Περιεχόμενο
- Τι είναι το προγνωστικό Analytics;
- Προγνωστικό Analytics στο πλαίσιο της υγειονομικής περίθαλψης
- Μελέτη περίπτωσης 2: Μη ονομαστική κλινική Βελτίωση κερδοφορίας
- Η απαίτηση
- Η δράση
- Το αποτέλεσμα
- Σημαντικά σημεία για να θυμάστε
- Περίληψη
Πηγή: Andreypopov / Dreamstime.com
Πάρε μακριά:
Ο ιατρικός κλάδος χρησιμοποιεί προγνωστικά για τη βελτίωση της περίθαλψης των ασθενών, χαμηλότερες περιπτώσεις επαναλαμβανόμενων προβλημάτων και αύξηση της κερδοφορίας.
Οι προγνωστικές αναλύσεις, όπως λέγεται, πρόκειται να επαναπροσδιορίσουν τον τρόπο με τον οποίο παρέχεται η υγειονομική περίθαλψη. Θα προβλέψει την εμφάνιση κρίσιμων ασθενειών και την πιθανότητα επανεισδοχής στο μέλλον. Άλλοι τομείς, όπως τρόφιμα και ποτά, δημοσιεύσεις και ψυχαγωγία έχουν ήδη αποκομίσει οφέλη από τη χρήση προγνωστικών αναλυτικών στοιχείων - δεν υπάρχει κανένας λόγος για τον οποίο η υγειονομική περίθαλψη δεν μπορεί να κάνει το ίδιο.
Ωστόσο, ο ορισμός και το εύρος των προγνωστικών αναλύσεων πρέπει πρώτα να γίνουν αντιληπτά καθαρά στο πλαίσιο της υγειονομικής περίθαλψης. Το μοντέλο ενός μεγέθους δεν ταιριάζει. Είναι επίσης σημαντικό να παρέχεται η υποδομή για την παροχή αναλυτικών στοιχείων και είναι σε θέση να παρέχει τις απαιτούμενες πληροφορίες στους επαγγελματίες της υγειονομικής περίθαλψης με τη σωστή μορφή. Για να παρασχεθεί η κατάλληλη και προορατική υγειονομική περίθαλψη, οι επαγγελματίες υγείας πρέπει να έχουν το σωστό con και τα μεταδεδομένα. Επομένως, ενώ τα προγνωστικά είναι καλό για την υγειονομική περίθαλψη, πρέπει πρώτα να προσαρμοστούν και να παραδοθούν τα σωστά δεδομένα στη σωστή μορφή. (Για να μάθετε για το ρόλο των μεγάλων δεδομένων στην υγειονομική περίθαλψη, ανατρέξτε στην ενότητα Το Big Data Revolutionize Health Care;)
Τι είναι το προγνωστικό Analytics;
Το Predictive Analytics είναι ένας κλάδος προηγμένων αναλυτικών στοιχείων που παρέχει προβλέψεις για ορισμένα συμβάντα με βάση ιστορικά δεδομένα, πρότυπα δεδομένων και άλλες εισροές. Μπορούν να ληφθούν προληπτικά μέτρα για την αντιμετώπιση των απαιτήσεων που απορρέουν από τις προβλέψεις. Για την πραγματοποίηση των προβλέψεων, τα προγνωστικά αναλύουν τις τεχνικές που χρησιμοποιούνται σε άλλους κλάδους, όπως η εξόρυξη δεδομένων, η τεχνητή νοημοσύνη, η μοντελοποίηση, η μάθηση μηχανών και οι στατιστικές, ενώ ενσωματώνει επιχειρηματικές διαδικασίες πληροφορικής, διαχείρισης και μοντελοποίησης. Οι προβλέψεις μπορούν να χρησιμοποιηθούν για τον εντοπισμό κινδύνων και ευκαιριών στο μέλλον. Οι προγνωστικές αναλύσεις μπορούν να βοηθήσουν τις επιχειρηματικές οργανώσεις να επιτύχουν πολλά πράγματα. Μερικά παραδείγματα περιλαμβάνουν:
- Προσδιορισμός κρυφών συσχετίσεων και μοτίβων
- Βελτίωση της διατήρησης των πελατών
- Μείωση του κινδύνου για την ελαχιστοποίηση της απώλειας και της έκθεσης
- Βελτίωση της ικανοποίησης των πελατών
Υπάρχουν πολλά παραδείγματα πραγματικής ζωής σχετικά με τον τρόπο με τον οποίο οι επιχειρήσεις έχουν επωφεληθεί από τη χρήση προγνωστικών αναλύσεων. Η Accenture διενήργησε έρευνα για να διαπιστώσει τον τρόπο με τον οποίο έχουν επωφεληθεί οι διάφορες επιχειρήσεις από τη χρήση προγνωστικών αναλύσεων. Μερικά από τα ευρήματα είναι:
- Η Best Buy ανακάλυψε ότι λιγότερο από το 7% των πελατών της συνέβαλαν στο 43% των πωλήσεών της. Έπειτα, ταξινόμησε λογικά τους πελάτες της και ανασχεδίασε τα καταστήματά της και την εμπειρία των καταστημάτων για να αντανακλά τις αγοραστικές συνήθειες συγκεκριμένων ομάδων πελατών.
- Το Olive Garden, ένα αμερικανικό εστιατόριο που προσφέρει casual dining, χρησιμοποιεί δεδομένα για να σχεδιάσει και να επανασχεδιάσει το μενού του. Με αυτόν τον τρόπο, ήταν σε θέση να μειώσει σημαντικά τη σπατάλη τροφίμων.
Οι προγνωστικές αναλύσεις εφαρμόζονται σε πολλούς τομείς όπως η υγειονομική περίθαλψη, η διαχείριση σχέσεων με πελάτες (CRM), η ανίχνευση απάτης και η διαχείριση κινδύνων. Οι προβλέψεις των αναλύσεων συνδυάζονται συχνά και με τις αναλυτικές προδιαγραφές. Οι προδιαγραφικές αναλύσεις σε αυτό το con συνεπάγονται όχι μόνο προβλέψεις σχετικά με ορισμένα γεγονότα, αλλά και οριστικά βήματα που πρέπει να ληφθούν για την αντιμετώπιση της κατάστασης. Αυτά τα βήματα θα παρέχονται από τον ίδιο τον μηχανισμό ανάλυσης. (Μάθετε περισσότερα σχετικά με την ανίχνευση απάτης με το Machine Learning & Hadoop στην ανίχνευση απάτης νέας γενιάς.)
Προγνωστικό Analytics στο πλαίσιο της υγειονομικής περίθαλψης
Θεωρητικά, οι αναλυτικές προβλέψεις έχουν μεγάλο ρόλο στη βελτίωση της υγειονομικής περίθαλψης. Παρόλο που εξακολουθεί να είναι νεοεισερχόμενος στη διαχείριση της υγειονομικής περίθαλψης και το πεδίο εφαρμογής της εξακολουθεί να επεξεργάζεται, τα προγνωστικά αναλυτικά μπορούν να αναλύσουν ιστορικά δεδομένα ασθενών και να παρέχουν προβλέψεις για πράγματα όπως οι κίνδυνοι ασθενείας, βαθμολογία πιθανότητας καρδιακών προσβολών και ασθματικών επιθέσεων με βάση το προφίλ των ασθενών πιθανότητα επανεισδοχής.
Ο ανθρώπινος εγκέφαλος δεν μπορεί να αναλύσει βαθιά περισσότερες από έξι έως οκτώ μεταβλητές κάθε φορά για να παρουσιάσει σωστά ένα πρόβλημα. Αλλά, ο αλγόριθμος ενός μοντέλου πρόβλεψης μπορεί να αναλύσει εκατοντάδες μεταβλητές κάθε φορά για να δημιουργήσει ένα ακριβές προφίλ ενός ιατρικού προβλήματος. Με βάση το προφίλ, μπορούν να γίνουν ακριβείς προβλέψεις διάγνωσης και κινδύνου, αν υπάρχουν.
Η προγνωστική μοντελοποίηση μπορεί να βοηθήσει στον έλεγχο του κόστους που σχετίζεται με την ιατρική περίθαλψη. Στις ΗΠΑ, ένας στους πέντε ασθενείς του Medicare επανεισάγεται στο νοσοκομείο εντός 30 ημερών από την απόρριψη, γεγονός που έχει ως αποτέλεσμα δαπάνη ύψους 17 δισεκατομμυρίων δολαρίων ετησίως.
Η κλινική Steadman Hawkins κατάφερε να αυξήσει την καθαρή κερδοφορία της κατά 20 εκατομμύρια δολάρια ετησίως. Ήταν επίσης σε θέση να βελτιώσουν την ακρίβεια των οικονομικών προβλέψεών τους από 30 έως 32 τοις εκατό.
Μελέτη περίπτωσης 2: Μη ονομαστική κλινική Βελτίωση κερδοφορίας
Η απαίτηση
Η κλινική θέλησε να βελτιώσει τις υπηρεσίες στους ασθενείς και να βελτιώσει την αποδοτικότητά τους αξιοποιώντας με τον καλύτερο δυνατό τρόπο τους πόρους τους που περιλαμβάνουν το προσωπικό, τις εγκαταστάσεις και τα μέσα.
Η δράση
Η κλινική συγκέντρωσε άφθονα δεδομένα σχετικά με διάφορες μεταβλητές, όπως τον τύπο φροντίδας που απαιτείται από τους ασθενείς, το προφίλ του προσωπικού και τα προσόντα, το προφίλ των ασθενών, την ποιότητα των παρεχόμενων υπηρεσιών όπως ο χρόνος απόκρισης, το αποτέλεσμα, η εμπειρία του ασθενούς και ο χρόνος αναμονής για τους ασθενείς. Με βάση τα δεδομένα που συλλέχθηκαν, χρησιμοποιήθηκαν τα προβλεπτικά στοιχεία ανάλυσης. Αναμένανε συγκεκριμένες αναλύσεις και πορεία δράσεων για να τεθούν σε χρήση.
Το αποτέλεσμα
Παρόλο που η κλινική εξακολουθεί να βρίσκεται σε διαδικασία εφαρμογής πολιτικών που βασίζονται στις αναλυτικές προβλέψεις τους, υπάρχουν ενδείξεις ότι βρίσκονται σε πορεία για την επίτευξη τουλάχιστον 10 τοις εκατό υψηλότερης κερδοφορίας από ό, τι πριν.
Σημαντικά σημεία για να θυμάστε
Δεν είναι ότι η εφαρμογή αναλυτικών προγνωστικών θα αρχίσει να κάνει θαύματα αμέσως. Τα αποτελέσματα εξαρτώνται από την προσέγγιση. Πρώτον, ο κλάδος πρέπει να καθορίσει ποια είναι η πρόβλεψη των αναλυτικών στοιχείων στο con και στη συνέχεια να διευκρινίσει το πεδίο εφαρμογής του. Επίσης, η βιομηχανία υγειονομικής περίθαλψης πρέπει να θυμάται τα ακόλουθα μαθήματα από άλλες βιομηχανίες:
- Το ποσό των πληροφοριών δεν είναι άμεσα αναλογικό με το ποσό των δεδομένων. Δεν πρόκειται να πάρετε περισσότερες πληροφορίες μόνο με την αύξηση της συλλογής δεδομένων.
- Οι πληροφορίες δεν παρέχουν αναγκαστικά αξία. Θα πρέπει πρώτα να προσαρμόσετε τις ιδέες στο con σας ώστε να γίνει χρήσιμη.
- Η εφαρμογή αναλυτικών στοιχείων πρόβλεψης πρόκειται να αποτελέσει μεγάλη πρόκληση. Πρέπει να αγκαλιάσετε τις σωστές τεχνολογίες και να δώσετε πληροφορίες στον επαγγελματία υγείας με τη σωστή μορφή.
Περίληψη
Οι προγνωστικές αναλύσεις πρέπει να συγχωνευθούν με τις αναλυτικές προδιαγραφές, προκειμένου να επιτευχθούν τα σωστά αποτελέσματα, επειδή ο κλάδος χρειάζεται όχι μόνο τις προβλέψεις αλλά και μια πορεία δράσης. Ενώ η ιδέα φαίνεται να είναι ανταμείβοντας στο τέλος, οι επιχειρήσεις πρέπει να κάνουν τις σωστές επενδύσεις και να είναι υπομονετικοί με τα αποτελέσματα αν ελπίζουν να αποκομίσουν τα οφέλη.