IBM SPSS Healthcare Days 2013

Transkript

1 IBM SPSS Healthcare Days 2013 SWG Germany Düsseldorf, München, Berlin, Hamburg

2 Ihre Ansprechpartner heute Dr. Matthias Glowatzki Manager Services IBM Business Analytics Dr. Christian Trippner Technical Professional IBM SPSS Christian Dennerlein Account Representative IBM SPSS

3 Folien nach dem Event verfügbar! Bitte folgenden Link notieren:

4 Agenda 09:00 09:15 Uhr Begrüßung und Einführung 09:15 10:00 Uhr Erfassung von Patientendaten und klinischen Daten im medizinischen Umfeld 10:00 11:00 Uhr Statistische Datenanalyse mit Praxisbeispielen und Live Demo 11:00 11:30 Uhr Kaffeepause 11:30 13:00 Uhr Mehrwert und konkreter Nutzen von Data Mining in der Medizin 13:00 13:30 Uhr Zusammenfassung, Diskussion und Fingerfood

5 Healthcare Krankenhäuser stehen vor großen Herausforderungen

6 Healthcare Herausforderungen für Krankenhäuser - Mehr Effizienz, Qualität und Sicherheit im Krankenhaus - Eine Vielzahl von Faktoren verändern die Bedingungen für Krankenhäuser. Beispiele hierfür sind wachsender Kostendruck, Personallimitationen, wachsender Dokumentations- und Administrationbedarf, intensiver werdender Wettbewerb Um auch in der Zukunft erfolgreich zu bestehen sind verschiedenste Faktoren kontinuierlich zu optimieren Qualität : Fokussierung, Nutzung von Innovationen, überdurchschnittliche Therapieergebnisse, kontinuierliche Verbesserungsmassnahmen Effizienz : Neben der Optimierung der Einnahmen auch die möglichst effiziente Ausführung der Prozesse und Investitionen, Nutzung aller einsparungsmöglichkeiten Sicherheit : Einhaltung der notwendigen und gesetzten Standards und Vorgaben, schnelle Anpassung an Veränderungen Ein wesentlicher Faktor hierzu ist die Möglichkeiten von Innovation und digitalen Technologien gezielt zu nutzen, um diese Ziele zu erreichen

7 Healthcare Beispiele für unsere innovativen Lösungen IBM's Lösungen für das Gesundheitswesen. Weltweite Expertise in Forschung, Innovation für Informationstechnologie in Gesundheitswesen Warum Osteoporose Forschung (Rüschlikon, ETH Zürich) Proteinforschung (TU Berlin, Matheon) Onkologische Forschung, insb. Tumorforschung (Majo Clinics, USA) Cardiovaskulare Forschung für Schlaganfallpatienten (Simulation Schuckverhalten) Genomik / personalisierte Medizin (DNA- Transistor) In Planung: Aufbau eines World Community Grids für die Erforschung von Demenz IBM-Lösungen richten sich nach wirtschaftlichen Herausforderungen aus und unterstützen Wertschöpfungsmöglichkeiten für die Organisationen im Gesundheitswesen. Ein hochrangiges Portfolio der IBM Lösungs-Gebiete und Fähigkeiten ermöglichen Organisationen im Gesundheitswesen den Potential Smarter Planet zu bekommen. IBM investiert in Lösungen für einen breiten Spektrum der verschiedener Health-Gebiete, um dabei zu helfen intelligentere Gesundheitssysteme zu schaffen.

8 Healthcare Innovative Lösungen für alle Bereiche Krankenversicherungen PKV GKV Industrie Pharma/Lifescience Diagnostics Medical device Forschungsinstitute #1 #2 Übergreifende Themen im Gesundheitswesen Telematik Integrierte Versorgung Pers. Medizin Kliniken / Pflegeeinrichtungen #3 Universitätskliniken Krankenhäuser /Klinikverbünde Pflegeeinrichtungen Politik und Verbände #4 KVen Med. Verbände und Vereine Gesundheitsministerium Gesundheitsinstitute Wir investieren 300 Million in die Erforschung und Éntwicklung von innovative Lösung im Gesundheitswesen

9 Healthcare Unsere Healthcare Strategie und Portfolio erlaubt eine patientenzentrierte Fokusierung und Methodik für alle Stakeholder Ermöglicht eine gemeinsame Versorgung Gewährleistung einer besseren Qualität und Leistungen Handlungsabläufe effizienter gestalten Öffentliche Oorganisationen Gesellschaften für Gesundheit Erziehung Apotheken Unternehmen für Diagnostik Krankenhaus & Ärzte Zentrierte Versorgung der Patienten Medizinische Geräte Information & Support für Entscheidungen Pharma/Biotech Lifescience Mitarbeiter Forschung Transaktions Dienstleistungen Leistungszahler Durch Einbindung von Menschen, Versorger Teams und Information Durch dynamische Anpassung und Antwort Durch IT wird ermöglicht organisatorischen Bedürfnissen schnellstmöglich nachzukommen

10 Healthcare Beispiele im Krankenhaus Advanced Analytics Optimierungen der Prozesse aufgrund analytischer Verfahren Kennzahlengestützte Kostenoptimierung Cloud Services Healthcare Clould für Kliniken (Internetzentrierte Entwicklungsansätze, wodurch komplexe Leistungen aus SW- u. HW in Form eines abstrakten Dienstes bereitgestellt werden. ) Decision Support Systems Management & Verwaltung der Patienten und Geräte mit Verwendung der modernster Sensoren und W-LAN Technologien Information Integration Integrierte Fallsteuerung Service- und Daten-Integration Telemedicine Telemedizinsche Lösungen Online-Portale Collaboration Software Web Portale / Platformen für den übergreifenden Austausch der Informationen u. Kommunikation zwischen den Akteuren Schlüssel IT Wegbereiter füe Smarter Healthcare synchronisieren optimal mit den IBM-Kernkompetenzen

11 Healthcare Ausgewählte IBM Referenzen im Krankenhaus- und Pflegebereich 11

12 Die IBM SPSS Data Collection Befragungsplattform im Überblick

13 Grundlegende Merkmale der Befragungsplattform Einfache und intuitive Handhabung Fragebogenerstellung ohne Programmierkenntnisse mächtige Programmiersprache im Hintergrund Skalierbarkeit, Offenheit der Schnittstellen Umfangreiche Testmöglichkeiten Statistische Auswertung mit gängigen Tools

14 Grundlegende Merkmale der Befragungsplattform Direkte Interaktionen mit Ergebnissen Einbindung in unternehmensweite Lösungen (EFM) Generierung von Berichten Alle Befragungswege (schriftlich, online, mobil, telefonisch, ) Zentrale Speicherung aller Datenerhebungen Anbindung an gängige MS Officeprodukte

15 IBM SPSS Data Collection Plattformübersicht und Module IBM SPSS Data Collection Desktop IBM SPSS Data Collection Server Base Professional Author Desktop Paper mit Scan Add-on Data Entry/ Interviewer Desktop Author Server Web Interviews Server mit Remote Administration Phone Interviews Dialer Connection Scripting Fragebogen/Tabellen Fragebogenerstellung lokal PAPI Papierbefragungen CAPI computergest. Befragungen Fragebogenerstellung distributed CAWI Webbefragungen mcapi mobile Befragungen CATI Telefonbefragungen Dialer-Schnittstelle Lokale Speicherung MSSQL Server Exportformate: SAV, CSV, TXT, XLS, DAT,... Survey Reporter Desktop/Server Survey Tabulation Statistics Base Modeler

16 Vorteile und Mehrwert von standardisierten Befragungen

17 Der Standard IBM SPSS Data Collection Befragungsprozeß FB-Design Form der Datenerhebung Analyse & Report Web Web Tabellen Telefon SPSS Ein Fragebogen Papier Data Entry Zentrale Datenbank Modeler MS-Office PDA/Terminal Andere Andere

18 Der Nutzen Übersichtlichkeit o auf Projektebene Projektkontrolle o Rücklaufkontrolle in Echtzeit o Versionskontrolle o Quotensteuerung o geführte Dateneingabe o Offene/geschlossene Befragung o einheitliche Standards Geordnete Ablage o Fragebögen o Projekte o Vorlagenbibliothek Treffsicherheit der Ansprache o schriftlich o online o telefonisch o Umfrage-/Fragenbibliothek o mobil o alle Kanäle kombinierbar

19 Der Nutzen Datenmanagement o Fragebogen liefert SAV Datei o Metadaten im Fragebogen o Automatisierungen o (Daten)Konsistente Erhebungen o Datenbereinigung o Sicherheitsaspekte/Datenschutz Integration o o o in operative Systeme in Bürgerportale in CRM Anwendungen CI Vorgaben o o o Richtlinien zur Gestaltung und Design Einbindung in bestehenden Webauftritt Barrierefreiheit nach BITV* und 508 compliance Einheitliches Vorgehen o o o Alle Abteilungen/Mitarbeiter verwenden gleiche Vorlagen Interne Standards sind leichter einhaltbar/überprüfbar Gesetzliche Vorgaben in allen Umfragen berücksichtigt o BVM und ESOMAR Standards *Barrierefreie Informationstechnik-Verordnung

20 Der Mehrwert Effizienzmessung bei Projekten und Programmen Transparenz und Akzeptanz durch gruppenspezifische Ansprache bei der Erhebung und nachfolgender Darstellung und Kommunikation der Ergebnisse Kann von mehreren Dienststellen/Abteilungen parallel genutzt werden (teilen statt duplizieren) Erkennen von Trends und Änderungen in gesellschaftlich relevanten Bereichen Migrationsverhalten/Zuzug/Wegzug Vorhersagemodelle Feedback und Stimmungsbilder zeitnah sammeln und ad hoc erstellen Bürgerbefragungen aus der Fachabteilung heraus Schnelle Verfügbarkeit und Anwendung von Informationen Verläßlichere Entscheidungsfindung, Treffsicherheit in Angebot und Service Optimierung von Prozessen und Abläufen Projektänderungen während der Kampagne möglich Effizienter Einsatz von Haushaltsmitteln und Ressourcen Anreicherung, Bereinigung und Pflege von bestehenden Daten Qualitätssicherung in allen Bereichen Wahrung von Datenschutzvorgaben und Sicherheitsaspekten

21 Wege der Datenerhebung Online mobile Endgeräte persönliches Gespräch via Telefon Papierfragebogen

22 IBM SPSS Data Collection 7 Neuerungen Integration mit IBM Cognos Erweiterte Möglichkeiten für mobile Interviews Verbesserte Call Center Produktivität Verbessertes dynamisches Feedback Verbesserte Skalierbarkeit Erweiterte Umfragen Galerie und Assistenten

23 Integration mit IBM Cognos Nutzen Sie Umfrageergebnisse im BI Umfeld Neue Aktivität Daten publizieren Erstellen und aktivieren Sie Projekte auf der Server Administrationsebene. Definition der Metadatenoptionen. Auswahl der Analysevariablen. Definition der Einstellungen des Analysetools. Data Collection

24 Erweiterte Funktionen für mobile Befragungen Unterstützung von Sample-/Quotenmanagement in verteilten mobilen Befragungen Mehr Steuerung Gewährleistet ein verbessertes Feldmanagement durch Unterstützung von verteilten Sample- bzw. Quotenbefragungen für alle IBM SPSS Data Collection Data Entry und Interviewer Produkte. Ermöglicht wesentlich effizientere Feldinterviews durch Sortier-, Such- und Auswahlmöglichkeiten innerhalb der Sample und/oder Quote. Quotenziele werden durch Synchronisierungen aktualisiert. Mehr Kontrolle und Steuerung für die Umfrageadministratoren um sicherzustellen, daß die die richtigen Informationen von den richtigen Befragten gesammelt werden.

25 Verbessert die Produktivität von Call Centern Call Center können ein hoch effizientes und produktives System betreiben Kommunikation und Information Neue Nachrichtenfunktionen, die es den Administratoren ermöglichen, Projektinformationen mit den Interviewern zu teilen und die Interviewer im Gegenzug Informationen rückzumelden. Verbessertes Monitoring über eine Echtzeit Anzeige, die den Status des Agents über die gesamte Befragungszeithistorie darstellt. Umfagen können miteinander verknüpft werden, indem Antworter eingebunden werden, auch wenn sie für die Hauptumfrage nicht passen, um so die Produktivität zu steigern.

26 Verbessert die Produktivität von Call Centern Neue Benachrichtigungsfunktionen Statusmitteilungen Meldet den Interviewerstatus an die Supervisoren. Statusmitteilung Projektnachrichten Lieferz Projektinformationen vom Supervisor oder Projektmanager. Unmittelbare Mittteilungen Anweisungen und Instruktionen an den Agent. Projektnachricht Unmittelbare Mittteilung

27 Verbessertes dynamisches Feedback Anwendung von Echtzeit-Analysen und Scoring eines Meinungsfeedbacks Analyse, Scoring, Next best steps/actions Ermöglicht den Einstieg in einen tieferen Dialog jenseits der Standardumfragen, mittels Management Cockpits Echtzeit-Analysen und Bewertung eines Feedbacks mit statistischen/analytischen Modellen Intelligente Befragungen für Decision Management/ CRM (z. B. Empfehlungen als next best action auf der Grundlage der abgegebenen Antworten). Die Antwort auf eine Frage wird in Echtzeit analytisch bewertet

28 Eine breitere, ausbaufähige und skalierbare Plattform Erweitert die Reichweite der Befragungsplattform Skalierung, Kompatibilität, Erweiterungen Erweitert die Unterstützung von HTML5 Eingabetypen, zur Darstellung von Data Collection Fragetypen unter Verwendung von HTML5 Eingabetypen. Ermöglicht die Integration von externen Webdiensten in eine Befragung über andockbare Schnittstellen (z. B. der Salesforce Interview Service ermöglicht den Zugang zu den Salesforce.com Webdiensten). Verbessert die Darstellung von Umfragen auf verschiedenen Medien/Displays in dem die Nutzer spezifische Einstellungen vornehmen können (z. B. Browsereinstellungen, Bildattribute).

29 Neue Umfragengalerie und Assistenten Schneller Einstieg und schnelle Resultate für Businessanwender Umfragebibiliothek, Erstellungsassistenten Für Geschäftsanwender erleichtert den schnellen Einstieg. Galerie Benutzerinterface mit archivierten Umfragen, nach Typ und Funktion geordnet. Vorschau auf Beschreibungen, Vorseinstellungen und Inhalte der Umfragen bevor sie benutzt werden. Berichtsassistenten zur Vereinfachung allgemeiner oder spezieller Tabellen- und Variableneinstellungen. Vertriebsbeauftragte(r)

30 Neue Umfragengalerie und Assistenten Beginnen Sie mit der Galerie und fügen Sie dann Ihre eigenen Inhalte dazu Die Umfragegalerie enthält Umfragefragmente: Oft verwendete Fragen. Fragen: Fragenvorlagen, die das Erscheinungsbild der Fragen und Antworten steuern. Funktionalität: Code- /Skriptschnipsels für bestimmte Aufgaben (z. B. Hinzufügen eines GoTo Buttons). Layout: Layoutvorlagen zur Steuerung des Umfragedesigns. Bauen Sie Ihre eigenen Umfragebestandteile und stellen Sie diese in die Galerie!

31 Kundenbeispiele

32

33

34

35

36

37

38

39

40 Battelle The Centers for Public Health Research and Evaluation (CPHRE) Nutzt multimodale Umfragen um Responsequoten zu erhöhen Hintergrund & Challenge Im Angesicht eines Rückgangs der Teilnahme an Umfragen, benötigte Battelle-CPHRE eine Lösung, die für ein beständiges Engagement ihrer wichtigsten Ressource also Umfrageteilnehmern bei ihren Forschungsumfragen bezüglich der öffentlichen Gesundheit. Lösung Battelle-CPHRE implementiert Lösungen für multimodale Forschungen mit Hilfe von IBM SPSS Predictive Analytics Software. Die IBM SPSS Data Collection Plattform hilft der Organisation dabei, ihr Umfragedesign zu rationalisieren und ergänzt diese Umfragen gleichzeitig um Web- und papierbasierte Forschungskapazitäten. Komponenten der Lösung IBM SPSS Data Collection Paper IBM SPSS Data Collection Interviewer IBM SPSS Data Model Benefits Fähigkeit, multimodale Umfragen ohne steigende Kosten oder Zeitaufwendungen durchzuführen Einfache Entwicklung von komplementären Umfragen für Web und Papier Weniger Zeit benötigt zur Auf- und Vorbereitung von Daten und die Möglichkeit, Qualitätstests für die Daten zu integrieren. 40

41 IBM SPSS Statistics Der Klassiker im Überblick

42 Grundzüge von IBM SPSS Statistics Live Demo Daten einlesen und aufbereiten Datenzugriffe Plausibilitätsprüfungen Datenselektionen Deskriptive Auswertungen Klassische statistische Kennzahlen Tabellen und Grafiken Exportmöglichkeiten Wege zur Automatisierung SPSS Syntax

43 Die wichtigsten statistischen Verfahren in der Medizin Live Demo Beziehungen zwischen Merkmalen Kreuztabellen (Kontingenztafeln) Chi-Quadrat-Maß und Kontingenzkoeffizient Urteilerübereinstimmung (Kappa-Koeffizient) Weitere Zusammenhangsmaße (Korrelationen) Statistische Testverfahren Parametrische Tests (Bsp. Mittelwertvergleiche) Nicht-parametrische Tests (Bsp. Vorher-/Nachher-Vergleiche, Messwiederholungen) Exakte Tests Multivariate Verfahren Berechnung von Klassifizierungswahrscheinlichkeiten (Logistische Regression) Verlaufskurven (Kaplan-Meier-Methode)

44 California Pacific Medial Center (CPMC) Eines der größten privaten, non-profit Medizincenter in Kalifornien verbessert Patientenergebnisse Hintergrund & Challenge CPMC s Herzforschungsprogramm muss große Mengen an heterogenen Patientendaten, die in verschiedenen Abteilungen des Krankenhauses gesammelt werden, verwalten, verfolgen und analysieren. Lösung IBM SPSS Predictive Analytics Software wurde deswegen dafür genutzt, um tausende von Datenelementen zu verwalten und zu analysieren und die Ergebnisse von Patienten mit Herzkrankheiten oder Herztransplantaten zu überwachen. Komponenten der Lösung IBM SPSS Statistics Benefits Akkurate Risikomodelle für Herzkrankheiten Zentrale Datenbank mit krankenhausweiten Patientenstatistiken Verkürzte post-operative Erholungszeiten und Krankenhausaufenthaltszeiten Kosteneinsparungen 44

45 SESCAM SESCAM (Spanien) nutzt IBM SPSS Predictive Analytics Software, um Leistungen im Gesundheitsservice zu verbessern Hintergrund & Challenge SESCAM suchte nach einem Tool, das ihre wissenschaftlichen Untersuchungen verbessern und bei allen Krankenhaus- und Gesundheitscenter-Managementaufgaben unterstützend zur Seite stehen sollte. Insbesondere benötigte SESCAM eine Möglichkeit, um potenzielle Ineffizienzen zu erkennen und den besten Service an die Bürger zu liefern. Lösung Deswegen wandte sich SESCAM an IBM SPSS, um ein Werkzeug zu entwickeln, das Arbeitsläufe im Gesundheitsservicesektor verbessern, Schwächen im Prozess aufdecken und große Mengen an Daten besser kontrollieren soll. Benefits Verbessertes Informationsmanagement Leichtere Identifizierung und Lösung von potenziellen Problemen im Gesundheitsservicebereich Bessere Bewertung von Behandlungsmethoden und Prognosen Komponenten der Lösung IBM SPSS Statistics

46 Bayer Schering Pharma Globaler Hersteller von Pharmazeutika analysiert Daten mit Hilfe von Predictive Analytics Pharma Hintergrund & Challenge Bayer Schering Pharma sucht nach effizienteren Wegen, um Krankheiten zu identifizieren, für die aktuell keine Behandlungsmethoden existieren, und Medizin zu finden, die Nebenwirkungen durch die Einnahme anderer Medizin verursachen. Eine weitere Challenge liegt darin, detailliertes Patientenwissen bezüglich ihres Zufriedenheitlevels, der Struktur und Art ihrer Behandlung und ihres Produktwissens zu generieren. Lösung Deswegen nutzt Bayer Schering Pharma IBM SPSS Predictive Analytics, um Zielgruppen zu segmentieren und Umfrage- und Versuchsergebnisse zu analysieren. So können tiefere Insights generiert werden als wenn man lediglich von externen Marktforschungsinstituten abhängig wäre. Die Vorteile liegen hierin nicht nur in Qualitätskontrolle und der Möglichkeit zur Erstellung von Ad-Hoc-Analysen, sondern auch in der Erstellung von Metadatenanalysen, anhand derer neue Fragestellungen, die sich bei Betrachtung der bestellten Marktforschungsergebnisse ergeben, beantwortet werden können. Komponenten der Lösung IBM SPSS Statistics (IBM SPSS Modeler) Benefits Identifikation von präzise definierten Zielgruppen durch a priori - Segmentierung Signifikante Ressourceneinsparungen und höhere Kundenzufriedenheit (der Ärzte) Segment-spezifische Ansprache von Ärzten durch Mailings, Online- Maßnahmen oder Unternehmensvertreter In-House Analyse von Umfrage- und Studiendaten ermöglicht tiefere Insights und Wettbewerbsvorteile als externe Marktforschungsinstitute liefern können

47 PAUSE

48 Data Mining IBM SPSS Modeler

49 Abgrenzung zu IBM SPSS Statistics

50 Mehrwert von IBM SPSS Modeler ggü. Statistics: Datenaufbereitung Modeler Arbeitsweise ist ablauforientiert aufgebaut Statistics Arbeitsweise zielt auf Einzelergebnissen Einlesen von unterschiedlichen Datenquellen an verschiedenen Bereichen der Datenaufbereitung sehr einfach Kein Abspeichern von Zwischenergebnissen notwendig Externe Datenquellen müssen erst als sav Datei abgespeichert werden, um diese anschließend zusammenzufügen. Nur einzeln anfügbar. Zwischenergebnisse müssen immer als sav Datei abgespeichert werden. Falls sich Rohdaten ändern, braucht nur der Stream neu angestoßen zu werden Datentransformationen haben keine Auswirkungen auf die Originaldaten Falls sich Rohdaten ändern, muss der ganze Prozess neu gestartet werden (ohne Syntax bedeutet das: alles von Neu beginnen) Datentransformationen verändern sofort den Originaldatensatz Berechnungsformeln, Umkodierungen sind in den einzelnen Knoten dokumentiert und nachvollziehbar Berechnungsformeln, Umkodierungen sind nur über Syntax nachvollziehbar

51 Mehrwert von IBM SPSS Modeler ggü Statistics: Arbeitsweise Modeler Arbeitsweise Statistics Arbeitsweise

52 Mehrwert von IBM SPSS Modeler ggü Statistics: Modellierung Modeler Modelle zum Auffinden der relevanten Variablen Entscheidungsbäume mit interaktiven Aufbau Modellvergleich graphisch und tabellarisch möglich Statistics relevante Variablen schon bekannt und ausgewählt Entscheidungsbäume sind nur sehr vereinfacht vorhanden Modellvergleich nur sehr bedingt möglich Metamodelling wird unterstützt Metamodelling ist sehr kompliziert und fehleranfällig Modellparameter sind im Nugget vorhanden Modellparameter werden tabellarisch ausgegeben

53 Stellen Sie sich vor, Sie bzw. Ihr Entscheider könnte Infektionen von Frühgeborenen 24 Stunden früher prognostizieren Komplikationen nach Operationen unter Berücksichtigung des persönlichen Risikos vorhersagen Versicherte gezielt hinsichtlich eines individuellen Angebots identifizieren und kontaktieren Abrechnungsanomalien schneller und präziser erkennen Arzt QM Krankenkasse Prüfung/Controlling jede Transaktion, jeden Prozess und jede Entscheidung hinsichtlich der aktuellen Situation optimieren, ohne ein Analysespezialist zu sein

54 Predictive Analytics Prozess

55 Enterprise Plattform für Predictive Analytics Datenquellen Patientendaten Abrechnungsdaten Enterprise Plattform für Predictive Analytics 1 Verstehen Einblick in die aktuelle Situation anbieten Was ist in der Vergangenheit geschehen? Was geschieht momentan? Steuerung operativer Prozesse Patientenzufriedenheit Aufnahme, Prozesssteuerung, Medikation Forschungsdaten 2 Vorhersagen Verhalten in der Vergangenheit analysieren, um zukünftige Ereignisse oder Maßnahmen vorherzusagen Produktentwicklung & Marktgeschehen Labordaten 3 Was wird passieren? Agieren Operative Prozesse überwachen und Maßnahmen vorschlagen Finanzen & Risiko, Budgetplanung Befragungsdaten Welche Sofortmaßnahme bietet das beste Ergebnis? Gebäudemanagement, Bedarfsplanung

56 Verstehen Einblick in die Effektivität von Therapieverläufen Cockpit für Vorstand und Management: KPI s Visualisierung von komplexen Beziehungen

57 Vorhersagen Automatische Erkennung neuer Zielgruppen für Zusatzleistungen Entdecken neuer Risikoprofile Modellierung des Erfolgs von Diätprogrammen und Auswahl der affinsten Segemente Einsatz von Clusterverfahren zur Patientensegmentierung

58 Agieren Angebote über Service Call Center der Krankenkasse Individualisierte Angebote via Website Optimierung der Entscheidung Bewertung der Risiken zum Zeitpunkt der Dateneingabe Real-time Identifikation von Intra-OP-Risiken Optimierung des Direct Marketing für Versicherer Risk-Scoring, um Abrechnungsfälle für die Prüfung zu bestimmen

59 Mehrwert von Predictive Analytics ggü. BI Top-Down Abfragen: OLAP, BI Bottom-Up Data Mining Text Mining Integrierte Mehrwert Wie viele Patienten haben haben das Medikament gut vertragen Query & Reporting In welchen Altersgruppen? OLAP Data Mining Welche Patienten werden generell gut auf die Therapie ansprechen? Analytics Lösungen Welche Päparate sollten wir diesem Patienten heute geben?

60 IBM SPSS Modeler - Einblick

61 Data Mining: Die Techniken Klassifikation Assoziation Ursache-Wirkungsanalyse Treiberanalyse: z.bsp. Abweichungen, Abwanderer Entdecken von unbekannten Einflussfaktoren und Messung ihrer Stärke... Welche Merkmale oder Merkmalskombinationen treten häufig miteinander auf? Welche Events ereignen sich gleichzeitig? Erkennen von Mustern in sequenziellen bzw. zeitorientierten Daten Segmentierung Bildung von homogenen Gruppen, die untereinander heterogen sind Gibt es Fälle, die inkonsistentes Verhalten hinsichtlich der Segmentzuordnung aufweisen? Anomaliedetektion, Betrug... Text Mining Welche Beiträge gibt es zu einer bestimmten Fragestellung (WWW, Dokumente, Paper, etc.)? Zusammenführung von Textinfos und numerischer Daten...

62 Arbeiten mit dem IBM SPSS Modeler Visuelles Programmieren analytische Streams Hohes Maß an Interaktivität und Benutzerfreundlichkeit Skalierbarkeit durch Client-/Server Architektur Nahtlose Zusammenarbeit mit allen gängigen Datenbanksystemen

63 Datenzugriff, -aufbereitung Datenzugriff ODBC Datenbanken, Flat Files, Datenmanipulation und aufbereitung Datenselektion & -transformation Bereinigung, Abfragen Transformationen für Visualisierung oder Modellierung Bearbeitung von Metadaten 'Outputs' von Modellen können auch als Daten weiterverarbeitet werden

64 Mächtige Modellierungsalgorithmen Klassifikation und Prognose Neuronale Netze, C5.0, C&RT, CHAID, Quest, Regression, GZLM, Zeitreihen, Decision List,... Clusterung Kohonennetze, K-Means, TwoStep, Anomalieerkennung Assoziationsregeln Apriori, CARMA, Sequenzanalyse Text Mining Entity Analyse, Sentimentanalyse, Soziales Netzwerk Analyse... Meta-Modelling Automatische Modellselektion (binäre und numerische Zielgrößen, Cluster, Zeitreihenmodelle), Vergleich/ Kombination der Ergebnisse mehrerer Modelle In-Database Modelling Microsoft SQL Server Analysis Services, Netezza, InfoSphere, DB2, Oracle... Neutral Net C 5.0 C&R Tree Logistic Kohonen TwoStep Apriori Text Extraction Anomaly 64

65 IBM SPSS Entity Analytics

66 Semantischer Abgleich der Schlüssel zur Auflösung Entity Analyse erfolgt über Identitätenauflösung durch semantischen Abgleich Der semantische Abgleich ist zu erkennen wenn zwei Objekte das gleiche sind, auch wenn sie unterschiedlich beschrieben werden. Identitäts- und Beziehungserkennung bilden den Kontext

67 Der Kontext Without Context Was ist der Kontext? 1. Bestandteile die ein Wort oder einen Satz umgeben bzw. verdeutlichen 2. relevante Umstände

68 Entitiy Analyse weil der Kontext eine Rolle spielt Analysten stehen bei der Bereinigung und Pflege von Kundendaten regelmäßig einer Herausforderung gegenüber: Quasi-natürliche Schwankungen in Angaben Johannes Hans, Ursula Uschi, Christian C. Bürgermeister-Schmidt-Allee Bgm.-Schmidt-Straße oder auch manchmal absichtliche Fälschungen bzw. Lügen (Scheinidentitäten). Bei dieser Art der Datenaufbereitung geht es darum zu erkennen, daß mehrere Bezüge (aus einer Datenquelle oder auch über mehrere Datenquellen hinweg) die auf eine Person oder ein Objekt zielen, ein und die selbe Identität (Subjekt/Objekt) sind. Von großer Bedeutung ist hierbei zu erkennen, ob z. B. drei Transaktionen von drei verschiedenen Personen oder von einer einzigen in drei Variationen begangen wurden.

69 Entitiy Analyse weil der Kontext eine Rolle spielt Nach der Auflösung gleicher Identitäten (z. B. über Adress- und/oder Nummernerkennung) können weitere Beziehungsmuster scheinbar verschiedener Identitäten erkannt werden. Die im IBM SPSS Modeler eingesetzen Entity Analytics Technologien sind weit mehr als bloßes vergleichen und zusammenführen von Attributen, vielmehr werden Kontexte, Verhaltensmuster und numerische Informationen untersucht und zu Modellen zusammengeführt. Durch Sequenzneutralität, d. h. egal in welcher Reihenfolde die Merkmale untersucht werden, es kommt immer das selbe Ergebnis zustande und durch iterative Fehlerkorrektur wird eine größtmögliche Präzision der Vorhersage erreicht.

70 IBM SPSS Entity Analyse Untersuchungsgebiet Information im Kontext Entity Analyse Bessere Modelle Die Entity Analyse verbindet Kontext aus verschiedenen Quellen.

71 Beispiele für eine Entity Analyse

72 Im Jahr 2002 erfassen Sie eine Person/Identität Source A-701 (2002) Marc R Smith 123 Main St (713) DL: Identität wird als neu erkannt und klassifiziert Slide 72 of 81

73 Im Jahr 2003 erfassen Sie eine weitere B Identität Source A-701 (2002) Marc R Smith 123 Main St (713) DL: Source B-9103 (2003) Randal Smith DOB: 06/17/1974 (713) Identität erneut wird als neu erkannt und klassifiziert Slide 73 of 81

74 Im Jahr 2003 erfassen Sie eine C Identität Source A-701 (2002) Marc R Smith 123 Main St (713) DL: Source B-9103 (2003) Randal Smith DOB: 06/17/1974 (713) Source C-6251 (2004) Mark Randy Smith 456 First Street (713) DL: Diese Identität wird als bekannt identifiziert Slide 74 of 81

75 Sofort erkennt das System A ist B ist C Source A-701 (2002) Marc R Smith 123 Main St (713) DL: Source B-9103 (2003) Randal Smith DOB: 06/17/1974 (713) Source C-6251 (2004) Mark Randy Smith 456 First Street (713) DL: Sequenzneutralitätsregeln bedingen, daß beide Identitäten zusammengeführt werden Slide 75 of 81

76 Im Hintergrund erfolgt Kontextakkumulation 1 ELEMENT VALUE (FEATURE) ATTRIBUTION Names Marc R Smith A-701 Randal Smith B-9102 Mark Randy Smith C-6251 Address 123 Main St. A First Street C-6251 Phones (713) A-701 (713) B-9102 (713) C-6251 SSN A-701 DL A C-6251 DOB 06/17/1974 B-9103 Slide 76 of 81

77 Im Jahr 2005 wir eine weitere Identität erfaßt D Source A-701 (2002) Marc Source R SmithB-9103 (2003) 123 Randal Main Source StSmithC-6251 (2004) (713) DOB: 730 Mark 06/17/ Randy Smith (713) First 5577 Street DL: (713) DL: Source D-7214 (2005) Randy Smith Sr. 6/17/1934 (713) Diese Identität wird als bekannt identifiziert Slide 77 of 81

78 Sofort erkennt das System A ist C und B ist D Source A-701 (2002) Marc Source R SmithC-6251 (2004) 123 Main Mark St Randy Smith (713) First 5769 Street (713) DL: DL: Source B-9103 (2003) Randal Source SmithD-7214 (2005) DOB: Randy 06/17/1974 Smith Sr. (713) 6/17/ (713) Der Junior 1 3 Der Senior Sequenzneutralität* bedingt ein Aufsplitten der Identität Slide 78 of 81 * Sequenzneutralität bedeutet, das unabhängig von der Reihenfolge der Merkmalsnanlyse immer das selbe Ergebnis gefunden wird, das also die Reihenfolge keinen Einfluß aus das Ergebnis hat.

79 Entity Analyse macht den Unterschied: Know Now! EAS nutzt selbstkorrigierende/sequenzneutrale Technologien Im Moment der Beobachtung, unmittelbare Erkennung Einsatz von hoch effizienten Technologien (*) Sechs Monate vergehen, ohne daß bekannt ist das Mark Randy Smith auch Randal Smith ist Sechs Monate vergehen mit der falchen Annahme das Mark junior and Mark senior die selben Personen seien Wenn ein Unternehmen falsch liegt, dann... werden Kunden falsch behandelt werden Resourcen falsch eingesetzt werden möglicherweise gesetzliche Vorschriften ungewollt verletzt wird der Markenwert verringert bzw. gefährdet werden private und öffentliche Belange unnötigerweise beeinflußt (*Annahme: Jeder Datensatz kommt am 1. Januar an und die Datenbank wird alle 6 Monate aktualisiert) Slide 79 of 81