T:
Ano ang ilang mga pangunahing pagkakamali na may posibilidad na gawin ng mga kumpanya pagdating sa pagpapatupad at paggamit ng malaking data analytics?
A:Para sa higit sa isang dekada, ang mga organisasyon ng pangangalaga sa kalusugan ay namuhunan ng milyun-milyong dolyar na nagtatayo ng mga bodega ng data at mga hukbo ng mga analyst ng data na may nag-iisang layunin ng paggawa ng mas mahusay na mga pagpapasya sa data upang mapagbuti ang mga kinalabasan ng pasyente. Ang makasaysayang problema ay ang mga bodega at analytics na nag-iisa ay hindi sapat dahil ang mga analytics, pag-uulat at dashboard na pananaw na ibinibigay nila ay hindi aksyon. Iniuulat lamang nila kung ano ang nangyayari, ngunit hindi maipaliwanag ng mga pananaw kung bakit nangyayari at kung ano ang magagawa sa alinman sa 1) maiiwasan ito mula sa mangyayari sa hinaharap kung ang epekto nito sa mga operasyon ay negatibo, o 2) hikayatin ang ninanais na positibong kinalabasan.
Ngayon, sa halip ng pag-unawa lamang sa "kung ano ang nangyayari, " ang imprastruktura at teknolohiya ay dumating na sa edad upang malaman kung "bakit" at "kung ano ang gagawin tungkol dito." Sa LeanTaaS, una, sinusuri namin ang mga makasaysayang rekord sa kalusugan ng elektronik ( EHR) data at gumamit ng sopistikadong mga algorithm upang makita ang mga trend at pattern - parehong positibo at negatibo. Pagkatapos ay nagbibigay kami ng patnubay na patnubay upang matugunan ang mga isyu sa pagpapatakbo upang mapagbuti ang pag-access sa mga mapagkukunan na pinilit, bawasan ang mga oras ng paghihintay sa pasyente sa mga setting ng sentro ng ospital o pagbubuhos, dagdagan ang kasiyahan ng kawani, at bawasan ang pangkalahatang gastos ng paghahatid ng pangangalaga sa kalusugan.
Sa kasamaang palad, ang karamihan ng mga malalaking data analytics kumpanya ay nakatuon lamang sa kanilang mga dashboard at pag-uulat ng mga tool, kumpleto sa maraming halaga ng data. Ngunit oras na upang asahan ang higit pa mula sa mga kumpanya ng analytics kaysa sa pagtatanghal lamang ng data. Kailangang sabihin ng data ang isang kwento at gumawa ng mga rekomendasyon na magreresulta sa makabuluhang pagbabago ng proseso. Ang solusyon ay dapat na bumuo ng tumpak na mga hula at makabuo ng mga rekomendasyon na sapat na sapat para sa harap na linya upang makagawa ng daan-daang mga nasasalat na desisyon sa bawat araw - hindi lamang "humanga sa problema."
