הערך של ניתוח נתונים בתעשיית הבריאות

בעוד שתעשיית שירותי הבריאות פיגרה מעט אחרי תעשיות אחרות באימוץ בינה מלאכותית (AI) ולמידת מכונה (ML) - ובצדק, בהתחשב בדאגות אבטחה ובטיחות תקפות מאוד - מנהיגיה עברו שינוי חשיבה, מתוך הכרה ב הערך של חידושים טכנולוגיים וניתוח נתונים. 

מאז יישומו, ניתוח נתונים שינה לחלוטין את שירותי הבריאות, להשפיע על האופן שבו ארגונים עושים את עבודתם ומספקים טיפול - ושינוי אופן הפעולה של חוקרים, תומכי מדיניות ומטופלים בתוך המערכת. נתונים אלה שיפרו את אספקת שירותי הבריאות באינספור דרכים, תוך מתן מידע על ביצוע מחקרים רפואיים, שיפור הבנת המטופלים לגבי עלויות ביטוח בריאות ובדיקות רפואיות, והנחו את הרופאים בהמלצותיהם המניעות.

מנהיגי שירותי בריאות מצאו יישום חשוב נוסף לנתונים אלה:

• הבנת נקודות הכאב של המטופלים במהלך מסע הבריאות שלהם
• זיהוי צורכי הדרכה לסוכני מוקד
• חשיפת תובנות מחוויות לקוח (CX) ויוזמות שיווקיות

כדי למנוע מבול נתונים הממשמש ובא בעולם שצפוי ליצור ולאחסן מעל 200 זטה-בייט בענן עד 2025, ארגוני שירותי בריאות זקוקים לאסטרטגיה אמינה ויעילה לאיסוף, הערכה וניתוח נתונים. אסטרטגיה זו אמורה לסייע למנהיגות לאסוף ולהשתמש בתובנות לקבלת החלטות מושכלות. 

הכנס לכלי AI ו-ML, שימשיכו לראות את השימוש שלהם באנליטיקה גדל. מנהיגות ארגונית של שירותי בריאות צריכה למנף את הטכנולוגיה הזו כדי לחלץ תובנות נתונים בעלות ערך וביצועים כדי לספק CX טוב יותר. הנה למה.

1. הקשבה בקנה מידה עוזר לפתור בעיות נפוצות.

AI ו-ML מחזקים ארגונים להקשיב ולהבין את קולות הלקוחות בצורה יעילה יותר, לאתר אבני נגף ולפתור אתגרים או מחסומים נפוצים - כמו אפקט אדי - התערבות ב-CX ובאינטראקציות עם לקוחות. 

למידת מכונה מסתמכת על מערכי נתונים של הדרכה ולמידה – ותשומות לא מדויקות מייצרות תוצאות ותחזיות לא מדויקות. ה דגמי ה-ML היעילים ביותר מדויקים ב-70% עד 90% מהמקרים. והדיוק הזה מסתמך על נתוני הדרכה רלוונטיים, מייצגים, חסרי פניות, מקיפים שנוצרו מנתונים לא מובנים.

תעשיית הבריאות כובשת נתונים בלתי מובנים משיחות ממוקדות שירותי בריאות כמו לקוח שמתקשר עם שאלות לגבי הליך או חשבון ביטוח. אמנם זה בלתי אפשרי עבור אנשים לנתח כל שיחה של מטופל (מתרחשת לרוב באלפים) מדי יום, כלי AI ו-ML יכול לנתח כל שיחה. עם הטכנולוגיה הנכונה, ארגוני בריאות יכולים לאסוף ולנתח נתוני שיחה בקנה מידה.

2. מודיעין שיחה מציע תובנות עמוקות יותר מנתונים מבוססי סקרים.

סקרים כמו ציוני מקדם נטו (NPS) ושביעות רצון לקוחות (CSAT) היו תקן הזהב במשך עשרות שנים. אבל הם לא מסוגלים להיות יותר מפורטים ולבחון את הסיבות הבסיסיות לדאגות של לקוחות - אף פעם לא נועדו לשרת את הפונקציה הזו. 

לעומת זאת, אינטליגנציה שיחה מציעה מבט הוליסטי על CX בגלל היכולת שלה למנף AI ו-ML כדי ללכוד נתוני לקוחות דו-כיווני לא רצויים. הכלי הזה לוכד 100% מהנתונים הלא מובנים שנוצרו משיחות לקוחות כדי להניב תובנות מעמיקות יותר על פני כל הרצף של CX.

3. מינוף AI מוסיף ערך לניתוח נתונים. 

כלים מונעי בינה מלאכותית שואבים תובנות נתונים חשובות וניתנות לפעולה שמנהיגי שירותי בריאות יכולים להשתמש בהם כדי לשפר את ה-CX. AI ו-ML מחזקים ארגוני בריאות להקשיב בצורה יעילה יותר לקולות הלקוחות שלהם ולהבין את החסמים והבעיות הגורמים לתסכול. 

עם זאת, תעשיות רבות הסתמכו על מודלים שהוכשרו תוך שימוש בנתונים שאינם ספציפיים לתעשייה, מה שהוביל לפרשנויות לא מדויקות מכיוון שהניואנסים של הכוונה או המשמעות מאחורי המילים אובדים. מהימנות ML תלויה באופן שבו מודלים מאומנים. AI שאומן על ידי שיחות ספציפיות לטיפול רפואי מסוגל:

• הפקת הערך המשמעותי ביותר משיחות בריאות
• הבנה מעמיקה ויסודית של האופי הרגולטורי של תעשיית הבריאות
• בניית מודלים של ML כדי להביא מהירות וערך לארגוני שירותי בריאות

4. שילוב תובנות איכותיות וכמותיות מספק הזדמנות.

טבילת נתונים מעצימה ארגונים לספר סיפור רב עוצמה. סיפור סיפורים מגובה נתונים משלב נתונים איכותיים וכמותיים כדי להעשיר מושגים, לספק משמעות ולעזור לאנשים להתחבר. 

נתונים כמותיים מספקים מידע קונקרטי בצורת מספר. נתונים איכותיים משפרים נתונים כמותיים על ידי הזמנת חקר רעיונות ועזרה לארגונים לזהות בעיות ולהגיב עליהן. בשימוש יחד, ניתוחים אלו יוצרים תמונה מקיפה יותר, הוליסטית על ידי הצגת ה"מה" וה"למה" במקום אחד.

במקרה שימוש אחד, חברת מדעי החיים רצתה לתקן את העברת ההודעות הטלפונית ולשפר את ה-CX שלה. החברה אימצה והשתמשה בטכנולוגיית AI כדי לנתח את כל נתוני השיחה מרגע שהלקוחות התחילו את דרכם דרך התקשורת הסופית שלהם. הניתוח התמקד במפורש בחוויות לקוחות עם נפחי שיחות גבוהים, ועזר לחברה לזהות היכן:

• חוסר עקביות בהודעות סוכן גרם ללחץ או בלבול של הלקוחות.
• לקוחות התבלבלו או אבדו (אפקט האדי) מתוך החוויה שלהם.
• לארגון היו הזדמנויות להציע תמיכה נוספת ללקוחות.

מספרי סיפורים (אלה שמנתחים את הנתונים) השתמשו בניתוחים איכותיים וכמותיים כדי להעריך את הנתונים שנאספו ולזהות אתגרים ספציפיים של לקוחות. סוגי נתונים שונים אלה השלימו זה את זה ואפשרו לארגון לספר סיפור יותר הקשרי, מגובה נתונים, של מסע הלקוח. 

בני אדם תמיד ישחקו תפקיד חשוב באנליטיקה

זה כשל לחשוב ש-AI תשתלט על עולם הניתוח, ויחליף לחלוטין את האלמנט האנושי. עם זאת, מה שהיא יכולה לעשות זה לנהל נפחי נתונים משמעותיים בצורה יעילה ויעילה יותר מאנשים - ולשחרר בני אדם להתמודד עם אתגרים אחרים הדורשים חשיבה ביקורתית. 

לארגוני בריאות הייתה פעם חסרה הטכנולוגיה לנהל ביעילות את הכמויות הכמעט בלתי מוגבלות של נתונים מורכבים וחסרי מבנה המופקים מדי יום. אבל האבולוציה של אינטליגנציה שיחה אפשרה להביא נתונים לחיים, לספר סיפורים מרתקים, לחשוף תובנות מעמיקות יותר ולהנחות קבלת החלטות אסטרטגיות על ידי הקשבה בקנה מידה.

• הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
• PlatoAiStream. Web3 Data Intelligence. הידע מוגבר. גישה כאן.
• הטבעת העתיד עם אדריאן אשלי. גישה כאן.
• קנה ומכירה של מניות בחברות PRE-IPO עם PREIPO®. גישה כאן.
• מקור: https://www.dataversity.net/the-value-of-data-analytics-in-the-health-care-industry/