSA. Este artigo examina as experiências das instituições membros em áreas emergentes de impacto.

Melhorando a entrega de serviços por meio de automação orientada a dados

Serviços Austrália

A Services Australia, a agência responsável por fornecer serviços sociais e pagamentos de previdência social testados na Austrália, aproveitou a análise de dados para avaliar de forma confiável as reivindicações por meio do uso do Straight Through Processing (STP). STP é o conceito de que uma solicitação pode ser tratada sem qualquer intervenção humana. À medida que a COVID-19 desestabilizou os meios de subsistência, a agência ampliou suas capacidades de tomada de decisão automatizadas existentes para agilizar os pagamentos ao volume sem precedentes de reclamantes sob o Programa de emprego (Serviços Austrália, 2020). O objetivo era fornecer pagamentos às pessoas necessitadas o mais rápido possível e garantir ao governo que os pagamentos automatizados, embora socialmente responsáveis ​​e administrativamente eficientes, fossem feitos de acordo com quatro “regras de ouro”: a pessoa certa, no programa certo, com a taxa certa, começando na data certa.

Embora a Services Australia tenha implementado o STP para outras categorias de pagamentos no passado, a diferença crucial foi a escala e a velocidade com que ele teve que ser implementado no caso de reivindicações de JobSeeker. Portanto, era importante medir e demonstrar a eficiência administrativa de automatizar o processo de aprovação de sinistros, ao mesmo tempo em que fornece garantia sobre a integridade do resultado do pagamento. Embora a agência tenha estabelecido uma estrutura de negócios sólida para orientar o desenvolvimento de produtos de automação, o processo de garantia baseado em dados que realizou verificações em uma amostra estatisticamente válida de decisões de pagamento automatizadas foi fundamental para demonstrar confiabilidade e precisão sem intervenção humana. A agência estabeleceu uma referência de precisão de pagamento de >95 por cento e usou uma variedade de métodos estatísticos, registros automatizados e análises orientadas por dados para medir suas conquistas em relação a essa meta. A agência atingiu uma meta de precisão de 99%, bem acima de seu benchmark.

Fundo Nacional de Previdência de Fiji

O Fundo Nacional de Previdência de Fiji (FNPF) alavancou dados para melhorar a eficiência de uma série de processos após a pandemia de COVID-19. A FNPF implementou quatro fases de assistência de proteção de renda para apoiar seus membros a lidar com os impactos da crise. A FNPF introduziu, pela primeira vez, Robotic Process Automation (RPA) para automatizar o processo de registro, processamento, aprovação e pagamento. A FNPF foi capaz de usar insights de dados para identificar membros que continuaram sendo afetados, permitindo o registro automático de membros usando RPA (Fundo Nacional de Previdência de Fiji, 2020). A FNPF conseguiu extrair dados para estimar sua exposição máxima e utilizar preventivamente estratégias de liquidez para administrar a posição de fluxo de caixa. Usando análise de dados e insights, a FNPF revisou proativamente as rejeições e reverteu decisões quando aplicável, sem que os membros tivessem que registrar reclamações formais.

Controle de fraudes e erros na área da saúde

Órgão de Administração da Previdência Social para a Saúde, Indonésia

Com quase 80 milhões de usos hospitalares em 2020, o Órgão de Administração da Previdência Social para o Setor de Saúde (BPJS Kesehatan) na Indonésia precisava de uma ferramenta de detecção de fraude confiável e robusta. Os métodos retrospectivos existentes de detecção de fraudes foram menos eficientes, pois a recuperação pós-pagamentos em excesso exigia esforços e recursos consideráveis. Além disso, os protocolos analíticos manuais exigiam recursos consideráveis ​​de processamento de dados, tornando-os complicados e caros.

A BPJS Kesehatan abordou esses desafios por meio de um sistema de aprendizado de máquina para detecção de fraudes. A vantagem central do sistema é que ele é concorrente, ou seja, os sinistros hospitalares são analisados ​​antes que os pagamentos sejam efetuados. Isso, por sua vez, tem várias vantagens. Primeiro, a detecção de fraudes é mais rápida e eficiente, pois o sistema é capaz de identificar padrões suspeitos rapidamente. Em segundo lugar, o tempo da equipe é liberado para tarefas mais estratégicas relacionadas ao controle de fraudes em vez de revisões manuais. Por fim, com o crescimento dos dados históricos, os modelos de previsão melhoram em sofisticação e precisão, ao contrário dos métodos manuais que simplesmente não conseguem processar dados nessa escala (Organização Administrativa da Previdência Social para a Saúde, 2019 e 2022).

O modelo de aprendizado de máquina foi desenvolvido com base no comportamento transacional histórico usando técnicas de aprendizado supervisionado. O algoritmo é treinado periodicamente com novos dados. O modelo de aprendizado de máquina foi implementado iterativamente, começando com 10 hospitais em 2019, estendendo-se para 265 hospitais em 2020 e escalando até 2,511 hospitais em 2021. 2021 transações para revisão adicional. Isso, por sua vez, ajudou mais de 5.8 oficiais de verificação do BPJS Kesehatan a trabalhar de forma mais eficaz.

Serviço Nacional de Seguro de Saúde, República da Coreia

O Serviço Nacional de Seguro de Saúde (NHIS) na República da Coreia fez avanços consideráveis ​​no uso de big data para detecção de erros e fraudes entre os pedidos de seguro de saúde. O NHIS abriga grandes dados sobre uma série de variáveis ​​socioeconômicas, comportamento de saúde, utilização de cuidados de saúde e cuidados de longo prazo. O NHIS aplica algoritmos de auditoria inteligentes sobre esses dados para prever instalações de assistência médica com alta probabilidade de reivindicações fraudulentas, apoiando preventivamente os investigadores (National Health Insurance Service, 2022).

O modelo de detecção de fraudes é híbrido e combina análises tradicionais e inteligência artificial. Em uma primeira etapa, todas as solicitações recebidas são examinadas usando algoritmos tradicionais baseados em regras para verificar se as declarações corretas e incomuns são distinguidas. A inteligência artificial é então usada para identificar correlações entre reivindicações incomuns, o que ajuda a determinar a probabilidade de uma inspeção. O modelo de inteligência artificial, prototipado pela primeira vez em 2021, evoluiu de uma geração anterior de modelos tradicionais baseados em regras. O modelo é definido usando uma variedade de técnicas, incluindo aprendizado profundo, floresta aleatória, aumento de gradiente, regressão logística e Support Vector Machine. O modelo está sendo aprimorado ainda mais. Entre 2014 e 2021, o sistema de detecção de fraudes detectou 567 casos de fraude, o que equivale a 820 milhões de dólares dos Estados Unidos (USD) em valor de sinistro.

Entregando serviços personalizados

Compensação dos Trabalhadores e Serviço de Bem-Estar da Coreia

O Serviço de Compensação e Bem-Estar dos Trabalhadores da Coréia (COMWEL) vem implementando planos de reabilitação personalizados para trabalhadores feridos desde 2011, ajudando na reabilitação bem-sucedida dos trabalhadores. Embora os serviços tenham sido expandidos nos últimos anos e tenham sido feitos esforços para elaborar planos individuais por meio de especialistas internos em reabilitação, o processo se baseou em informações limitadas e na experiência dos gerentes responsáveis, resultando em qualidade e pontualidade de serviço variáveis.

Para melhorar seu apoio aos trabalhadores acidentados, o COMWEL desenvolveu o Sistema de Recomendação de Reabilitação Inteligente (IRRS) (Serviço de Compensação e Bem-Estar dos Trabalhadores da Coréia, 2020). O IRRS é um sistema baseado em IA desenvolvido em 2020 para selecionar os trabalhadores feridos com potencial para serem ativos e projetar serviços de reabilitação cientificamente adaptados para eles. O IRRS calcula um índice de vulnerabilidade com base em dados administrativos de 98 milhões de trabalhadores acumulados desde 2011, incluindo detalhes sobre compensação de trabalhadores, seguro-desemprego, gestão de casos de reabilitação, e usa filtragem baseada em regras e metodologia de raciocínio baseado em casos. Além disso, também sugere um plano de reabilitação baseado no modelo de IA. Os trabalhadores selecionados para reabilitação e retorno ao trabalho passam por consultas com os especialistas em reabilitação do COMWEL antes que os planos gerados pela IA sejam finalizados. O sistema foi implementado pela primeira vez no início de 2020. Embora tenha sido difícil fornecer serviços de reabilitação devido ao COVID-19 em 2020, 13,876 serviços foram recomendados a 2,637 trabalhadores acidentados pelo IRRS, dos quais 9,172 serviços (66%) foram realmente projetados e fornecidos como serviços personalizados. O IRRS ajudou a COMWEL a alcançar uma qualidade de serviço consistente em nível nacional, garantindo intervenções oportunas e apropriadas para, em última análise, melhorar a taxa de retorno ao trabalho.  

Resultados

A Tabela 2 resume os resultados que essas instituições conseguiram alcançar usando a análise de dados.

tabela 2. Resumo dos resultados
Instituição Resultados obtidos
Serviços Austrália, Austrália
  • Automatização bem-sucedida de mais de 31,000 solicitações de pagamentos de previdência social com teste de recursos que foram avaliados, avaliados e pagos quase em tempo real a partir do momento em que foram apresentados, sem qualquer intervenção da equipe.
  • Economizou tempo da equipe, que por sua vez foi redirecionado para atender clientes vulneráveis ​​e casos mais complexos.
FNPF, Fiji
  • A economia de 1.8 milhão de dólares de Fiji (FJD) foi alcançada por meio de automação e eficiência.
  • Processado e pago 80 por cento dos pedidos dentro do prazo de entrega de cinco dias úteis.
  • Permitiu que a equipe se concentrasse no gerenciamento de casos de exceção e na resolução de consultas.
BPJS-K, Indonésia
  • 29,990 possíveis reclamações fraudulentas detectadas com uma economia total de US$ 41.9 milhões.
NHIS, República da Coreia
  • Entre 2014 e 2021, o sistema de detecção de fraudes detectou 567,820 casos de fraude, o que equivale a uma economia acumulada de US$ 174.4 milhões.
COMWEL, República da Coreia
  • O tempo necessário desde a data de decisão da indenizabilidade até a primeira consulta de reabilitação foi reduzido em 4.8 dias em 2020 em relação a 2019, possibilitando serviços de aconselhamento e reabilitação imediatos.

Fatores críticos de sucesso

A experiência das instituições membros revela uma série de fatores-chave que são essenciais para alavancar a análise de dados com sucesso para a administração da previdência social.

As inovações orientadas por dados podem agregar valor somente quando os processos subjacentes são projetados com eficiência. Por exemplo, se um processo for falho, automatizá-lo por meio da análise de dados apenas replicaria os erros existentes, embora de uma forma diferente. Portanto, avaliar e otimizar processos é o primeiro passo antes de considerar a automação orientada por dados, conforme demonstrado pela Services Australia no caso de STP.

A qualidade dos dados e a governança de dados são fundamentais para realizar o potencial da análise de dados de forma eficaz. O qualidade e governança de dados é a chave para o sucesso das funções orientadas por dados. As Diretrizes da ISSA sobre TIC, diretrizes 22–67 e diretrizes 63–65 em particular, fornecem orientação sobre questões de governança de dados mestre e gerenciamento de qualidade de dados. Por exemplo, o uso de dados pelo BPJS Kesehatan na Indonésia está ancorado em uma estrutura sólida de gerenciamento de dados seguindo as recomendações do DAMA-DMBOK2 (Dama International, 2017). O gerenciamento de qualidade consistente em todo o ciclo de vida dos dados está entre os princípios fundamentais do BPJS Kesehatan. A organização também buscou padronização de dados, captura eletrônica de dados e verificações de validação para melhorar a qualidade dos dados.

Engajamento das partes interessadas em todos os níveis e áreas de negócios desde o início é essencial para o gerenciamento de mudanças e a solução de problemas em tempo real bem-sucedida. Por exemplo, a Services Australia descobriu que o envolvimento precoce de formuladores de políticas, profissionais jurídicos, proprietários de empresas e equipes de garantia de qualidade foi fundamental para evitar a revisão de soluções em estágio avançado. 

A exploração de dados, como qualquer outro investimento em TIC, exige que as instituições de seguridade social atrair, treinar, construir e reter funcionários talentosos. Como as tecnologias analíticas estão evoluindo rapidamente, atrair e reter os profissionais de dados certos pode ser um desafio. Além disso, a análise de dados exige que as pessoas trabalhem em equipes multidisciplinares. Como o NHIS da República da Coréia descobriu, os profissionais de campo e os profissionais de TIC podem lutar para se entender. A importância de ancorar a inovação orientada por dados em equipes multidisciplinares também é reiterada por evidências globais sobre esse tema (ISSA, 2020; Ruggia-Frick, 2021). Portanto, a capacitação interna contínua é essencial para capitalizar a análise de dados, combinando conhecimento de domínio, metodológico e tecnológico.

Aprendizagem e adaptação contínuas são fundamentais, particularmente em termos de análise de big data. À medida que os volumes de dados crescem, os modelos de aprendizado de máquina precisam ser continuamente treinados e avaliados para um desempenho robusto. A análise de big data não é um exercício único e exige que os recursos sejam comprometidos continuamente, como o BPJS-Kesehatan e o NHIS encontrados na Indonésia e na República da Coreia, respectivamente. Isso também implica colocar em prática uma forte estrutura de desempenho para avaliar o desempenho do modelo usando um conjunto consistente de métricas. Por exemplo, o BPJS-Kesehatan tem quatro métricas para avaliar periodicamente seu modelo de aprendizado de máquina em relação a benchmarks pré-especificados: (i) precisão da previsão; (ii) precisão das previsões corretas de observações positivas (suspeita de fraude potencial) para o total de observações positivas previstas; (iii) recordação, ou seja, a razão de observações positivas corretamente previstas para todas as observações em uma real recordação de aula; e (iv) pontuação F1, que é a média ponderada de precisão e revocação. A avaliação periódica pode ser útil mesmo no caso da análise de dados tradicional. Por exemplo, a Services Australia testa cuidadosamente o desempenho do STP usando métricas e verificações manuais para evitar perdas financeiras devido ao cálculo incorreto de pagamentos.

Ao aplicar a tomada de decisão automatizada por meio de tecnologias de big data para avaliação de elegibilidade ou detecção de fraude, as instituições de seguridade social devem considerar cuidadosamente suas implicações legais e éticas. De maneira mais geral, os limites da automação para esses serviços críticos e a explicabilidade dos algoritmos usados ​​devem ser avaliados corretamente (ISSA, 2020; Ruggia-Frick, 2021). De fato, como observou o Relator Especial das Nações Unidas (ONU) para a Pobreza Extrema, muitos sistemas automatizados de tomada de decisão foram implementados sem uma base legal sólida e sem recurso adequado aos requerentes para apelar de decisões habilitadas digitalmente, o que, por sua vez, afeta seus direitos em termos de transparência e justiça (Relator Especial da ONU para a Pobreza Extrema, 2019).

Por fim, todas as práticas apresentadas neste artigo enfatizam a importância de salvaguardas adequadas para a segurança e privacidade dos dados. Embora as enormes quantidades de informações pessoais e transacionais possam ajudar as instituições de previdência social a liberar valor, as violações de dados podem prejudicar significativamente os indivíduos e corroer a confiança nas instituições de previdência social (Wagner e Ferro, 2020). As Diretrizes 36–46 das Diretrizes da ISSA sobre TIC fornecem orientações detalhadas sobre o estabelecimento de uma estrutura sólida de proteção de dados e privacidade apoiada por tecnologias robustas.

Conclusão

Ao integrar a análise de dados aos processos de negócios, as instituições de previdência social podem colher resultados tangíveis e de negócios, como desempenho operacional aprimorado, atendimento aprimorado ao cliente, redução de fraudes e erros e tomada de decisão baseada em evidências. A análise de dados pode permitir que as instituições aproveitem novas oportunidades fazendo melhorias significativas nos produtos, processos e métodos organizacionais existentes ou desenvolvendo novos. Consequentemente, os dados serão um ingrediente crucial na busca contínua das instituições de seguridade social por estratégias inovadoras para fornecer serviços de qualidade com boa relação custo-benefício nas próximas décadas.

Enquanto as décadas anteriores viram as instituições explorarem a análise tradicional, as instituições de previdência social estão aplicando progressivamente tecnologias emergentes, como big data e inteligência artificial. Embora a aplicação dessas tecnologias permaneça incipiente, as experiências das instituições membros demonstram como elas já permitem resultados relevantes nas principais áreas de seguridade social, como o tratamento de erros, evasão e fraude, bem como o desenvolvimento de abordagens proativas e soluções automatizadas para melhorar os serviços sociais. À medida que a maturidade da análise de dados das instituições evolui, como está associada aos avanços tecnológicos, o uso dessas tecnologias emergentes vai acelerar ainda mais. Por sua vez, as instituições precisam se preparar para abraçar esses desenvolvimentos, criando recursos adequados de governança e gerenciamento de dados para lidar com os riscos mencionados acima e garantir transparência, justiça e responsabilidade na aplicação de abordagens avançadas baseadas em dados.

Referências

Dama International. 2017. DAMA-DMBOK: Data Management Body of Knowledge (2nd Edition). Denville, NJ, Technics Publications.

Fiji National Provident Fund. 2020. Collaboration, innovation and data insight during a time of need - Delivering COVID-19 income protection assistance: The Fiji National Provident Fund story (Good practices in social security). Geneva, International Social Security Association.

ISSA. 2016. Managing social security data. Technical Commission on Information and Communication Technology. Geneva, International Social Security Association.

ISSA. 2019a. Applying emerging technologies in social security. Technical Commission on Information and Communication Technology. Geneva, International Social Security Association.

ISSA. 2019b. ISSA Guidelines on information and communication technology (Revised and extended edition). Geneva, International Social Security Association.

ISSA. 2020. Artificial intelligence in social security: background and experiences (Analysis). Geneva, International Social Security Association.

Korea Workers’ Compensation & Welfare Service. 2020. Big data-based services to enhance customized rehabilitation: Intelligent Rehabilitation Recommendation System (IRRS) (Good practices in social security). Geneva, International Social Security Association.

National Health Insurance Service. 2022. Fraudulent insurance claim and illegal health care organization establishment detection ICT system. Detecting fraud in health care through emerging technologies (Webinar, 19 January). Geneva, International Social Security Association.

Ruggia-Frick, R. 2021. “Applying emerging data-driven technologies in social security” in Ubezpieczenia Społeczne. Teoria i praktyka, Vol. 151, No. 4.

Services Australia. 2020. Working together to improve customer experience and payment integrity - Claim automation/Straight Through Processing (Good practices in social security). Geneva, International Social Security Association.

Social Security Administering Body for the Health Sector. 2019. Machine learning and big data: Supporting decision making on fraud detection (Good practices in social security). Geneva, International Social Security Association.

Social Security Administering Body for the Health Sector. 2022. Artificial Intelligence (AI) to control and monitor fraud in Indonesian Social Health Insurance Scheme. Detecting fraud in health care through emerging technologies (Webinar, 19 January). Geneva, International Social Security Association.

UN Special Rapporteur for Extreme Poverty. 2019. Digital technology, social protection and human rights: Report. New York, NY, United Nations.

Van Leent, R. 2018. Maturity model for data-driven government. [S.l.], SAP Institute for Digital Government.

Wagner, B.; Ferro, C. 2020. Data protection for social protection: Key issues for low- and middle-income countries. Bonn, German Federal Enterprise for International Cooperation GIZ.