داشبوردهای سلامت برمبنای هوش تجاری

با توسعه روزافزون سامانه سلامت نگار نیاز به بکارگیری داشبوردهای مدیریتی برای مشتریان ایجاد گردیده است. شرکت تلاشگران جزیره رویا که پیشرو در ارائه سامانه های آماری و داشبوردهای مدیریت در کشور می باشد امکان دسترسی مشتریان به اطلاعات و گزارشات در قالب نرم افزار پاور بی ای را فراهم آورده است.

مقدمه

برنامه ریزان و تصمیم گیرندگان سطح بالا در بخش سلامت به اطلاعات و شواهد منسجم و تحلیل یافته سراسری برای حمایت از سیاست سلامت، برنامه ریزی و تصمیم گیری در حیطه های وسیع سلامت عمومی و نظام سلامت نیاز دارند. اطلاعات مربوط به گوناگونی های بین بخشی- که به مقایسه زمینه ها یا گروه های مختلف اجتماعی اقتصادی جمعیت می پردازند- پشتوانه ی یافته های مربوط به عدالت، تحلیل، نتیجه گیری ها و توصیه های سیاست محوراند. اطلاع داشتن درباره روندها و سناریوهایی که برای آینده پیش بینی شده است سبب تسهیل فرایندهای برنامه ریزی میشود؛ اطلاعات مرتبط با خطرات غیر منتظره، آسیب پذیری یا حوادث، نظام های اخطار دهنده و  اضطراری را فعال میکنند، به اقدامات به موقع سلامت برای پیشگیری و کنترل مؤثر موقعیت ها می انجامد و ساز و کارهای ضرور برای تضمین اجرای برنامه ها را در راستای هدف های اعلام شده به کار می گیرند.

برای آنکه اطلاعات بطور مطلوب بر مدیریت تاثیر گذارد باید تصمیم گیرندگان در هر نقطه ای از چرخه مدیریت از آن اطلاعات استفاده نمایند. مثال های این نقاط تصمیم گیری شامل تعیین وضعیت موجود، تعیین اولویتها و یا اجرای فعالیتهای برنامه ریزی شده می باشد.

اطلاعات در تمامی سطوح مدیریت نظام سلامت، از محیط تا ستاد حوزه سلامت بسیار حیاتی است. اطلاعات برای مدیریت بیماران یا گیرندگان خدمت، برای مدیریت واحدهای سلامت و به همان میزان برای برنامه ریزی و مدیریت نظام سلامت حیاتی است. این بدان معنا است که نه تنها سیاست گزاران و مدیران نیازمند استفاده از اطلاعات در تصمیم گیری‌ها هستند بلکه ارائه کنندگان خدمات همانند پزشکان، کارشناسان و کارکنان سلامت نیز به آن نیازمند خواهند بود. در غیر اینصورت، فرصت قابل توجه و مقرون به صرفه ای که به منظور راه اندازی و حفظ نظام اطلاعات سلامت وجوددارد، دچار مشکل می شود.

هوش تجاری

با پیشرفتهای صورت گرفته در ارتقای سلامت و افزایش امید به زندگی حوزه سلامت با چالشهای جدید و جدی روبرو شده است. توقع شهروندان از کیفیت خدمات از جمله خدمات سلامت تغییر یافته و در بسیاری از کشورها جزو یکی از ۵ استراتژی کلیدی ملی آنها قرار گرفته است. افزایش طول عمر هزینه های سلامت را به شدت تحت تاثیر قرار داده و همچنین رقابت در ارائه خدمات در حوزه سلامت (دولتی، خصوصی) خود به یک صنعت چالش برانگیز تبدیل شده است.

حجم داده های تولید شده در حوزه سلامت به صورت تصاعدی در حال افزایش است و تبدیل این داده ها به دانش و خرد و استفاده از آن برای ارتقای سطح سلامتی همراه با مدیریت بهینه هزینه ها، نیازمند راهکارهای نوین میباشد. یکی از این روشها تجزیه و تحلیل هوشمند داده ها و استفاده صحیح از هوش تجاری است.

هوش تجاری فرایندی تکنولوژی محور است که امکان پردازش و نمایش اطلاعات کاربردی برای اتخاذ تصمیمات مدیریتی – تجاری را فراهم مینماید. با توجه به مدل پیاده سازی، از هوش تجاری می‌توان برای تصمیات عملیاتی، مدیریتی و استراتژیک استفاده نمود.

باید توجه داشت که هنوز عامل انسانی به عنوان بهره بردار نهایی از هوش تجاری و تبدیل اطلااعات ارائه شده به خرد، در تصمیم گیری‌ها نقش کلیدی دارد. در تعریف هوش تجاری می توان گفت، به مجموعه مهارت ها و همچنین سیستم های کاربردی-تحلیلی گفته می شود که با جمع آوری، ذخیره سازی، تحلیل و دسترسی کارآمد، در تولید محصولات جدید و حل مسائل مهم به کار می رود. به بیان ساده تر هوش تجاری فرآیند بالا بردن کارایی سازمان به کمک داده های موجود در نرم افزار و در جهت تصمیم گیری مدیران و صاحبان کسب و کار می باشد.

نرم افزار هوش تجاری

نرم افزار هوش تجاری بر اساس تکنولوژی OLAP طراحی و با استفاده از تکنولوژی گردآوری عمیق تر داده ها توانایی تحلیل و به اشتراک گذاری اطلاعات را برای مدیران و کارشناسان  فراهم می آورد. از عمده مزایای نرم افزار هوش تجاری می توان به موارد زیر اشاره کرد :

برآورد وقایع آینده و تحلیل روند کاری

افزایش سرعت تصمیم گیری

استخراج و کشف روابط ناشناخته بین داده ها

ساده کردن فرآیندهای تصمیم گیری

فرآیند ETL

ETL مخفف Extract Transform and Load است که به معنای استخراج، پالایش و بارگذاری اطلاعات می‌باشد. از ETL در زمان ساخت انبار داده‌ها (Data Warehouse) استفاده می‌شود. فرایندی که به موجب آن اطلاعات از یک یا چند منبع مختلف جمع آوری، پالایش و در نهایت در انبار داده بارگذاری می‌شود.

Extract:

منظور استخراج داده از یک یا چند منبع مختلف است. پس از آنکه تحلیل و طراحی مدل Warehouse به پایان رسید، نوبت به بارگذاری داده‌ها در آن می‌رسد. اما بارگذاری داده‌ها تابع قوانین خاصی هستند و باید به آن‌ها توجه شود. ابتدا باید منابعی که قرار است اطلاعات آن‌ها را در Warehouse داشته باشیم شناسایی کنیم و پس از آن داده‌ها را در یک محیط واسط قرار دهیم. این عملیات می‌تواند توسط یکی از ابزارهای ETL و یا Stored Procedureها، Functionها و کوئری‌ها انجام گیرد.

منظور از محیط واسط یک بانک اطلاعاتی است که میان انبار داده‌ها و منابع داده قرار گیرد. دلیل استفاده از محیط واسط این است که معمولا داده‌های منبع نیاز به پالایش دارند که اولا این پالایش نباید در منبع داده‌ها انجام گیرد و دوما اطلاعاتی که در Warehouse بارگذاری می‌شوند باید به صورت پالایش شده باشد. باید در زمان استخراج، داده‌ها را از منابع مختلف جمع آوری و در یک محیط واسط قرار دهیم.

Transform

منظور پالایش داده‌های استخراج شده است. پالایش داده‌ها بسیار مهم است چرا که بعد از پالایش داده‌ها باید آن‌ها را در انبار داده بارگذاری کرد. برای این کار از یک محیط واسط که کم و بیش شبیه انبار داده است استفاده میشود. پالایش داده‌ها شامل موارد زیر است.

بررسی کیفیت داده‌ها (Verify data quality): کیفیت داده‌های جمع آورده شده چه از سامانه های سطح ۱ و چه سایر منابع داده های  به وسیله پرسش‌هایی از قبیل سوالات زیر مورد بررسی قرار می‌گیرند:

آیا داده‌ها کامل هستند (مواردی مورد نیازمان را پوشش می‌دهند)؟

داده‌ها صحیح هستند یا اشتباهاتی دارند؟ اگر اشتباه هستند علت اشتباهات چیست؟

آیا ارزش‌های گم شده در داده وجود دارد؟ اگر اینگونه است آن‌ها چگونه نمایش داده می‌شود؟ عموماً در کجا اتفاق افتاده است؟

تکنیک هایی که برای پالایش داده های گرده آوری شده در انباره داده وزارت بهداشت می توان مورد استفاده قرار داد شامل :

• پاک‌سازی داده‌ها (Clean data): بالا بردن کیفیت داده‌ها نیازمند انتخاب تکنیک آنالیز می‌باشد. این انتخاب شامل پاک کردن زیر مجموعه‌ای از داده‌های نامناسب و درج پیش‌فرض‌های مناسب می‌باشد.

• شکل دادن داده‌ها (Construct data): این قسمت شامل عملیات ویژه‌ای مانند تولید خصوصیت‌های مشتق شده، تولید رکوردهای جدید و کامل یا مقادیر تبدیل شده از خصوصیات موجود می‌باشد.

• ادغام داده‌ها (Integrate data): روش‌هایی وجود دارد که به وسیله آن اطلاعات از چند جدول ترکیب شده و رکوردهای جدید یا مقادیری جدیدی ایجاد می‌شود.

• قالب بندی داده‌ها (Format data): منظور از قالب بندی داده‌ها، تغییر و تبدیل قواعد اولیه داده موردنیاز ابزار مدل سازی می‌باشد.

Load:

آخرین کاری که در ETL انجام می‌گیرد بارگذاری داده‌های استخراج و پالایش شده از منابع مختلف در انبار داده‌ها است. معمولا در زمان بارگذاری در انبار داده تغییرات خاصی روی داده‌ها انجام نمی‌گیرد و آن‌ها بدون هیچ تغییری از محیط واسط در انبار داده‌ها بارگذاری می‌شوند.یکی از بهترین و قویترین ابزارها برای عملیات ETL، ابزار SSIS است که استفاده از آن سرعت و دقت در عملیات را بالا می برد.

پایگاه داده تحلیلی (Data Warehouse)

DWH یک سیستم کامپیوتری از اطلاعات است که به گونه‌­ای مناسب برای انجام عملیات گزارش­‌گیری و تحلیلی داده‌­ها بر اساس زمان، طراحی شده است. این سیستم اغلب به صورت جداگانه‌­ای از سیستم­‌های عملیاتی روزانه قرار می­گیرد.

هدف اصلی DWH ایجاد بستری مناسب برای تولید اطلاعاتی است که به Knowledge worker های سازمان (مدیران، عوامل اجرایی و تحلیلگران) برای اتخاذ تصمیم­‌های درست کمک می­کند. برای این منظور از DWH در تهیه گزارش­ها، اطلاعات تحلیلی، تعامل بلادرنگ با سیستم­‌های عملیاتی و Profiling استفاده می­شود.

با DWH می­توان در سازمان سیستم تصمیم‌­یار (Decision support) ایجاد کرد. اطلاعاتی که در  DWH نگهداری می­شود از آنچه در پایگاه‌­های داده نگهداری می­شود (که شامل اطلاعات جزیی و روزمره است) به مراتب مهم­تر و ارزشمندتر است. در DWH تمامی اطلاعات موجود در سازمان از ابتدا تاکنون به صورت یکپارچه و سازمان‌دهی شده نگه‌داری می­شود. در این مخزن اطلاعاتی، اطلاعات از تمامی منابع اطلاعاتی و در یک بازه زمانی طولانی جمع‌­آوری می­شوند و به این دلیل حجم اطلاعات بسیار زیاد است.

در DWH نیاز به سازماندهی مناسب اطلاعات و استفاده از روش‌­های مناسب دسترسی به اطلاعات وجود دارد. DWH با طراحی متفاوت خود به صورت چندبعدی (Multi dimensional) قادر است تمامی این موارد را در نظر بگیرد. برای مثال در اطلاعات نگهداری شده برای فروش، زمان فروش، ناحیه فروش، فروشنده و محصول به فروش رفته به عنوان ابعاد مختلف در نظر گرفته می­شوند. اغلب این بعدها حالت سلسله مراتبی (Hierarchical) دارند. مثلا ممکن است زمان فروش شامل تاریخ و ساعت فروش محصول باشد.

طراحی و استفاده از DWH به این صورت کاری پیچیده و زمان­بر است. به همین علت در بسیاری از موارد  از Data Mart استفاده می­شود.

ویژگی های اصلی DWH مورد نیاز :

• مبتنی بر موضوع
• یکپارچگی
• غیر قابل تغییر
• محدوده وسیع زمانی
• خلاصه شده
• حجیم
• نرمال‌­نشده

پایگاه‌ داده تحلیلی در واقع پایگاهی است که خروجی فرایند ETL در آن قرار می­گیرد. داده‌­های استخراج شده و منتقل شده در این پایگاه داده load می­شوند. قابل ذکر است که در پیاده سازی یک DWH می­توان از روش‌­های مختلفی استفاده کرد که استفاده از data mart ها یکی از آن است. بسته به نحوه پیاده‌سازی یک DWH میزان اهمیت خصوصیات فوق تغییر می­کنند.

دقت در خصوصیات مهم فوق نشان می دهد که آنچه در پیاده سازی و کارگیری یک DWH بیشتر مهم است، میزان توانایی آن در پاسخ گویی به query ها است و هزینه را بیشتر در بخش ایجاد و وارد کردن اطلاعات وارد می کنند تا هزینه زمانی کمتر و کارآیی بالاتری را در هنگام بازیابی اطلاعات به دست آورند. این نکته مهم در می تواند در معماری سیستم مورد درخواست بسیار مهم باشد.

Data Mart

بخشی از اطلاعات موجود در DWH در Data Mart نگهداری می شود. این اطلاعات بر حسب نیاز گروه‌هایی که در مورد نیاز وزارت بهداشت هستند انتخاب و استخراج می شوند. معمولا اطلاعات موجود درData Mart از یک DWH استخراج می شود. در مجموع می­توان گفت در یک Data Mart ایجاد شده برای یک گروه knowledge worker، اطلاعاتی وجود دارد که گروه مذکور، از لحاظ تحلیلی و محتوایی به آن نیاز دارند و این اطلاعات را می­توان به فرمت مناسب برای گروه مذکور نمایش داد. Data mart ها به سه صورت وابسته، منطقی و Operational Data Store (ODS) وجود دارند.

Data Mart وابسته: یک پایگاه داده فیزیکی است که ممکن است سخت افزار آن از سخت افزار DWH مجزا باشد و شامل زیرمجموعه های کوچکی از اطلاعات می شود.

Data mart منطقی: به صورت فیزیکی وجود ندارد بلکه یک view فیلتر شده از DWH است. این نوع Data Mart نیازی به حافظه اضافی ندارد و داده ها همیشه بروز هستند. البته در این نوع Data Mart زمان پاسخ دهی سیستم بیشتر خواهد بود.

لازم به ذکر است از Data Mart ها به صورت جداول ایندکس هم استفاده می­شود به این صورت که به جای آنکه اطلاعات سیستم در یک پایگاه اطلاعاتی مرکزی تکرار شود، اطلاعات سازمان تنها در منابع اطلاعاتی اولیه ذخیره می شوند و ایندکس هایی از اطلاعات ایجاد می شوند. در این ایندکس ها (که همان Data Martها هستند)، مشخص شده است که هر منبع اطلاعاتی شامل چه اطلاعاتی است و چگونه می توان اطلاعات مورد نظر را از آن استخراج کرد. به این روش، روش quick and dirty گفته می شود. زیرا در این روش Data Martها را می­توان به سرعت ایجاد کرد و از طرفی اطلاعات مانند روش قبل پاکسازی نمی شوند.

مهمترین نرم افزارهای هوش تجاری:

در حال حاضر ۱۲ نرم افزار برتر در حوزه هوش تجاری در دنیا مطرح هستند که شامل :

• Board
• Domo
• Dundas BI
• Google Data Studio
• Looker
• Microsoft Power BI
• Qlik
• Salesforce
• SAS
• Sisense
• Tableau
• Tibco

می باشند. یکی از قوی ترین نرم افزارها در این حوزه Power BI می باشد. در این نرم افزار از تکنیک های مختلفی بهره می برد که شامل:

• ETL
• Data Ware House
• OLAP
• داده کاوی (Data Mining)
• نرم افزارهای گزارش گیری
• On-Line Transaction Processing
• Intelligent Decision Support System
• Intelligent Agent
• Knowledge Management System
• Supply Chain Management
• Customer Relationship Management
• Enterprise Resource Planing
• Enterprise Information Management