Q:
Jaké jsou některé klíčové chyby, které společnosti obvykle dělají, pokud jde o implementaci a používání analýzy velkých dat?
A:Po více než deset let investovaly zdravotnické organizace miliony dolarů do budování datových skladů a armád datových analytiků, jejichž jediným cílem bylo lepší rozhodování s údaji za účelem zlepšení výsledků pacientů. Historickým problémem bylo, že tyto sklady a analytika samy o sobě nestačí, protože statistiky, přehledy a přehledy na palubní desce, které poskytují, nelze použít. Jednoduše informují o tom, co se děje, ale poznatky nedokážou vysvětlit, proč se to děje a co lze udělat buď: 1) zabránit tomu, aby se to stalo v budoucnosti, pokud je jeho dopad na provoz negativní, nebo 2) podpořit požadované pozitivní výsledky.
Nyní, namísto pouhého pochopení „co se děje“, infrastruktura a technologie přišly na věk, aby zjistily „proč“ a „co s tím dělat.“ V LeanTaaS nejprve důjdeme do důchodu historických elektronických zdravotních záznamů ( EHR) data a pomocí sofistikovaných algoritmů k nalezení trendů a vzorců - pozitivních i negativních. Poté poskytujeme předepsané pokyny k řešení provozních problémů, abychom zlepšili přístup k omezeným zdrojům, zkrátili čekací doby pacienta v nastavení nemocnice nebo infuzního centra, zvýšili spokojenost zaměstnanců a snížili celkové náklady na poskytování zdravotní péče.
Většina velkých společností zabývajících se analýzou dat se bohužel zaměřuje pouze na své dashboardy a nástroje pro podávání zpráv, doplněné obrovským množstvím dat. Je však na čase očekávat od analytických společností více, než pouhá prezentace dat. Data musí vyprávět příběh a vydávat doporučení, která mají za následek smysluplnou změnu procesu. Řešení musí být schopno vyvinout přesné předpovědi a generovat doporučení, která jsou natolik specifická, aby přední linie mohla každý den přijímat stovky hmatatelných rozhodnutí - nejen „obdivovat problém“.
