Ερ:
Ποια είναι τα βασικά λάθη που οι εταιρείες τείνουν να κάνουν όταν πρόκειται για την εφαρμογή και τη χρήση μεγάλων αναλυτικών στοιχείων;
ΕΝΑ:Για περισσότερο από μια δεκαετία, οι οργανισμοί υγειονομικής περίθαλψης έχουν επενδύσει εκατομμύρια δολάρια για την κατασκευή αποθηκών δεδομένων και στρατιών αναλυτών δεδομένων με μοναδικό σκοπό τη λήψη καλύτερων αποφάσεων με δεδομένα για τη βελτίωση των αποτελεσμάτων των ασθενών. Το ιστορικό πρόβλημα είναι ότι αυτές οι αποθήκες και τα αναλυτικά στοιχεία δεν επαρκούν, διότι οι αναλύσεις, οι αναφορές και οι ενδείξεις των ταμπλό που παρέχουν δεν μπορούν να ασκηθούν. Απλώς αναφέρουν τι συμβαίνει, αλλά οι ιδέες δεν μπορούν να εξηγήσουν γιατί συμβαίνουν και τι μπορεί να γίνει είτε 1) να αποτρέψει το ενδεχόμενο να συμβεί στο μέλλον εάν ο αντίκτυπός τους στις επιχειρήσεις είναι αρνητικός, είτε 2) να ενθαρρύνει τα επιθυμητά θετικά αποτελέσματα.
Τώρα, αντί να κατανοήσουμε "τι συμβαίνει", η υποδομή και η τεχνολογία έχουν φθάσει σε ηλικία για να καταλάβουν "γιατί" και "τι πρέπει να κάνουμε γι 'αυτό." Στο LeanTaaS, πρώτα βρισκόμαστε σε επαφή με ιστορικά ηλεκτρονικά αρχεία υγείας EHR) και χρησιμοποιούν περίπλοκους αλγόριθμους για να εντοπίζουν τάσεις και πρότυπα - τόσο θετικά όσο και αρνητικά. Στη συνέχεια, παρέχουμε καθοδηγητικές οδηγίες για την αντιμετώπιση λειτουργικών ζητημάτων για τη βελτίωση της πρόσβασης σε περιορισμένους πόρους, τη μείωση των χρόνων αναμονής του ασθενούς στο νοσοκομείο ή το κέντρο έγχυσης, την αύξηση της ικανοποίησης του προσωπικού και τη μείωση του συνολικού κόστους παροχής υγειονομικής περίθαλψης.
Δυστυχώς, η πλειοψηφία των μεγάλων εταιρειών αναλυτικών στοιχείων επικεντρώνεται αποκλειστικά στα δικά τους πίνακες ελέγχου και τα εργαλεία αναφοράς, τα οποία συμπληρώνουν τεράστια ποσά δεδομένων. Αλλά ήρθε η ώρα να περιμένετε περισσότερα από τις εταιρείες αναλύσεων παρά απλή παρουσίαση δεδομένων. Τα δεδομένα πρέπει να αναφέρουν μια ιστορία και να διατυπώσουν συστάσεις που οδηγούν σε ουσιαστική αλλαγή της διαδικασίας. Η λύση πρέπει να είναι σε θέση να αναπτύξει ακριβείς προβλέψεις και να δημιουργήσει προτάσεις που είναι αρκετά συγκεκριμένες ώστε η πρώτη γραμμή να κάνει εκατοντάδες απτές αποφάσεις κάθε μέρα - όχι μόνο "να θαυμάσει το πρόβλημα".
