Isi
- Apa itu Predictive Analytics?
- Analisis Prediktif dalam Con of Health Care
- Studi Kasus 2: Klinik Tanpa Nama Meningkatkan Profitabilitas
- Yang dibutuhkan
- Tindakan
- Hasil
- Poin Penting untuk Diingat
- Ringkasan
Sumber: Andreypopov / Dreamstime.com
Bawa pulang:
Industri medis menggunakan analitik prediktif untuk meningkatkan perawatan pasien, mengurangi masalah berulang dan meningkatkan keuntungan.
Analitik prediktif, sedang dikatakan, akan mendefinisikan kembali bagaimana perawatan kesehatan diberikan. Ini akan memprediksi kejadian penyakit kritis dan kemungkinan penerimaan kembali di masa depan. Sektor lain seperti makanan dan minuman, publikasi dan hiburan telah menuai manfaat dari menggunakan analitik prediktif - tidak ada alasan perawatan kesehatan tidak dapat melakukan hal yang sama.
Namun, definisi dan ruang lingkup analitik prediktif pertama-tama harus dipahami murni dalam perawatan kesehatan. Model satu ukuran untuk semua tidak akan berfungsi. Penting juga bahwa infrastruktur untuk memberikan analisis disediakan dan mampu memberikan informasi yang diperlukan kepada para profesional perawatan kesehatan dalam format yang tepat. Untuk memberikan perawatan kesehatan yang tepat dan proaktif, profesional perawatan kesehatan perlu diberikan con dan metadata yang tepat. Jadi, sementara analitik prediktif baik untuk perawatan kesehatan, analisis terlebih dahulu harus disesuaikan dan data yang tepat dalam format yang tepat harus dikirimkan. (Untuk mempelajari tentang peran data besar dalam perawatan kesehatan, lihat Akan Big Data Merevolusi Perawatan Kesehatan?)
Apa itu Predictive Analytics?
Analitik prediktif adalah cabang analitik lanjutan yang memberikan prediksi peristiwa tertentu berdasarkan data historis, pola data, dan input lainnya. Langkah-langkah proaktif dapat diambil untuk mengatasi persyaratan yang muncul dari prediksi. Untuk membuat prediksi, analitik prediktif memanfaatkan teknik yang digunakan di cabang lain seperti data mining, kecerdasan buatan, pemodelan, pembelajaran mesin dan statistik, dan mengintegrasikan teknologi informasi, manajemen dan pemodelan proses bisnis. Prediksi dapat digunakan untuk mengidentifikasi risiko dan peluang di masa depan. Analitik prediktif dapat membantu organisasi bisnis untuk mencapai banyak hal. Beberapa contoh termasuk:
- Identifikasi asosiasi dan pola tersembunyi
- Meningkatkan retensi pelanggan
- Mengurangi risiko untuk meminimalkan kerugian dan paparan
- Meningkatkan kepuasan pelanggan
Ada banyak contoh kehidupan nyata tentang bagaimana bisnis mendapat manfaat dari penggunaan analisis prediktif. Accenture melakukan survei untuk mengetahui bagaimana berbagai bisnis mendapat manfaat dari menggunakan analisis prediktif. Beberapa temuan adalah:
- Best Buy menemukan bahwa kurang dari 7% pelanggannya memberikan kontribusi hingga 43% dari penjualannya. Ini kemudian mensegmentasi pelanggannya secara logis dan mendesain ulang toko dan pengalaman dalam toko untuk mencerminkan kebiasaan pembelian kelompok pelanggan tertentu.
- Olive Garden, sebuah restoran makan kasual Amerika, menggunakan data untuk mendesain dan mendesain ulang menunya. Dengan begitu, ia mampu mengurangi pemborosan makanan secara signifikan.
Analitik prediktif sedang diterapkan ke banyak domain seperti perawatan kesehatan, manajemen hubungan pelanggan (CRM), deteksi penipuan dan manajemen risiko. Analitik prediktif juga sering digabungkan dengan analitik preskriptif. Analitik preskriptif dalam con ini berarti bahwa tidak hanya prediksi yang dibuat mengenai peristiwa-peristiwa tertentu, tetapi juga langkah-langkah pasti diberikan yang harus diambil untuk menangani situasi. Langkah-langkah ini akan disediakan oleh mesin analitik itu sendiri. (Pelajari lebih lanjut tentang deteksi penipuan dengan Machine Learning & Hadoop di Deteksi Penipuan Generasi Berikutnya.)
Analisis Prediktif dalam Con of Health Care
Secara teoritis, analitik prediktif memiliki peran besar dalam meningkatkan perawatan kesehatan. Meskipun masih merupakan peserta baru dalam manajemen perawatan kesehatan dan ruang lingkupnya masih sedang dikerjakan, analitik prediktif dapat menganalisis data pasien historis dan memberikan prediksi untuk hal-hal seperti risiko penyakit, skor probabilitas serangan jantung dan serangan asma berdasarkan profil pasien, dan probabilitas penerimaan kembali.
Otak manusia tidak dapat secara mendalam menganalisis lebih dari enam hingga delapan variabel sekaligus untuk membuat profil masalah dengan tepat. Tetapi, algoritma dari model prediksi dapat menganalisis ratusan variabel sekaligus untuk membuat profil akurat dari masalah medis. Berdasarkan profil, diagnosis yang akurat dan prediksi risiko, jika ada, dapat dibuat.
Pemodelan prediktif dapat membantu mengendalikan biaya yang terkait dengan perawatan medis. Di A.S., satu dari lima pasien Medicare diterima kembali ke rumah sakit dalam waktu 30 hari setelah dipulangkan, yang menghasilkan biaya $ 17 miliar per tahun.
Klinik Steadman Hawkins mampu meningkatkan laba bersih mereka sebesar $ 20 juta per tahun. Mereka juga mampu meningkatkan akurasi prediksi keuangan mereka dari 30 menjadi 32 persen.
Studi Kasus 2: Klinik Tanpa Nama Meningkatkan Profitabilitas
Yang dibutuhkan
Klinik ingin meningkatkan layanan kepada pasien dan meningkatkan profitabilitas mereka dengan secara optimal menggunakan sumber daya mereka yang mencakup staf, fasilitas dan instrumen.
Tindakan
Klinik mengumpulkan data berlebihan pada variabel yang berbeda seperti jenis perawatan yang dibutuhkan oleh pasien, profil staf dan kualifikasi, profil pasien, kualitas layanan yang diberikan seperti waktu respons, hasil, pengalaman pasien dan waktu tunggu untuk pasien. Berdasarkan data yang dikumpulkan, analitik prediktif digunakan. Mereka mengharapkan analitik konkret dan tindakan yang akan digunakan.
Hasil
Meskipun klinik masih dalam proses menerapkan kebijakan berdasarkan analitik prediktif mereka, ada tanda-tanda bahwa mereka berada di jalur untuk mencapai profitabilitas setidaknya 10 persen lebih tinggi dari sebelumnya.
Poin Penting untuk Diingat
Bukannya menerapkan analitik prediktif akan mulai melakukan keajaiban segera. Hasilnya tergantung pada pendekatan. Pertama, industri perlu menentukan apa arti analitik prediktif dalam konsepnya dan kemudian menentukan ruang lingkupnya. Juga, industri perawatan kesehatan perlu mengingat pelajaran-pelajaran berikut dari industri lain:
- Jumlah wawasan tidak langsung berbanding lurus dengan jumlah data. Anda tidak akan mendapatkan lebih banyak wawasan hanya dengan meningkatkan pengumpulan data.
- Wawasan tidak selalu memberikan nilai. Anda harus terlebih dahulu menyesuaikan wawasan di con Anda sehingga menjadi berguna.
- Penerapan analitik prediktif akan menjadi tantangan besar. Anda perlu merangkul teknologi yang tepat dan memberikan wawasan kepada profesional kesehatan dalam format yang tepat.
Ringkasan
Analitik prediktif perlu digabungkan dengan analitik preskriptif untuk memberikan hasil yang tepat, karena industri tidak hanya membutuhkan prediksi tetapi juga tindakan. Sementara konsep tersebut tampaknya bermanfaat pada akhirnya, bisnis perlu melakukan investasi yang tepat dan bersabar dengan hasilnya jika mereka berharap untuk mendapatkan manfaatnya.