Analitik, karar almakla ilgilidir

Bir yönetici olarak, tahminler muhtemelen size oldukça doğal gelir, bu nedenle genellikle bir veri bilimcisinin makine öğrenimi ve AI becerileri ile daha iyi tahminler oluşturmasını istemeniz mantıklıdır. Makine öğrenimi uzmanlarınızın benzersiz becerilerinden daha iyi yararlanan alternatif bir yol olduğuna sizi ikna etmeye çalışacağım. Sadece bu değil, zaten tahminleriniz var ve muhtemelen bunları yapan uzman bir ekibiniz var. Tahminleriniz gerçekten kırılmadıkça, iki departmanın birbiriyle rekabet etmesini veya işi çoğaltmasını riske atmak istemezsiniz. Birkaç yıl önce, yetenekli bir veri bilimcisi ve yöneticilerinden biriyle çalışıyordum. Yönetici, bir tahmin, özellikle de küçük bir hastane grubu için daha iyi bir gece yatak sayısı istediğinden emindi. Hepimiz hemfikir olabiliriz, ne yataklardan daha fazla hasta ne de çok fazla boş yatak isteriz. Ancak, gerçekten ihtiyaç duyduğu şeyin makine öğrenimini kullanan alternatif bir tahmin olduğundan emin değildim. Ondan tahminle ne yapacağını özellikle açıklamasını istedim. Daha iyi bilgilendirileceğini ve belki de neler olup bittiğine dair bazı içgörüler elde edeceğini söyledi. İkna olmadım. Kulağa belirsiz geliyordu ve daha iyisini yapabileceğimizi biliyordum. Tahminler çoğunlukla uzun vadeli eğilimler ve mevsimsellik tarafından yönlendirilir; bu durumda, geceye karşı gündüz ve hafta sonu hafta içi olacaktır. Her zaman içeri girip çıkan gelgitle karşılaştırırım. Sadece bize herhangi bir şeyi tahmin etmek için çok fazla heyecan verici girdi değişkeni vermeyecekti. Hasta verilerini kullanmak istedim. Önemli olan, gerçek dünyadaki sorunumuzun doğasının ne olduğunu ve onu nasıl hafifletebileceğimizi belirlemekti. Beyaz tahtaya gittiğimizde ve bir yatağa planlanmamış bir ihtiyaç duyulmasının en yaygın nedenlerini belirlemeye çalıştığımızda, çoğu zaman acil servisten aynı gün yapılan bir transferdi. Dolayısıyla, her acil servis hastasına o gece yatağa ihtiyaç duyma risk puanı verseydik, her hasta hakkında, o günün ilerleyen saatlerinde planlanmamış bir yatağa ihtiyaç duyup duymayacaklarını tahmin etmemize yardımcı olacak yüzlerce değişkenimiz olurdu. Geleneksel makine öğrenimi teknikleri, bu küçük mikro kararları, bireysel düzeyde, tıpkı bunun gibi yapmakla ilgilidir ve diğer kararları yönlendirebilecek bir eğilim puanı olarak adlandırılan şeyi üretirler. Eğilim skoru, her hasta için bir yatağa ihtiyaç duyma riskini ölçecektir, her gün hakkında neredeyse bir tahmin değil. Bu şekilde, hastalar hakkında bildiğiniz tüm zengin ayrıntıları kullanabilirsiniz. Makine öğreniminiz ve AI ekip üyeleriniz için, bu onların ekmeği ve tereyağıdır ve bu konuda çok iyidirler. Geleneksel tahminler, günün saati veya tatil olup olmadığı gibi mevsimsel faktörlerle başa çıkmak zorunda kalır. Bu durumda, sadece yeterli olmayacaktı. Bu nedenle, muhtemelen iç müşteri rolünü oynayan bir yönetici olarak, hangi mikro karara ihtiyacınız olduğunu ve eğilim puanıyla ne yapacağınızı düşünün. Bu durumda, sabah acil serviste o gece yatağa ihtiyaç duyması muhtemel bazı hastalar varsa, programlanmamış hasta sayısıyla orantılı olarak, nöbetçi personelinizi bilgilendirerek o gece personelinizi artırırsınız. Bu özel hastanede, müdür her gün saat 11: 00'de hemşirelik müdürü ile bir araya geldi. Risk puanı belirli bir eşiğin üzerinde olan herhangi bir hasta için planlanan yatak sayısına bir ihtiyaç yatağı ekleyeceğiz. En güncel puan, toplantı için tam zamanında her sabah saat 10'da hesaplanabilir. Bu tür çalışmalardan 20 yıldan fazla bir süre sonra, orta ölçekli şirketlerdeki günlük sorunların% 80'inden fazlasının, eğilim puanları üreten geleneksel makine öğrenimi modelleriyle en iyi şekilde çözülebileceğini tahmin ediyorum.