當今，大多數醫療衛生機構用戶或其他行業的企業用戶正面對著不斷演進的技術格局、數據源的爆炸、數據分析價值的日益升高等重大轉變。為了應對這些變化，用戶應尋找自身的核心數據并充分釋放其價值。

首先是不斷演進的技術格局。數字技術蓬勃發展，無論是IT基礎設施還是到終端設備的創新都會引發出新的技術架構和商業模式。企業不僅要適應數據時代的高速運轉，還要從中敏銳地發現和抓住機會。

其次是數據源的爆炸。在大數據時代，數據的來源無論是深度還是廣度都大幅增加，比如，服裝業企業，分析成交單數、客單價，成交單數是進店人數乘以成交率，進店人數又是路過人數乘以進店率，那么路過人數、進店人數就屬于數據廣度，而詳細到每個訂單的時間、地點、價格、款式等等就屬于數據源的深度。把所有數據全部收集起來并提升數據源的深度與廣度才可以提升數據分析的維度，讓數據發揮更大價值。

再次是數據分析的價值日益增高。我們現在經常發現，有很多企業在競爭的過程中，最終不是被同行業競爭對手打敗，而是被很多跨行業的公司所打敗。很簡單的一個例子，大家都認為亞馬遜是做電商的，但這是錯的,它現在最主要的收入來自于云服務。也就是說，企業需要找到自己的核心數據并充分發揮其價值，這個是最關鍵的。

POC如何助力數據分析

我們不妨用維恩圖做一個數據驅動型商業模式圖，這些集合分別是“醫院有可能做什么”、“在實際中可以做什么”以及“希望實現什么”，這些元素是醫院決策者在做決定時所需要考慮的，然而沒有任何組織可以滿足所有利益相關者的所有需求，這意味著需要根據這個維恩圖中間的交集設定優先任務。確定在哪里做什么，需要業務和技術團隊的合作——我們已經看到不同利益相關者群體之間進行討論，利用這個模型在這個領域取得決策成功。

?

數據驅動型商業模式維恩圖

當決策者由此梳理出優先任務時，接下來可以用POC即概念驗證來推動這個任務。

概念驗證（Proof of concept，簡稱POC）是對某些想法的一個不完整的實現，以證明其可行性，示范其原理，其目的是為了驗證一些概念或理論。

比如說在汽車行業，對于一個汽車企業來說數據源是十分廣泛的。細分到客戶服務這樣的數據，車企一般都會與經銷商一起管理和解讀。隨著汽車行業的數字化進程，車企從關注客戶數據到后來也開始關注共享汽車甚至自動駕駛等商業模式。隨著數據分析方式的智能化，主動的數據采集被實時感知儀器所取代，這些數據漸漸的需要與機器學習和人工智能等高級功能一起收集，自動執行簡單的決策（例如低風險授權），執行更大的任務。

在很多情況下，組織決策者是不可能一開始就知道數據如何演變，采集數據的方式又會有何進步。在以上對數據進行認知的過程中，車企是希望擁有更多有價值的數據，對數據進行分析來開展業務。實際中車企可以提早引入數據分析，加強數據管理，并在實踐中不斷進行驗證。

這種概念驗證是很有必要的，它幫你了解業務運轉是否在正確的軌道上;?它與現代組織希望遵循的敏捷開發模式相適應;?它確保你不浪費時間在價值較小的想法上;?它幫助促進業務和技術團隊之間的信任。

從英特爾的角度來講，當客戶希望投資基礎設施，用于大數據分析和挖掘的時候，這是值得鼓勵并且是值得的，因為客戶的確能夠從技術投資中獲取價值。在今天復雜的市場環境中，正確的做法是，先證明投資的價值，再采取行動。

這就是我們為什么提倡在全力以赴實施具體分析戰略之前進行概念驗證演練（Proof of concept，簡稱POC）。概念驗證不僅僅是測試想法，還把利益相關者更緊密地團結起來并產生信任。

決定分析戰略就像走鋼絲并且有很多可能的路線。提前確定優先任務，并通過概念驗證進行測試，為醫療機構決策和數據分析戰略做好最充分的準備。

對數據分析的六個常見誤解

數據對于醫院用戶或者其他企業用戶的重要性不言而喻，擁有卓越的數據分析能力就擁有更大競爭優勢。然而很多用戶的決策者對數據分析仍然有一些誤解。

1、“為了部署像機器學習（ML）這樣先進的分析技術，我們必須購入新硬件和大量投資專用基礎設施?！?/span>

真相：部署高級的數據分析其實沒你想象中那么遙遠。?

比如，許多組織機構用戶已經擁有大量高級分析基礎設施，如工廠車間的大量傳感器。但如果沒有可用于分析的硬件，許多云服務提供商（CSP）也可提供現成的高級分析功能。利用這些資源運行一些試驗項目，并由此制定有效的使用案例，然后可以制定一個長期發展的路線圖，并清楚了解投入產出比。

2、“我們不需要像機器學習這樣的高級分析工具?！?/span>

真相：無論醫院或企業規模大小，每個用戶都需要高級分析。

很多醫院都在做數據分析，也不乏很多醫院還在用excel或者簡單的在線系統報告來做“數據分析”。真正的數據分析當然沒有這么簡單，但分析數據的第一步是要知道手中到底掌握什么數據，在分析之前就要組織好。

簡單的在線系統報告已經過時，要了解數據實時趨勢，使用當前數據來預測和影響明天，運用先進的機器學習和其他AI技術，更快速理解更多類型和更大量的數據。如AI技術可幫助企業在業務流程中自動處理文本和圖像信息，助力高效決策。

3，“我們有很多數據，但分析不起作用。”

真相：分析數據當然有用，但是分析的必須是有效的數據。

在高級數據分析項目中，經常會遇到這樣的抱怨：費功夫分析了這么大量的數據，最后得出的還是錯誤的結果？

這與數據的質量有關。在分析數據之前需要有效的方式來收集數據，并進行實時更新。AI和ML（機器學習）算法只能處理給定的數據，所以低質量的數據意味著低質量的結果。

4，“要做數據分析，我們需要聘請一批數據科學家！”

真相：遠在天邊，近在眼前。

不是每家醫院或企業都需要數據科學家，而了解業務需求和掌握有效數據對決策者才至關重要。聘請數據科學家可能會非常困難，特別是有特定產品或對專業知識要求極高的行業，如醫療衛生行業，但并不一定只有數據科學家才能有效發揮作用。借助一些數據分析工具或者開展一些專業培訓，在內部可能已經培養出了所需的專家。

另一種方法是讓業務人員直接運用數據分析工具，借助基于云的服務可以處理企業數據，并提供出展示洞察的算法，這可使業務專家轉變為數據專家。

5、“要去分析每一個數據”

真相：分析每一個數據是不可能的，也是不必要的。衡量什么是戰略才是至關重要的。

當醫院或企業用戶開始收集和整合數據時往往會遇到一個很大的誘惑——使用它的一切。但是這種方法可能會付出很大代價，而且大量不相關信息會對結果產生不利影響。所以數據分析要基于業務需求，可以設定可衡量的目標，并基于此目標開展數據分析工作。

6，“高級數據分析意味著企業需要雇用額外的IT人員?！?/span>

真相：現有團隊其實足以迎接挑戰。

對于一個組織來說，如果有自己的IT團隊，那么數據分析方面是有基礎的，也可能已經取得一些進展。數據分析最初更多是充分利用現有數據，在有數據分析能力的情況下，有機會吸引才華橫溢的IT專家。

另一種方法是盤點組織內部已有的數據分析能力，并與外部顧問（如行業分析師或供應商）合作，獲取其建議并開展相關培訓。如選擇內部開發算法，可通過FaaS模型（Function as a Service,功能即服務，是一種無服務器計算，是IaaS演進的下一個階段），將其提供給組織內的其他人，以最大限度地減少開發時間。

所以，無論醫療衛生機構用戶或企業用戶的規模是大是小，都應開展數據分析工作，數據分析也并非遙不可及，要激發自有IT團隊的能力，充分釋放數據價值，從而增強競爭力。