醫(yī)療衛(wèi)生機(jī)構(gòu)如何轉(zhuǎn)型到以數(shù)據(jù)為中心？需要從哪里開始以及使用什么技術(shù)？這些問題很有挑戰(zhàn)性，但值得思考。

數(shù)據(jù)對(duì)醫(yī)院越來(lái)越重要

當(dāng)今，大多數(shù)醫(yī)療衛(wèi)生機(jī)構(gòu)用戶或其他行業(yè)的企業(yè)用戶正面對(duì)著不斷演進(jìn)的技術(shù)格局、數(shù)據(jù)源的爆炸、數(shù)據(jù)分析價(jià)值的日益升高等重大轉(zhuǎn)變。為了應(yīng)對(duì)這些變化，用戶應(yīng)尋找自身的核心數(shù)據(jù)并充分釋放其價(jià)值。

首先是不斷演進(jìn)的技術(shù)格局。數(shù)字技術(shù)蓬勃發(fā)展，無(wú)論是IT基礎(chǔ)設(shè)施還是到終端設(shè)備的創(chuàng)新都會(huì)引發(fā)出新的技術(shù)架構(gòu)和商業(yè)模式。企業(yè)不僅要適應(yīng)數(shù)據(jù)時(shí)代的高速運(yùn)轉(zhuǎn)，還要從中敏銳地發(fā)現(xiàn)和抓住機(jī)會(huì)。

其次是數(shù)據(jù)源的爆炸。在大數(shù)據(jù)時(shí)代，數(shù)據(jù)的來(lái)源無(wú)論是深度還是廣度都大幅增加，比如，服裝業(yè)企業(yè)，分析成交單數(shù)、客單價(jià)，成交單數(shù)是進(jìn)店人數(shù)乘以成交率，進(jìn)店人數(shù)又是路過人數(shù)乘以進(jìn)店率，那么路過人數(shù)、進(jìn)店人數(shù)就屬于數(shù)據(jù)廣度，而詳細(xì)到每個(gè)訂單的時(shí)間、地點(diǎn)、價(jià)格、款式等等就屬于數(shù)據(jù)源的深度。把所有數(shù)據(jù)全部收集起來(lái)并提升數(shù)據(jù)源的深度與廣度才可以提升數(shù)據(jù)分析的維度，讓數(shù)據(jù)發(fā)揮更大價(jià)值。

再次是數(shù)據(jù)分析的價(jià)值日益增高。我們現(xiàn)在經(jīng)常發(fā)現(xiàn)，有很多企業(yè)在競(jìng)爭(zhēng)的過程中，最終不是被同行業(yè)競(jìng)爭(zhēng)對(duì)手打敗，而是被很多跨行業(yè)的公司所打敗。很簡(jiǎn)單的一個(gè)例子，大家都認(rèn)為亞馬遜是做電商的，但這是錯(cuò)的,它現(xiàn)在最主要的收入來(lái)自于云服務(wù)。也就是說(shuō)，企業(yè)需要找到自己的核心數(shù)據(jù)并充分發(fā)揮其價(jià)值，這個(gè)是最關(guān)鍵的。

POC如何助力數(shù)據(jù)分析

我們不妨用維恩圖做一個(gè)數(shù)據(jù)驅(qū)動(dòng)型商業(yè)模式圖，這些集合分別是“醫(yī)院有可能做什么”、“在實(shí)際中可以做什么”以及“希望實(shí)現(xiàn)什么”，這些元素是醫(yī)院決策者在做決定時(shí)所需要考慮的，然而沒有任何組織可以滿足所有利益相關(guān)者的所有需求，這意味著需要根據(jù)這個(gè)維恩圖中間的交集設(shè)定優(yōu)先任務(wù)。確定在哪里做什么，需要業(yè)務(wù)和技術(shù)團(tuán)隊(duì)的合作——我們已經(jīng)看到不同利益相關(guān)者群體之間進(jìn)行討論，利用這個(gè)模型在這個(gè)領(lǐng)域取得決策成功。

當(dāng)決策者由此梳理出優(yōu)先任務(wù)時(shí)，接下來(lái)可以用POC即概念驗(yàn)證來(lái)推動(dòng)這個(gè)任務(wù)。

概念驗(yàn)證（Proofofconcept，簡(jiǎn)稱POC）是對(duì)某些想法的一個(gè)不完整的實(shí)現(xiàn)，以證明其可行性，示范其原理，其目的是為了驗(yàn)證一些概念或理論。

比如說(shuō)在汽車行業(yè)，對(duì)于一個(gè)汽車企業(yè)來(lái)說(shuō)數(shù)據(jù)源是十分廣泛的。細(xì)分到客戶服務(wù)這樣的數(shù)據(jù)，車企一般都會(huì)與經(jīng)銷商一起管理和解讀。隨著汽車行業(yè)的數(shù)字化進(jìn)程，車企從關(guān)注客戶數(shù)據(jù)到后來(lái)也開始關(guān)注共享汽車甚至自動(dòng)駕駛等商業(yè)模式。隨著數(shù)據(jù)分析方式的智能化，主動(dòng)的數(shù)據(jù)采集被實(shí)時(shí)感知儀器所取代，這些數(shù)據(jù)漸漸的需要與機(jī)器學(xué)習(xí)和人工智能等高級(jí)功能一起收集，自動(dòng)執(zhí)行簡(jiǎn)單的決策（例如低風(fēng)險(xiǎn)授權(quán)），執(zhí)行更大的任務(wù)。

在很多情況下，組織決策者是不可能一開始就知道數(shù)據(jù)如何演變，采集數(shù)據(jù)的方式又會(huì)有何進(jìn)步。在以上對(duì)數(shù)據(jù)進(jìn)行認(rèn)知的過程中，車企是希望擁有更多有價(jià)值的數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行分析來(lái)開展業(yè)務(wù)。實(shí)際中車企可以提早引入數(shù)據(jù)分析，加強(qiáng)數(shù)據(jù)管理，并在實(shí)踐中不斷進(jìn)行驗(yàn)證。

這種概念驗(yàn)證是很有必要的，它幫你了解業(yè)務(wù)運(yùn)轉(zhuǎn)是否在正確的軌道上;它與現(xiàn)代組織希望遵循的敏捷開發(fā)模式相適應(yīng);它確保你不浪費(fèi)時(shí)間在價(jià)值較小的想法上;它幫助促進(jìn)業(yè)務(wù)和技術(shù)團(tuán)隊(duì)之間的信任。

從英特爾的角度來(lái)講，當(dāng)客戶希望投資基礎(chǔ)設(shè)施，用于大數(shù)據(jù)分析和挖掘的時(shí)候，這是值得鼓勵(lì)并且是值得的，因?yàn)榭蛻舻拇_能夠從技術(shù)投資中獲取價(jià)值。在今天復(fù)雜的市場(chǎng)環(huán)境中，正確的做法是，先證明投資的價(jià)值，再采取行動(dòng)。

這就是我們?yōu)槭裁刺岢谌σ愿皩?shí)施具體分析戰(zhàn)略之前進(jìn)行概念驗(yàn)證演練（Proofofconcept，簡(jiǎn)稱POC）。概念驗(yàn)證不僅僅是測(cè)試想法，還把利益相關(guān)者更緊密地團(tuán)結(jié)起來(lái)并產(chǎn)生信任。

決定分析戰(zhàn)略就像走鋼絲并且有很多可能的路線。提前確定優(yōu)先任務(wù)，并通過概念驗(yàn)證進(jìn)行測(cè)試，為醫(yī)療機(jī)構(gòu)決策和數(shù)據(jù)分析戰(zhàn)略做好最充分的準(zhǔn)備。

對(duì)數(shù)據(jù)分析的六個(gè)常見誤解

數(shù)據(jù)對(duì)于醫(yī)院用戶或者其他企業(yè)用戶的重要性不言而喻，擁有卓越的數(shù)據(jù)分析能力就擁有更大競(jìng)爭(zhēng)優(yōu)勢(shì)。然而很多用戶的決策者對(duì)數(shù)據(jù)分析仍然有一些誤解。

1、“為了部署像機(jī)器學(xué)習(xí)（ML）這樣先進(jìn)的分析技術(shù)，我們必須購(gòu)入新硬件和大量投資專用基礎(chǔ)設(shè)施。”

真相：部署高級(jí)的數(shù)據(jù)分析其實(shí)沒你想象中那么遙遠(yuǎn)。

比如，許多組織機(jī)構(gòu)用戶已經(jīng)擁有大量高級(jí)分析基礎(chǔ)設(shè)施，如工廠車間的大量傳感器。但如果沒有可用于分析的硬件，許多云服務(wù)提供商（CSP）也可提供現(xiàn)成的高級(jí)分析功能。利用這些資源運(yùn)行一些試驗(yàn)項(xiàng)目，并由此制定有效的使用案例，然后可以制定一個(gè)長(zhǎng)期發(fā)展的路線圖，并清楚了解投入產(chǎn)出比。

2、“我們不需要像機(jī)器學(xué)習(xí)這樣的高級(jí)分析工具。”

真相：無(wú)論醫(yī)院或企業(yè)規(guī)模大小，每個(gè)用戶都需要高級(jí)分析。

很多醫(yī)院都在做數(shù)據(jù)分析，也不乏很多醫(yī)院還在用excel或者簡(jiǎn)單的在線系統(tǒng)報(bào)告來(lái)做“數(shù)據(jù)分析”。真正的數(shù)據(jù)分析當(dāng)然沒有這么簡(jiǎn)單，但分析數(shù)據(jù)的第一步是要知道手中到底掌握什么數(shù)據(jù)，在分析之前就要組織好。

簡(jiǎn)單的在線系統(tǒng)報(bào)告已經(jīng)過時(shí)，要了解數(shù)據(jù)實(shí)時(shí)趨勢(shì)，使用當(dāng)前數(shù)據(jù)來(lái)預(yù)測(cè)和影響明天，運(yùn)用先進(jìn)的機(jī)器學(xué)習(xí)和其他AI技術(shù)，更快速理解更多類型和更大量的數(shù)據(jù)。如AI技術(shù)可幫助企業(yè)在業(yè)務(wù)流程中自動(dòng)處理文本和圖像信息，助力高效決策。

3，“我們有很多數(shù)據(jù)，但分析不起作用。”

真相：分析數(shù)據(jù)當(dāng)然有用，但是分析的必須是有效的數(shù)據(jù)。

在高級(jí)數(shù)據(jù)分析項(xiàng)目中，經(jīng)常會(huì)遇到這樣的抱怨：費(fèi)功夫分析了這么大量的數(shù)據(jù)，最后得出的還是錯(cuò)誤的結(jié)果？

這與數(shù)據(jù)的質(zhì)量有關(guān)。在分析數(shù)據(jù)之前需要有效的方式來(lái)收集數(shù)據(jù)，并進(jìn)行實(shí)時(shí)更新。AI和ML（機(jī)器學(xué)習(xí)）算法只能處理給定的數(shù)據(jù)，所以低質(zhì)量的數(shù)據(jù)意味著低質(zhì)量的結(jié)果。

4，“要做數(shù)據(jù)分析，我們需要聘請(qǐng)一批數(shù)據(jù)科學(xué)家！”

真相：遠(yuǎn)在天邊，近在眼前。

不是每家醫(yī)院或企業(yè)都需要數(shù)據(jù)科學(xué)家，而了解業(yè)務(wù)需求和掌握有效數(shù)據(jù)對(duì)決策者才至關(guān)重要。聘請(qǐng)數(shù)據(jù)科學(xué)家可能會(huì)非常困難，特別是有特定產(chǎn)品或?qū)I(yè)知識(shí)要求極高的行業(yè)，如醫(yī)療衛(wèi)生行業(yè)，但并不一定只有數(shù)據(jù)科學(xué)家才能有效發(fā)揮作用。借助一些數(shù)據(jù)分析工具或者開展一些專業(yè)培訓(xùn)，在內(nèi)部可能已經(jīng)培養(yǎng)出了所需的專家。

另一種方法是讓業(yè)務(wù)人員直接運(yùn)用數(shù)據(jù)分析工具，借助基于云的服務(wù)可以處理企業(yè)數(shù)據(jù)，并提供出展示洞察的算法，這可使業(yè)務(wù)專家轉(zhuǎn)變?yōu)閿?shù)據(jù)專家。

5、“要去分析每一個(gè)數(shù)據(jù)”

真相：分析每一個(gè)數(shù)據(jù)是不可能的，也是不必要的。衡量什么是戰(zhàn)略才是至關(guān)重要的。

當(dāng)醫(yī)院或企業(yè)用戶開始收集和整合數(shù)據(jù)時(shí)往往會(huì)遇到一個(gè)很大的誘惑——使用它的一切。但是這種方法可能會(huì)付出很大代價(jià)，而且大量不相關(guān)信息會(huì)對(duì)結(jié)果產(chǎn)生不利影響。所以數(shù)據(jù)分析要基于業(yè)務(wù)需求，可以設(shè)定可衡量的目標(biāo)，并基于此目標(biāo)開展數(shù)據(jù)分析工作。

6，“高級(jí)數(shù)據(jù)分析意味著企業(yè)需要雇用額外的IT人員。”

真相：現(xiàn)有團(tuán)隊(duì)其實(shí)足以迎接挑戰(zhàn)。

對(duì)于一個(gè)組織來(lái)說(shuō)，如果有自己的IT團(tuán)隊(duì)，那么數(shù)據(jù)分析方面是有基礎(chǔ)的，也可能已經(jīng)取得一些進(jìn)展。數(shù)據(jù)分析最初更多是充分利用現(xiàn)有數(shù)據(jù)，在有數(shù)據(jù)分析能力的情況下，有機(jī)會(huì)吸引才華橫溢的IT專家。

另一種方法是盤點(diǎn)組織內(nèi)部已有的數(shù)據(jù)分析能力，并與外部顧問（如行業(yè)分析師或供應(yīng)商）合作，獲取其建議并開展相關(guān)培訓(xùn)。如選擇內(nèi)部開發(fā)算法，可通過FaaS模型（FunctionasaService,功能即服務(wù)，是一種無(wú)服務(wù)器計(jì)算，是IaaS演進(jìn)的下一個(gè)階段），將其提供給組織內(nèi)的其他人，以最大限度地減少開發(fā)時(shí)間。

所以，無(wú)論醫(yī)療衛(wèi)生機(jī)構(gòu)用戶或企業(yè)用戶的規(guī)模是大是小，都應(yīng)開展數(shù)據(jù)分析工作，數(shù)據(jù)分析也并非遙不可及，要激發(fā)自有IT團(tuán)隊(duì)的能力，充分釋放數(shù)據(jù)價(jià)值，從而增強(qiáng)競(jìng)爭(zhēng)力。