Le défi de Barmer: Rationaliser et optimiser les processus #
Avec une base de 8,6 millions d’assurés, l’objectif est de minimiser le temps de réponse aux demandes des clients.
En vue d’atteindre ces objectifs, Barmer a décidé de créer une cartographie numérique de ses processus digitalisés en utilisant le process mining.
Le recours au process mining #
Le process mining est une approche basée sur l’IA pour identifier et extraire les événements d’un ERP ou d’un CRM. Cela permet de reconstituer la logique de fonctionnement d’un ou plusieurs processus et d’identifier, voire de prédire, les problèmes rencontrés lors de l’exécution de ces derniers.
Barmer a choisi d’utiliser la technologie de Celonis, un éditeur allemand spécialisé dans le process mining.
La solution Celonis : un pas en avant #
La méthode traditionnelle de process mining présente une limite majeure, selon Celonis et Barmer. Elle considère chaque processus de manière indépendante. Pour remédier à cela, la solution PI-Graph (Process-Intelligence-Graph) de Celonis utilise l’object centric process mining (OCPM).
Cette technologie tient compte de tous les objets liés à un processus et des relations entre eux, pour en déduire un graphe.
Barmer et le machine learning #
Au sein de Barmer, PI Graph collecte et consolide les données nécessaires à la description des processus à partir du système d’information. Il utilise ensuite des algorithmes de machine learning entraînés avec une base de plusieurs milliers de projets de clients de Celonis.
Cela permet à l’assureur de disposer d’un double numérique de ses processus pour identifier des blocages, des problèmes, des leviers d’amélioration de son back-office et de son front-office ainsi que de certaines applications.
Barmer et Celonis ont initialement concentré leurs efforts sur les parcours de soin et la prise en charge des patients, notamment sur la facturation des frais de déplacement et de transport des malades. Ces processus peuvent se révéler plus complexes qu’on l’imagine.
- Rationalisation des processus
- Optimisation du traitement des données
- Amélioration de la réactivité client
- Utilisation du machine learning pour prédire les problèmes
