Rzeczywiste przykłady analizy danych w biznesie
Analiza danych z uczeniem maszynowym (ML) staje się narzędziem transformacji przemysłu, pozwalając organizacjom na świadome podejmowanie decyzji, poprawiać wydajność procesów, redukować koszty oraz rozwiązywać skomplikowane problemy. Poniżej przedstawiono trzy prawdziwe przykłady w zastosowaniu ML w służbie zdrowia, branży produkcyjnej oraz w sektorze finansowym.
Służba zdrowia – przewidywanie ponownego przyjęcia pacjentów
Wyzwanie
Szpital ponoszą znaczące wydatki w sensie finansowym i operacyjnym z powodu ponownych przyjęć pacjentów. Dotyczy to słabych wyników pacjentów co również skutkuje często karami nałożonymi na szpital.
Rozwiązanie
Stosując analizę danych, szpitale mogą określić, którzy pacjenci wskazują wysokie ryzyko ponownego przyjęcia. Do analizy można przyjąć takie wskaźniki jak:
- historia leczenia,
- choroby współistniejące,
- plany leczenia,
- wskaźniki socjoekonomiczne.
Szpitale mogą definiować wzory, związane z ryzykiem ponownych przyjęć. Do tego celu można użyć algorytmów uczenia maszynowego, żeby powiązać pacjenta z wartością ryzyka.
Zalety
- lekarze mogą tworzyć specjalne plany leczenia dla osób z największym ryzykiem,
- zasoby mogą być alokowane w bardziej przemyślany sposób,
- ryzyko powrotu może zostać zredukowane co zmniejsza koszty i poprawia wyniki pacjentów i szpitala.
Przykład
Klinika Mayo używa analizy predykcyjnej w celu personalizacji opieki medycznej pacjentów oraz zapobiegania powtórnym przyjęciom. Oszczędność takiego rozwiązania to miliony dolarów rocznie. Szczegóły:
https://newsnetwork.mayoclinic.org/discussion/mayo-clinic-study-identifies-strategies-that-reduce-early-hospital-readmissions/
Branża produkcyjna – predykcyjne utrzymanie ruchu
Wyzwanie
Losowe awarię sprzętu mogą powodować zakłócenia w pracy linii produkcyjnych, skutkując dodatkowymi kosztami (konieczność uruchomienia dodatkowej zmiany, nadgodzin, konieczność organizacji specjalnego transportu i wiele innych).
Rozwiązanie
Producenci mogą używać analizy danych w celu predykcyjnego utrzymania ruchu. Analizując dane z czujników maszyn można:
- redukować awarię,
- redukować koszty,
- zwiększyć wydajność.
Przykład
General Electric (GE) używa swojego rozwiązania APM Cloud & Edge do monitorowania sprzętu i wdrożenia predykcyjnego utrzymania ruchu w swoich fabrykach na całym świecie. Szczegóły:
https://www.gevernova.com/software/products/asset-performance-management/cloud-edge
Sektor finansowy – detekcja defraudacji
Wyzwanie
Instytucje finansowe walczą z rosnącym zagrożeniem defraudacji. Detekcja takich aktywności w czasie rzeczywistym jest krytyczne w celu ochrony Klientów i minimalizacji straty
Rozwiązanie
Poprzez analizę danych pochodzących z transakcji instytucje finansowe mogą:
- identyfikować niestandardowe wzory zachowań takie jak nagły wzrost transakcji lub niespójność geograficzną,
- zbudować modele uczenia maszynowego, które sklasyfikują transakcje i określa, które z nich są podejrzane,
- oznaczą potencjalnie niebezpieczne transakcje do dalszej analizy.
Zalety
- zwiększone bezpieczeństwo, dzięki alertom w czasie rzeczywistym,
- zaufanie Klientów,
- redukcja kosztów poprzez minimalizację strat.
Przykład
PayPal posiada zaawansowane systemy analizy danych i modele uczenia maszynowego do monitorowania ponad 1000 transakcji na sekundę w celu detekcji i zapobiegania aktywnością defraudacji. Szczegóły:
https://www.paypal.com/us/brc/article/data-analytics-fraud-management
Podsumowanie
Analiza danych może być rewolucją w przemyśle poprzez rozwiązywanie skomplikowanych problemów oraz wdrażanie innowacji. W służbie zdrowie polepsza wyniki pacjentów i szpitali, w produkcji optymalizuje procesy, w finansach – zwiększa bezpieczeństwo. Ilość danych ciągle wzrasta – objętościowo i stopniem skomplikowania, dlatego też znaczenie analizy danych będzie tylko rosło pomagając w lepszy sposób zarządzać, optymalizować i zwiększać wydajność.
