Использование аудиторных данных (big data) в маркетинговой коммуникации на примере рынка Израиля

Хорошее здоровье является глобальным капитальным ресурсом и больше не может рассматриваться как результат только одного сектора. Устойчивое здоровье является продуктом многочисленных детерминант во всех частях жизни (включая окружающую среду, санитарию, факторы воздействия и образ жизни), а также совместные усилия во всех частях общества. Для достижения лучшего понимания детерминант здоровья, инновационных подходов к профилактике и уходу необходимы новые парадигмы для исследований и политики разработки. Основанная на данных наука и принятие решений, основанное на данных, является одним из наиболее перспективных способов ее достижения [2]. А потому маркетинговые исследования в Израиле стали применяться и к медицине [3]. В выпуске «TheEconomist» от февраля 2010 года представлена концепция «Потока данных» [4]. Возникающий в результате экспоненциальный рост количества данных намного превосходит возможности человека справляться с этим, так что данные в значительной степени неиспользованы.

Это справедливо для почти всех аспектов человеческой деятельности, таких как активность мобильных телефонов, мобильность, финансы и экономика, цепи поставок, данные об окружающей среде и т. д. Это справедливои в отношении здоровья, когда речь идет о данных о пациентах. Это также верно в знаниях, созданных людьми, и особенно в медицине. Число научных публикаций, индексированных в PubMed, превысило 22 миллиона в конце 2014 года [5] и продолжает расти быстрыми темпами. Ожидается, что BigData предоставит значительные преимущества для физических лиц, например, в персонализированной медицине, а также для систем здравоохранения. Следующее поколение систем здравоохранения должно будет использовать постоянно растущее количество сложных, многовариантных данных по всем аспектам детерминант здоровья, уходу за пациентами и результатам, которые начинают регулярно приобретаться и храниться на протяжении всей жизни каждого человека население. В 2005 году, в ответ на свои ранние результаты в книге «Попытка» [7] и «Пересечение качественной пропасти» [7], Институт медицины (МОМ) представил концепцию системы обучения в области здравоохранения на основе BigData.

Впоследствии эта концепция превратилась в более широкую концепцию учебной системы здравоохранения как экосистемы, где все заинтересованные стороны могут надежно, эффективно и эффективно вносить вклад, делиться и использовать данные для создания знаний и поддержки эффективного принятия решений, что приводит к улучшению результатов в отношении здоровья. Существует все большее число примеров граждан и пациентов, получающих преимущества от персонализированной медицины, например, в фармакогеномике [8]. Надежды и обещания значительно улучшить результаты в отношении здоровья и ухода, позволив разработать модели вероятностного здоровья для граждан и пациентов, открывающие двери для персонализированной медицины. Интеграция данных по пространственным масштабам, от молекулярного до уровня населения и по временным шкалам, от геномики до образа жизни, является одной из ключевых задач для использования этих массивных разрозненных наборов данных в области здравоохранения. Трудно найти инструменты, чтобы правильно характеризовать «bigdata» как основу для информирования медицины, и нет четких способов решения этой проблемы. Однако в не исчерпывающем подходе можно использовать пять измерений:

Степень, относится к числу лиц, количеству источников, количеству рассмотренных элементов. Взаимодействие, неприкосновенность частной жизни и то, как данные могут быть связаны между собой, связаны с проблемами, возникающими в связи с количеством элементов;

Глубина, показывает, насколько детально рассмотрены данные, сколько информации имеется для каждого элемента. Представление данных, моделей или семантики относится к числу поднятых задач;

Плотность — это пространство между элементами или количество связей между элементами или их данными;

Временная длина считается продолжительностью. Это одна из самых сложных задач. Большая аналитика данных обрабатывает большие объемы данных, генерируемых за короткое время, но также должна обрабатывать данные, сгенерированные в течение длительного периода времени. В последнем случае решаются проблемы обработки временной изменчивости семантики, эволюции набора данных, внешних факторов, влияющих на данные и т.

д .; Интерпретируемость — это тот факт, что данные могут быть использованы и насколько для требуемой цели иногда называются «действующими данными» по аналогии с геномикой. Это, наконец, реальная ценность данных и вопрос о «автономии» набора данных: насколько далеко все данные и знания необходимы для «действия» доступных данных. Кроме того, до какой степени все это будет доступно в автоматизированном формате. Однако такой подход, как и многие другие, требует наличия сбалансированного источника информации.

Например, при построении автоматического продвижения лечения с использованием медицинской литературы Bigdataстановятся той основой, которая обеспечивает, чтобы все отрицательные результаты были опубликованы и вознаграждены эквивалентно положительным результатам. В противном случае вероятностное обучение и, таким образом, поддержка принятия решений на основе крупных корпусов опубликованных документов будут систематически предвзятыми. Должны быть разработаны новые способы представления результатов, такие как описание охвата источников данных, его надежность и т. д., чтобы иметь возможность оценить вероятность правильности ответов и оценить прогнозируемую ценность результатов. На сегодняшний день в Израиле, где медицина не только востребована, но и является одним из важнейших спектров услуг, есть очень важные активы, особенно когда речь идет о данных в секторе здравоохранения. B igdataиграет огромную роль для продвижения информации и привлечения новых клиентов.

Небольшое количество крупных центров охватывает все население, а больницы также объединены в две основные группы: правительственные больницы (примерно половина), а также частные клиники (почти треть). Кроме того, частные клиники и больницы имеют долгую историю компьютеризированных записей. Из рассмотренных выше размеров bigdata этот актив является одним из самых богатых в мире в пяти измерениях: длина, глубина, плотность и временная длина. Последнее является ценным преимуществом: более чем 20-летняя история сбора данных о здоровье большинства заинтересованных сторон является ценным активом[14]. Тем не менее, наличие данных недостаточно, если оно не является применимым, и проблемы, о которых говорилось выше, должны быть решены. Приоритетом для решения является продвижения на основе данных, и должны быть предприняты серьезные усилия для содействия разработке и внедрению стандартов совместимости, особенно для объединения статистики для продвижения больниц. Это сопровождается необходимостью развивать компетенции в полной цепочке от генерации данных, захвата и кодирования до аналитики и, наконец, использования этого актива для использования системы здравоохранения и укрепления здоровья.

Это будет возможно только при сильных вмешательствах, смешающих нормативную базу, устойчивую поддержку и стимулы. Несмотря на то, что в Израиле есть ведущие ученые, стартапы и МСП в области «Bigdata», во многих других областях отсутствует глобальная осведомленность и компетенция.

Введение

темы в учебную программу специалистов по уходу, руководителей, лиц, принимающих решения, чтобы обеспечить привлекательность клиники по прежнему незначима. Это отсутствие глобального опыта может привести к серьезной проблеме в ближайшем будущем с учетом скорости эволюции поля.

Заключение

.

Чтобы получить весь потенциал, скрытый в огромных объемах доступных данных, есть множество проблем, которые необходимо решить. Они связаны гораздо больше, чем проблемы, присущие обычной области управления данными и аналитикой; они поднимают важные вопросы политики и регулирования, со сложными социальными, этическими, техническими и научными аспектами. Одним из интересных аспектов BigData является подключение данных из многочисленных источников. Поэтому он может создать своего рода виртуальный образ.

Эта характеристика уже используется во многих широко распространенных целях, таких как целенаправленный маркетинг, персонализированное ценообразование, оценка рисков для страховщиков и т. д. в области медицины. Это намного сложнее в области здравоохранения, но это является целью большинства текущих инициатив в этой области. Однако, когда дело касается здоровья, доверие к предоставляющей услуги компании является важным аспектом, и это означает, что граждане должны доверять всей системе. Доверие должно строиться на всех уровнях — от технических уровней, таких как безопасность, до управления и прозрачности использования данных, таких как управление согласия. Однако следует иметь в виду, что данные, имеющиеся у людей, все чаще способствуют раскрытию всех аспектов жизни, в том числе политических, религиозных, расовых, поведенческих и образных детерминант, и вызывают новые угрозы, которые потребуют новых ответов.

Список литературы

1. World Health Organization: Health 2020 — A European Policy Framework and Strategy for the 21st Century.

http://www.euro.who.int 2013.

2. Manyika JJ, Chui M, Brown B, Bughin J, Dobbs R, Roxburgh C, Hung Byers A: Big data: The next frontier for innovation, competition, and productivity. McKinsey Global Institute 2011.

http://www.mckinsey.com/insights/business_technology/big_data_the_next_frontier_for_innovation.

3. Vinker S, Bitterman H, Comaneshter D, Cohen AD. Physicians' behavior following changes in LDL cholesterol target goals. Isr J Health Policy Res. 2015;4:

20. doi: 10.1186/s13584−015−0016−9. [PMC free article] [PubMed] [Cross Ref]4. The Data Deluge. The Economist 2010.

5. Statistical Reports on MEDLINE®/PubMed®. U.S. National Library of Medicine 2014.

6. Institute of Medicine (US) Committee on Quality of Health Care in America: To Err Is Human: Building a Safer Health System. W ashington (DC): National Academies Press (US); 2000. [P ubMed]7.

I nstitute of Medicine (US) Committee on Quality of Health Care in America: Crossing the Quality Chasm: A New Health System for the 21st Century. W ashington (DC): National Academies Press (US); 2001. [P.

ubMed]8. M artin MA, Kroetz DL. A bacavir pharmacogenetics—from initial reports to standard of care. P harmacotherapy.

2013;33:765−775. doi: 10.1002/phar.

1278. [PMC free article] [PubMed] [Cross Ref]9. Doug Laney: 3D Data Management: Controlling Data Volume, Velocity, and Variety. Gartner’sblog 2001.

http://blogs.gartner.com/doug-laney/files/2012/01/ad949−3D-Data-Management-Controlling-Data-Volume-Velocity-and-Variety.pdf.

10. The Precision Medicine Initiative Cohort Program — Building a ResearchFoundation for 21st Century Medicine. National Institute of Health 2015.

11. Gonzalez A, Peres-Neto PR. Data curation: Act to staunch loss of research data. Nature. 2015;520:

436. doi: 10.1038/52 0436c. [P ubMed] [Cross Ref]12.

M artin LJ, Lee BE, Yasui Y. G oogle Flu Trends in Canada: A comparison of digital disease surveillance data with physician consultations and respiratory virus surveillance data, 2010−2014. E pidemiol Infect.

2015;2:1−8. [PubMed]13. O lson DR, Konty KJ, Paladini M, Viboud C, Simonsen L. R eassessing Google Flu Trends data for detection of seasonal and pandemic influenza: A comparative epidemiological study at three geographic scales. PL.

oSComput Biol. 2013;9:e1003256. doi: 10.1371/journal.pcbi.

1 003 256. [PMC free article] [PubMed] [Cross Ref]14. R osen D, Nakar S, Cohen AD, Vinker S. L ow rate of non-attenders to primary care providers in Israel — A retrospective longitudinal study. I.

sr J Health Policy Res. 2014;3:

15. doi: 10.1186/2045;4015−3-15. [PMC free article] [PubMed] [Cross Ref].