Mga nadagdag:
- Kakayahang maunawaan ang mga konsepto ng time series, seasonality at trend at gumamit ng artificial intelligence na may mga tamang tanong at data para sa pagtataya ng demand ng pasyente
- Kakayahang bigyang-kahulugan ang kawalan ng katiyakan sa pagtataya (pagtitiwala sa pagitan, mga sitwasyon) at pagbabatayan ng pagpaplano sa isang hanay sa halip na isang numero
- Ang kakayahang makilala na ang hula ng artipisyal na katalinuhan ay batay sa makasaysayang data at ang paghuhusga ng dalubhasa ay nauuna sa mga kaso ng paglaganap tulad ng mga epidemya / kalamidad.
Ang pinakamahirap na tanong para sa isang administrador ng ospital ay tungkol sa hinaharap: "Ilang mga pasyente ang pupunta sa emergency room sa susunod na linggo? Magkano ang tataas ng kargamento ng klinika sa labas ng pasyente sa panahon ng winter flu? Ilang kawani ang magiging sapat sa panahon ng holiday?" Ang mga sagot sa mga tanong na ito ay hindi malinaw, ngunit hindi ganap na madilim. Ang nakaraan ay nagdadala ng mga pahiwatig sa hinaharap. Ang pagtataya ng demand ay ang pag-aaral ng paghula sa hinaharap na pasyente/trabaho sa pamamagitan ng pagtingin sa makasaysayang data. Sa unit na ito, matututuhan mo kung paano gumamit ng artificial intelligence sa pagtataya ng demand at – tulad ng mahalaga – kung paano pamahalaan ang kawalan ng katiyakan ng hula. Panuntunan ng hinlalaki: Ang hula ng AI ay batay sa mga nakaraang pattern; Ang paghuhusga ng dalubhasa ay nangunguna sa mga sitwasyon tulad ng mga epidemya, sakuna, at mga pagbabago sa batas.
Tatlong bahagi ng serye ng oras
Ang makasaysayang data ng demand ay tinatawag na time series — isang nakaayos na serye ng mga numero na sinusukat sa mga partikular na agwat (araw-araw, lingguhan). Upang maunawaan ang isang serye ng oras, kinakailangan na hatiin ito sa tatlong bahagi. Trend, pangmatagalang direksyon: tumataas o bumababa ba ang iyong emergency admission sa paglipas ng mga taon? Pana-panahon, regular na paulit-ulit na pagbabagu-bago: ang mga sakit sa paghinga ay tumataas sa taglamig, trauma/aksidente na pagtaas sa tag-araw, ang mga klinika ng outpatient ay walang laman tuwing Sabado at Linggo. Ang ingay/pagbabago ay hindi maipaliwanag na mga random na pagbabago. Nakukuha ng magandang hula ang trend at seasonality at hindi pinalalaki ang ingay. Tinutulungan ka ng AI na gawin ang paghihiwalay na ito; Ngunit ito ay ang iyong trabaho upang hatulan kung ano ang tunay na pattern at kung ano ang ingay.
Ang pinaka-kritikal na konsepto ay kawalan ng katiyakan. Walang pagtatantya ay isang solong tiyak na numero. Ang isang mahusay na pagtatantya ay nagbibigay ng isang saklaw: "Inaasahan namin sa pagitan ng 210 at 260 na mga pasyente sa emergency room sa susunod na Sabado, na ang pinakamalamang na halaga ay 235." Ang interval na ito ay tinatawag na confidence interval. Kung nagpaplano ka batay sa isang hanay sa halip na isang solong numero, magiging handa ka para sa parehong mababa at mataas na mga sitwasyon. Ang paniniwala sa mga kakaibang numero ay ang klasikong pagkakamali ng sobrang kumpiyansa na hula.
Mayroong praktikal na lohika sa pagpaplano ng espasyo: sa pangangalagang pangkalusugan, walang dalawang aspeto ng pagkakamali ang magkaparehong magastos. Kapag walang sapat na kawani at mataas ang pangangailangan, may panganib ng paghihintay, pagsisikip at kaligtasan ng pasyente; Ito ay isang mabigat na presyo. Kapag may labis na kawani at mababang demand, nangyayari ang mga idle na gastos; Ito rin ay hindi kanais-nais ngunit mas madaling pamahalaan. Samakatuwid, ang pagpaplano sa mahahalagang unit (emergency, intensive care) ay kadalasang ginagawa malapit sa itaas na dulo ng hanay (high scenario), ngunit may flexibility plan na maaaring maglipat ng labis na kapasidad sa isa pang unit. Ang pinakamahalagang bagay na ibinibigay sa iyo ng hula ay hindi ang eksaktong numero, ngunit ang kakayahang makita ang dalawang-daan na panganib na ito at pumili ng may kaalamang buffer.
Hakbang-hakbang: Pagtataya ng demand gamit ang AI
- Mangolekta ng sapat na makasaysayang data. Bilang ng hindi kilalang pang-araw-araw/lingguhang mga aplikasyon para sa hindi bababa sa isang buong taon, mas mabuti na 2-3 taon, upang makuha ang seasonality.
- Magdagdag ng konteksto. Markahan ang mga kilalang epekto gaya ng mga pista opisyal, kampanya, panahon, panahon ng epidemya; Kung hindi, iisipin ng AI na sila ay ingay.
- Mabulok. Hilingin sa AI na ibuod ang trend, seasonality, at hindi pangkaraniwang mga jump.
- Kumuha ng hula sa pagitan. Humingi ng mga hula na may mababa/malamang/mataas na sitwasyon, hindi iisang numero.
- I-convert sa kapasidad. I-convert ang tinantyang mga tauhan, kama at materyal na pangangailangan.
- Kontrol ng pagkasira. Kung mayroong isang kadahilanan sa abot-tanaw na hindi umiiral sa nakaraan, tulad ng isang epidemya, isang pagbabago sa batas, o pagbubukas ng isang bagong serbisyo, manu-manong iwasto ang hula gamit ang ekspertong paghuhusga.
Babala: Kung sasabihin mo sa AI na "hulaan sa susunod na taon" at hindi ito bibigyan ng data, bibigyan ka nito ng isang gawa-gawang numero. Ang hula ay makabuluhan lamang sa makasaysayang data na iyong ibinigay.
tatlong mini case
Kaso 1 — Paghahanda sa panahon ng trangkaso. Isang ospital ang nagbigay ng 3 taon ng hindi nakikilalang pang-araw-araw na data ng emergency admission sa YZ. Ipinakita ng YZ na ang mga aplikasyon ay tumaas ng average na 35 porsiyento sa pagitan ng kalagitnaan ng Disyembre at Pebrero bawat taon, na ang pinakamataas sa ika-3 linggo ng Enero. Ang pamamahala ay nagplano ng karagdagang mga shift ng doktor at nars sa panahon ng window na ito at pinarami ang stock ng mga bakuna laban sa trangkaso at mabilis na pagsusuri. Sa taglamig na iyon, ang mga oras ng paghihintay sa peak week ay bumaba nang husto kumpara sa nakaraang taon; dahil natugunan na ng kapasidad ang pagsisikip.
Kaso 2 — Sitwasyon sa halip na pagitan. Humingi ang isang business manager sa AI ng isang numero para sa kanyang "kagyat na aplikasyon sa susunod na Sabado": 240. Pagkatapos ay nagtanong muli siya nang may confidence interval: 205–275. Ginawa ng tagapamahala ang pagpaplano ayon sa 275 (mataas na senaryo), ngunit naghanda din ng nababaluktot na plano sa paglabas (paglilipat ng labis na tauhan sa ibang yunit) ayon sa 205. Ang aktwal na mga aplikasyon ay 262; Kung umasa siya sa isang solong numero, hindi siya nakaplano ng 22 mga pasyente. Ang pagtatrabaho sa pagitan ay nagpoprotekta sa kanya.
Case 3 — Ang breakout ay nakakagambala sa hula. Nagkaroon ng hindi inaasahang baha sa isang rehiyon. Ang hula batay sa makasaysayang data ay nagsabing "normal" para sa linggong iyon; samantalang ang mga pang-emergency na aplikasyon ay nadoble. Ang hula ng AI ay hindi makita ang break dahil ang naturang kaganapan ay hindi umiiral sa nakaraan. Ang crisis desk ay lumayo sa pagtataya at lumipat sa real-time na pagsubaybay sa aplikasyon at oras-oras na pag-update. Aral: sa structural rupture, ang nakaraan ay tumigil na maging gabay; nangunguna ang ekspertong paghuhusga at live na pagsubaybay.
Apat na maaaring kopyahin na mga template
1) Pagkabulok ng serye ng oras:
Ang iyong tungkulin: assistant sa hospital demand analyst. Nasa ibaba ang isang anonymous, 3-taong lingguhang listahan ng mga numero ng emergency admission. Gawain: (1) ibuod ang pangkalahatang kalakaran (pagtaas/pagbaba), (2) ilarawan ang pana-panahong pattern ayon sa buwan, (3) i-highlight ang anumang hindi pangkaraniwang paglukso. Matukoy ang pagkakaiba sa pagitan ng kung ano ang isang tunay na pattern at kung ano ang maaaring random na pagbabagu-bago. Pagdaragdag ng mga ginawang numero.
2) Pagtataya ng pagitan:
Batay sa data sa itaas, gumawa ng lingguhang pagtataya ng aplikasyon para sa emergency para sa susunod na 4 na linggo. HINDI isang solong numero; Magbigay ng hanay ng mababa / malamang / mataas para sa bawat linggo. Ipaliwanag nang maikli kung bakit ganoon kalawak ang saklaw.
3) Pag-convert sa tinantyang kapasidad:
Ang pagtatantya ng mataas na senaryo para sa peak week ay 275 admissions/day. Ang karaniwang pang-emerhensiyang doktor ay nakakakita ng ~35 pasyente bawat shift, isang nars ang nakakakita ng ~25. Gawain: kalkulahin ang minimum na bilang ng mga doktor at nars na kinakailangan sa mataas na senaryo, ipakita ang formula. Sabihin na ito ay isang pagpaplanong input at ang huling desisyon ay nasa tagapamahala.
4) Checklist ng babala sa pagbasag:
Maghanda ng checklist kung saan tatanungin ko kung may salik na WALA sa makasaysayang datos sa susunod na panahon: epidemya, pagbabago sa batas, pagbubukas ng bagong yunit, kaganapan sa rehiyon, lagay ng panahon/sakuna. Magdagdag ng tala para sa bawat item, "Kung gayon, paano ko manual na itatama ang hula?"
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Ilang pasyente ang darating sa susunod na buwan?
Walang data, walang mga yunit, walang kahulugan ng panahon; Makakagawa lang ng mga bagay ang AI.
Napakahusay na prompt:
Mayroon akong 3 taon ng hindi kilalang lingguhang data ng aplikasyon ng klinika para sa outpatient (nakalakip). Alam kong tumataas ang load sa mga buwan ng taglamig. Magbigay ng hula na mababa/malamang/mataas na hanay para sa susunod na 6 na linggo, ilarawan ang pana-panahong pattern ayon sa mga buwan, at ilista ang anumang mga salik na may bias na maaaring maging hindi kumpleto/nakapanlinlang ang hula.
konsepto
Anong ibig mong sabihin?
Epekto sa pagpaplano
uso
pangmatagalang direksyon
Permanenteng kapasidad na pamumuhunan
seasonality
Regular na pag-uulit
Pana-panahong karagdagang tauhan/stock
agwat ng kumpiyansa
Uncertainty band ng forecast
Mababa at mataas na plano ng senaryo
bali
pangyayaring hindi nangyari sa nakaraan
Itigil ang paghula, lumipat sa live na panonood
Mga karaniwang pagkakamali
- Naniniwala sa mga kakaibang numero. Ang pagtatantya ay isang saklaw; Ang pagpaplano batay sa isang punto ay mapanganib.
- Hindi sapat na data. Ang seasonality ay hindi maaaring makuha nang wala pang isang taon ng data.
- Hindi pagmamarka ng konteksto. Kung hindi mo tutukuyin ang mga pista opisyal at promosyon, mapagkakamalan silang ingay ng AI.
- Hindi pinapansin ang pagkasira. Sa panahon ng epidemya/sakuna, nakakapanlinlang ang nakaraang data.
- Mahuhulaang desisyon. Ang hula ay isang input; Ang mga desisyon sa mga tauhan at badyet ay pag-aari ng tagapamahala.
Tip: Ihambing ang iyong hula sa aktwal bawat buwan at panatilihin ang isang talaan ng "kung magkano ito off." Pinapabuti ng feedback na ito ang iyong hula at ang data na ibibigay mo sa AI sa paglipas ng panahon at itinuturo sa iyo kung gaano ka dapat magtiwala sa hula.
Sa buod
Ang pagtataya ng demand ay bumubuo ng isang tulay mula sa nakaraang data patungo sa hinaharap, ngunit ang tulay na ito ay hindi sigurado. Ang AI ay isang makapangyarihang tulong sa paghihiwalay ng time series sa trend, seasonality at ingay at paggawa ng interval forecast. Batay sa pagpaplano sa pagitan ng kumpiyansa, hindi isang solong numero; Maghanda para sa mababa at mataas na senaryo nang magkasama. Pinakamahalaga: ang mga nakaraang data ay hindi na magiging gabay sa mga oras ng pagkasira gaya ng mga epidemya, sakuna, at pagbabago sa batas; Doon mauna ang paghuhusga ng eksperto at real-time na pagsubaybay.
Gawain ng aplikasyon
Kung mayroon kang hindi bababa sa isang taon ng hindi kilalang lingguhang data ng sanggunian (kung hindi, bumuo ng hypothetical), tanungin ang AI para sa seasonal pattern at 4 na linggong pagtataya ng interval na may mga template na "Pagbubulok ng serye ng oras" at "Pagtataya sa pagitan." Pagkatapos ay ihambing ang pinakamalamang na mga halaga sa iyong rough average. Sumulat sa 5 aytem kung paano mo matutukoy ang isang breaking factor sa abot-tanaw (halimbawa, isang bagong pagbubukas ng klinika para sa outpatient) at manu-manong itama ang hula.
checklist
- [ ] Gumamit ba ako ng hindi bababa sa isang taon ng anonymous na data upang makuha ang seasonality?
- [ ] Namarkahan ko na ba ang mga konteksto gaya ng mga pista opisyal/kampanya?
- [ ] Nagplano ba ako nang may confidence interval sa halip na isang numero?
- [ ] Nasuri ko na ba ang breaking factors sa abot-tanaw?
- [ ] Isinasaalang-alang ko ba ang pagtatantya bilang input at ipaubaya sa manager ang desisyon?