Ofte handler dataanalyse om at optimere forretningsgange, øge indtjeningen eller optimere salget af et produkt. Men når BI-konsulent Tina Hoffmann Jensen og senior business manager Erik Søndergaard Andersen fra Systematic lykkes med et projekt, kan det også betyde, at ældre mennesker hurtigere kommer til hægterne efter en operation.
Deres indsats berører nemlig to af Systematics tre primære indsatsområder – Healthcare og Digital Transformation.
”Både den kommunale plejesektor og sundhedssektoren har mange informationer om patientforløb og interne arbejdsgange, og Systematics Columna Cura-platform anvendes bredt. Det gav os et godt udgangspunkt for at undersøge, hvad der kendetegner forløb, hvor en borger hurtigt vender tilbage til hverdagen og bliver selvhjulpen. Omvendt kiggede vi også på, hvad der sker, når borgere er længe om at komme sig og måske endda skal indlægges igen,” siger Tina Hoffmann Jensen.
For kobler man Machine Learning på disse data, kan det ofte resultere i brugbar indsigt, som i sidste ende kan være med til at optimere behandling og pleje.
Ny teknologi giver muligheder – men glem ikke metoden
”Vi har fandt eksempelvis ud af, at særligt ældre hoftepatienter sjældnere genindlægges eller får brug for langvarig pleje, hvis hjemmeplejen gør en aktiv indsats for at sikre, at de får nok at drikke. Hvilket netop kan være svært på egen hånd, hvis du i en periode ikke er særligt mobil. Det er en utroligt banal indsigt, som bliver virkelig nyttig, hvis man indarbejder den som støtte i fagsystemerne, når ældre borgere skal have pleje efter en operation,” forklarer Tina Hoffmann Jensen.
Det er dog blot ét eksempel på, hvordan man kan opnå indsigt ved at analysere store mængder data. Samt hvordan man efterfølgende kan anvende opnåede konklusioner og løbende analyse til at optimere fagsystemer, som støtter behandling, procedurer og pleje.
Men det er nødvendigt at have respekt for datadisciplin og metodik for i praksis at kunne drage nytte af BI, Machine Learning og andre analytisk orienterede discipliner. Uanset om man er virksomhed eller myndighed.
”Garbage in – garbage out”
”Det er nemt at blive begejstret for alle de muligheder, der i dag er for at høste læring eller træffe bedre beslutninger med BI og ML. Paradoksalt nok er det netop ofte denne begejstring, der får tingene til at gå skævt,” konstaterer Erik Søndergaard Andersen og fortsætter:
”Mange vil gerne hurtigt i gang, putter derfor en masse data ind i modellerne og ser, hvad der kommer ud i den anden ende. Men data skal være validerede, konsistente og rensede, for ellers bliver resultatet også herefter. Kedeligt, men beklageligvis sandt. Garbage in, garbage out, som man siger.”
Dertil, bemærker Erik Søndergaard Andersen, er det afgørende at anvende modellerne korrekt. Derfor skal man allerførst analysere sig frem til, hvad datasættet siger om historiske hændelser. Først derefter kan man – længere henne af vejen – begynde at analysere sig frem til hvad der vil ske og hvordan man endeligt kan bruge indsigten til at ændre på noget.
Tag trappen ét skridt af gangen
Systematic tager derfor udgangspunkt i Gartner Analytic Continuum, der i sin rå form beskriver en trappe bestående af fire trin:
- Descriptive Analytics – hvad skete der?
- Diagnostic Analytics – hvorfor skete det?
- Predictive Analytics – hvad vil ske næste gang?
- Prescriptive Analytics – hvordan kan vi få noget bestemt til at ske?
”Fuldkommen som med datadisciplinen gælder det, at springer du trin over, kan det blive svært at få nogle indsigter, du kan bruge til noget fornuftigt,” tilføjer Erik Søndergaard Andersen.
Han leder Systematics kompetencecenter for data science, IoT og business intelligence, der understøtter den samlede forretning og er derfor ofte involveret i indsatser, der skal øge kundernes modenhed. Her er det gerne nødvendigt med en metodisk indsats for at sikre, at data indsamles, organiseres og analyseres korrekt. Derfor går en stor del af indsatsen ud på at identificere huller i datamaterialet og finde ud af, hvordan man gør datasættet komplet og brugbart.
”Her er et af særkenderne ved Systematic, at vi har en del specialister ansat med erfaring fra både myndighedssiden, fra plejesektoren og fra sundhedssektoren – heriblandt sygeplejersker og læger. Det giver et rigtig godt udgangspunkt for at forstå de sammenhænge og den dagligdag, hvor vores løsninger og analyser skal indgå – og for at føre en frugtbar dialog,” siger Tina Hoffmann Jensen.
”Det giver et godt udgangspunkt for at hjælpe med at bygge systemer og foretage analyser, der giver datadreven indsigt. Alt sammen med henblik på at hjælpe mennesker, spare ressourcer og samtidig gør hverdagen nemmere for sundheds- og plejepersonale. Det er ikke altid nemt – men ufatteligt tilfredsstillende, når det lykkes,” siger hun.
Se stillingen fra Systematic her
