Actieve en continue inzet van data is noodzakelijk voor een lerende organisatie, een organisatie die haar beleidsontwikkeling baseert op feiten vanuit gedegen analyses en onderzoek. Immers organisaties die data gebruiken als basis voor het nemen van beslissingen hebben de meeste impact. Equalis is een lerende organisatie en is continu op zoek naar nieuwe analyse technieken in het speelveld waarin wij acteren.

Zo heeft Ismail, student aan de VU, in het kader van zijn studie onlangs bij Equalis onderzoek gedaan naar de toepassingsmogelijkheden van machine learning binnen het risicovereveningssysteem. Samenvattend zijn de conclusies uit het onderzoek:

• Machine learning modellen voorspellen zorgkosten beter dan het huidige risicovereveningsmodel
• Zorgverzekeraars kunnen relatief eenvoudig met machine learning voorspelbaar winst- en verliesgevende groepen identificeren
• Tactisch inzetten van machine learning bij risicoverevening maakt het mogelijk om nieuwe prikkels voor risico-selectie voor te zijn
• Inzichten uit machine learning kunnen ingezet worden zonder af te wijken van huidige praktijk van de risicoverevening

Tijdens de onderzoeksstage was de belangrijkste vraag of nieuwere technieken uit het machine learning veld de prestaties van het huidige risicovereveningsmodel kunnen overtreffen. Onder onze begeleiding en die van associate partner Xander Koolman vanuit de VU heeft Ismail daartoe onderzocht of de machine learning algoritmes random forest en gradient boosted tree beter de somatische zorgkosten van de Nederlandse burgers zou kunnen voorspellen.

De resultaten van zijn onderzoek heeft Ismail gepresenteerd aan het ministerie van VWS en Zorgverzekeraars Nederland. De kwaliteit van zijn werk bleek onder andere uit de succesvolle afronding met een 9.0. Daarmee is Ismail met cum laude afgestudeerd. Vanuit Equalis wensen we Ismail het beste toe in de toekomst!