Samenvatting OM:
Literatuur:
- hoofdstukken: 2,4,6,7,8,11,13
- Verplicht lesmateriaal: framework van Erwin Hans
Chapter 2, Predictive Analytics:
- Elke dag moeten managers in de gezondheidszorg beslissingen nemen over de
dienstverlening zonder te weten wat er in de toekomst zal gebeuren.
- Voorspellende analyses stellen hen in staat op de toekomst te anticiperen en
dienovereenkomstig te plannen.
- Voorspellingen hebben twee primaire toepassingen: managers helpen bij de planning van
het systeem en ook bij de planning van het gebruik van het systeem.
- >De planning van het systeem zelf is op lange termijn: over de soorten diensten die moeten
worden verleend en het aantal daarvan, over de faciliteiten en de uitrusting waarover moet
worden beschikt enz.
- >De planning van het gebruikt van het systeem is de planning op de korte en middellange
termijn voor de bevoorrading en het personeelsbestand, de aankoop en de productie, de
budgettering en de planning.
- De onderliggende veronderstelling is dat gebeurtenissen uit het verleden zich zullen
voortzetten. Ook wordt ervan uitgegaan dat er fouten zullen optreden door de aanwezigheid
van willekeur en dat de werkelijke resultaten meer dan waarschijnlijk zullen verschillen van
de voorspelde resultaten.
- Tenslotte wordt algemeen aanvaard dat de nauwkeurigheid van voorspellingen afneemt
naarmate de tijdshorizon toeneemt.
Stappen in het proces van voorspellende analyses:
Vijf stappen:
1. Het doel van de voorspelling en de identificatie van middelen om de voorspelling uit te
voeren. -> geef aan hoe dringend de voorspelling nodig is en bepaal hoeveel middelen
kunnen worden verantwoord en welke mate van nauwkeurigheid nodig is. Meer bepaald is
de identificatie van een voorspellingsmetriek een essentieel onderdeel van het proces
2. De tijdshorizon-> beslis over de periode die door de voorspelling moet worden bestreken,
met in het achterhoofd dat de nauwkeurigheid afneemt naarmate de tijdshorizon toeneemt.
3. De selectie van een voorspellende analysetechniek->de selectie van een voorspellingsmodel
zal afhangen van de databank en de financiële middelen die in een organisatie beschikbaar
zijn, de tijdshorizon van de voorspelling, alsook van de complexiteit van het te onderzoeken
probleem
4. Het uitvoeren en voltooien van de voorspelling-> gebruik de juiste gegevens en maak de
juiste aannames met het best mogelijke voorspellingsmodel. In predictive analytics verwijst
het analyseren van geschikte gegevens naar (1) de beschikbaarheid van relevante historische
gegevens en (2) het herkennen van de variabiliteit in een gegeven dataset.
5. Het controleren van de nauwkeurigheid van de voorspelling -> kies zo nodig een andere
techniek die wel aanvaardbare resultaten oplevert.
Voorspellende analysetechnieken:
, - In zijn eenvoudigste vorm omvat predictive analytics oordelen, hetzij individuele of jury’s
van meningen.
Oordeelsvormende voorspellingen:
- Oordelende voorspellingen berusten op analyse van subjectieve input zoals meningen van
leidinggevenden, contracten, verzekeringen, consumentenonderzoeken, mentale
schattingen van de markt, intuïtie, meningen van buitenaf (consultants) en de meningen van
managers en personeel, alsmede schattingen van de health maintenance organization
(HMO), preferred provider organization, of point-of-service (POS) company.
- Voorbeelden van technieken om voorspellingen te doen zijn de Delphi-methode, een jury
van leidinggevenden en naïeve extrapolatie.
- De Delphi-methode, waarbij de mening wordt gevraagd van managers en personeelsleden
die over relevante kennis beschikken, wordt vaak gebruikt. Een reeks vragenlijsten wordt
verspreid onder een groep deskundigen, waarbij elke opeenvolgende vragenlijst wordt
ontwikkeld op basis van de vorige, ten einde een consensus te bereiken over een vraagstuk.
- De Delphi-methode is nuttig voor het voorspellen van technologische veranderingen en de
gevolgen daarvan; vaak is het doel te voorspellen wanneer een bepaalde gebeurtenis zal
plaatsvinden.
- Voordelen Delphi-methode: het bespaart kosten om vragenlijsten te gebruiken in plaats van
een vergadering van vele deskundigen. Bovendien helpt het isolement van elke deelnemer
het zogenaamde bandwagoneffect te elimineren, en aangezien de anonimiteit van elke
deelnemer wordt bewaard, zijn eerlijke antwoorden waarschijnlijk.
- Zwakke punten Delphi-methode: dubbelzinnige vragen kunnen leiden tot valse consesnus,
anonimiteit kan het gevoel van verantwoordelijkheid van de respondenten verminderen, en
panelleden kunnen veranderen als het proces veel tijd in beslag neemt. Ten slotte hebben
studies de nauwkeurigheid van Delphi-voorspellingen niet bewezen of weerlegd.
- Het jury of executive opinion model maakt gebruik van de consensus van een groep
deskundigen, vaak uit verschillende functionele gebieden binnen een organisatie in de
gezondheidszorg, om een voorspelling te ontwikkelen. Het verschilt van de Delphi methode
in zijn bereik, reikwijdte en tijdshorizon: er wordt meer advies ingewonnen bij de leden van
de gezondheidszorgorganisatie dan bij een externe bron, en de voorspelling kan veel minder
tij in beslag nemen. De deelnemers zijn veel meer geneigd om met elkaar te interageren
onder de jury van het model van leidinggevenden opinie.
- Een naïve extrapolatie houdt in dat een eenvoudige veronderstelling wordt gemaakt over de
economische uitkomst van de volgende periode, of een subjectieve extrapolatie van de
resultaten van de huidige events. Aan het andere eind van het voorspellingsspectrum staan
wiskundige en statistische technieken waarbij gebruik wordt gemaakt van historische
gegevens, de zogenaamde tijdsreeksen.
Tijdreekstechniek:
- Een tijdreeks is een opeenvolging van gelijkmatig verdeelde waarnemingen met regelmatige
tussenpozen gedurende een bepaalde periode (zoals om het uur, dagelijks, wekelijks,
maandelijks of jaarlijks).
- Voorspellingen op basis van tijdreeksgegevens veronderstellen dat toekomstige waarden
van de reeks kunnen worden voorspeld op basis van waarden uit het verleden.
- Analyse van een tijdreeks kan het gedrag van reeks vaststellen in termen van trend,
seizoensgebondenheid, cycli, onregelmatige variaties of willekeurige variaties.
,- De figuren 2.1 tot en met 2.3 illustreren deze veel voorkomende variaties in gegevens.
- Seizoensgebondenheid verwijst naar korte-termijn, relatief frequente variaties die over het
algemeen verband houden met factoren zoals het weer, vakanties en feestdagen;
gezondheidszorginstellingen hebben vaak te maken met maandelijkse, wekelijkse en zelfs
dagelijkse ‘seizoensgebonden’ variaties.
- Seizoensgegevens met maandelijkse variaties zijn weergegeven in figuur 2.1:
-
- Cycli zijn patronen in de gegevens die om de paar jaar voorkomen, vaak in verband met de
huidige economische omstandigheden. Dergelijke cycli vertonen vaak golvende kenmerken
die de conjuctuurcyclus nabootsen. Figuur 2.2
, -
- Onregelmatige variaties zijn pieken in de gegevens die worden veroorzaakt door verandering
of ongewone omstandigheden; zij weerspiegelen geen typisch gedrag en moeten waar
mogelijk worden geïdentificeerd en uit de gegevens verwijderd.
- Figuur 2.3 toont een willekeurige variatie in langetermijntrendgegevens.
Technieken voor gemiddelden:
- Historische gegevens bevatten gewoonlijk een zekere mate van ruis (willekeurige variatie)
die de neiging heeft patronen in de gegevens te verdoezelen.
- Willekeur is het gevolg van een veelheid van relatief onbelangrijke factoren die onmogelijk
met enige zekerheid kunnen worden voorspeld.
- De optimale situatie zou zijn de willekeurigheid volledig uit de gegevens te verwijderen en
alleen echte variaties over te houden.
- Middelingstechnieken vlakken een deel van de schommelingen in een gegevensreeks af;
afzonderlijke hoogte- en dieptepunten worden gemiddeld.
Literatuur:
- hoofdstukken: 2,4,6,7,8,11,13
- Verplicht lesmateriaal: framework van Erwin Hans
Chapter 2, Predictive Analytics:
- Elke dag moeten managers in de gezondheidszorg beslissingen nemen over de
dienstverlening zonder te weten wat er in de toekomst zal gebeuren.
- Voorspellende analyses stellen hen in staat op de toekomst te anticiperen en
dienovereenkomstig te plannen.
- Voorspellingen hebben twee primaire toepassingen: managers helpen bij de planning van
het systeem en ook bij de planning van het gebruik van het systeem.
- >De planning van het systeem zelf is op lange termijn: over de soorten diensten die moeten
worden verleend en het aantal daarvan, over de faciliteiten en de uitrusting waarover moet
worden beschikt enz.
- >De planning van het gebruikt van het systeem is de planning op de korte en middellange
termijn voor de bevoorrading en het personeelsbestand, de aankoop en de productie, de
budgettering en de planning.
- De onderliggende veronderstelling is dat gebeurtenissen uit het verleden zich zullen
voortzetten. Ook wordt ervan uitgegaan dat er fouten zullen optreden door de aanwezigheid
van willekeur en dat de werkelijke resultaten meer dan waarschijnlijk zullen verschillen van
de voorspelde resultaten.
- Tenslotte wordt algemeen aanvaard dat de nauwkeurigheid van voorspellingen afneemt
naarmate de tijdshorizon toeneemt.
Stappen in het proces van voorspellende analyses:
Vijf stappen:
1. Het doel van de voorspelling en de identificatie van middelen om de voorspelling uit te
voeren. -> geef aan hoe dringend de voorspelling nodig is en bepaal hoeveel middelen
kunnen worden verantwoord en welke mate van nauwkeurigheid nodig is. Meer bepaald is
de identificatie van een voorspellingsmetriek een essentieel onderdeel van het proces
2. De tijdshorizon-> beslis over de periode die door de voorspelling moet worden bestreken,
met in het achterhoofd dat de nauwkeurigheid afneemt naarmate de tijdshorizon toeneemt.
3. De selectie van een voorspellende analysetechniek->de selectie van een voorspellingsmodel
zal afhangen van de databank en de financiële middelen die in een organisatie beschikbaar
zijn, de tijdshorizon van de voorspelling, alsook van de complexiteit van het te onderzoeken
probleem
4. Het uitvoeren en voltooien van de voorspelling-> gebruik de juiste gegevens en maak de
juiste aannames met het best mogelijke voorspellingsmodel. In predictive analytics verwijst
het analyseren van geschikte gegevens naar (1) de beschikbaarheid van relevante historische
gegevens en (2) het herkennen van de variabiliteit in een gegeven dataset.
5. Het controleren van de nauwkeurigheid van de voorspelling -> kies zo nodig een andere
techniek die wel aanvaardbare resultaten oplevert.
Voorspellende analysetechnieken:
, - In zijn eenvoudigste vorm omvat predictive analytics oordelen, hetzij individuele of jury’s
van meningen.
Oordeelsvormende voorspellingen:
- Oordelende voorspellingen berusten op analyse van subjectieve input zoals meningen van
leidinggevenden, contracten, verzekeringen, consumentenonderzoeken, mentale
schattingen van de markt, intuïtie, meningen van buitenaf (consultants) en de meningen van
managers en personeel, alsmede schattingen van de health maintenance organization
(HMO), preferred provider organization, of point-of-service (POS) company.
- Voorbeelden van technieken om voorspellingen te doen zijn de Delphi-methode, een jury
van leidinggevenden en naïeve extrapolatie.
- De Delphi-methode, waarbij de mening wordt gevraagd van managers en personeelsleden
die over relevante kennis beschikken, wordt vaak gebruikt. Een reeks vragenlijsten wordt
verspreid onder een groep deskundigen, waarbij elke opeenvolgende vragenlijst wordt
ontwikkeld op basis van de vorige, ten einde een consensus te bereiken over een vraagstuk.
- De Delphi-methode is nuttig voor het voorspellen van technologische veranderingen en de
gevolgen daarvan; vaak is het doel te voorspellen wanneer een bepaalde gebeurtenis zal
plaatsvinden.
- Voordelen Delphi-methode: het bespaart kosten om vragenlijsten te gebruiken in plaats van
een vergadering van vele deskundigen. Bovendien helpt het isolement van elke deelnemer
het zogenaamde bandwagoneffect te elimineren, en aangezien de anonimiteit van elke
deelnemer wordt bewaard, zijn eerlijke antwoorden waarschijnlijk.
- Zwakke punten Delphi-methode: dubbelzinnige vragen kunnen leiden tot valse consesnus,
anonimiteit kan het gevoel van verantwoordelijkheid van de respondenten verminderen, en
panelleden kunnen veranderen als het proces veel tijd in beslag neemt. Ten slotte hebben
studies de nauwkeurigheid van Delphi-voorspellingen niet bewezen of weerlegd.
- Het jury of executive opinion model maakt gebruik van de consensus van een groep
deskundigen, vaak uit verschillende functionele gebieden binnen een organisatie in de
gezondheidszorg, om een voorspelling te ontwikkelen. Het verschilt van de Delphi methode
in zijn bereik, reikwijdte en tijdshorizon: er wordt meer advies ingewonnen bij de leden van
de gezondheidszorgorganisatie dan bij een externe bron, en de voorspelling kan veel minder
tij in beslag nemen. De deelnemers zijn veel meer geneigd om met elkaar te interageren
onder de jury van het model van leidinggevenden opinie.
- Een naïve extrapolatie houdt in dat een eenvoudige veronderstelling wordt gemaakt over de
economische uitkomst van de volgende periode, of een subjectieve extrapolatie van de
resultaten van de huidige events. Aan het andere eind van het voorspellingsspectrum staan
wiskundige en statistische technieken waarbij gebruik wordt gemaakt van historische
gegevens, de zogenaamde tijdsreeksen.
Tijdreekstechniek:
- Een tijdreeks is een opeenvolging van gelijkmatig verdeelde waarnemingen met regelmatige
tussenpozen gedurende een bepaalde periode (zoals om het uur, dagelijks, wekelijks,
maandelijks of jaarlijks).
- Voorspellingen op basis van tijdreeksgegevens veronderstellen dat toekomstige waarden
van de reeks kunnen worden voorspeld op basis van waarden uit het verleden.
- Analyse van een tijdreeks kan het gedrag van reeks vaststellen in termen van trend,
seizoensgebondenheid, cycli, onregelmatige variaties of willekeurige variaties.
,- De figuren 2.1 tot en met 2.3 illustreren deze veel voorkomende variaties in gegevens.
- Seizoensgebondenheid verwijst naar korte-termijn, relatief frequente variaties die over het
algemeen verband houden met factoren zoals het weer, vakanties en feestdagen;
gezondheidszorginstellingen hebben vaak te maken met maandelijkse, wekelijkse en zelfs
dagelijkse ‘seizoensgebonden’ variaties.
- Seizoensgegevens met maandelijkse variaties zijn weergegeven in figuur 2.1:
-
- Cycli zijn patronen in de gegevens die om de paar jaar voorkomen, vaak in verband met de
huidige economische omstandigheden. Dergelijke cycli vertonen vaak golvende kenmerken
die de conjuctuurcyclus nabootsen. Figuur 2.2
, -
- Onregelmatige variaties zijn pieken in de gegevens die worden veroorzaakt door verandering
of ongewone omstandigheden; zij weerspiegelen geen typisch gedrag en moeten waar
mogelijk worden geïdentificeerd en uit de gegevens verwijderd.
- Figuur 2.3 toont een willekeurige variatie in langetermijntrendgegevens.
Technieken voor gemiddelden:
- Historische gegevens bevatten gewoonlijk een zekere mate van ruis (willekeurige variatie)
die de neiging heeft patronen in de gegevens te verdoezelen.
- Willekeur is het gevolg van een veelheid van relatief onbelangrijke factoren die onmogelijk
met enige zekerheid kunnen worden voorspeld.
- De optimale situatie zou zijn de willekeurigheid volledig uit de gegevens te verwijderen en
alleen echte variaties over te houden.
- Middelingstechnieken vlakken een deel van de schommelingen in een gegevensreeks af;
afzonderlijke hoogte- en dieptepunten worden gemiddeld.
