Прогнозная аналитика в здравоохранении: сценарии и пилот
Прогнозная аналитика в здравоохранении полезна тогда, когда прогноз связан с конкретным решением: сколько слотов открыть, на какие направления направить рекламу, какой запас материалов держать или где ожидается рост неявок. Сам по себе график будущего не меняет работу клиники.
Для первого проекта не нужна универсальная модель на все процессы. Нужны одна задача, сопоставимые исторические данные, базовый сценарий без модели и правило, по которому результат будет принят или отклонён.
Что прогнозировать в клинике
Управленческие сценарии проще и безопаснее начинать с операционных и финансовых задач.
| Сценарий | Что прогнозируют | Какое решение принимают |
|---|---|---|
| Спрос на услуги | записи и состоявшиеся визиты по направлениям | расписание, смены и маркетинговый план |
| Загрузка врачей | занятые часы и свободные интервалы | доступность слотов и график специалистов |
| No-show | вероятность неявки в однородных сегментах | сценарий подтверждения записи и резерв свободных слотов |
| Выручка и деньги | оплаты по направлениям и сроки поступлений | план-факт и платёжный календарь |
| Материалы | расход на выполненные процедуры | закупки и страховой запас |
Клинические прогнозы требуют отдельного контура проверки, квалифицированной медицинской оценки и документированной ответственности. Управленческая BI-система не должна автоматически назначать лечение или подменять решение врача.
Какие данные нужны
Модель не исправляет расхождения между МИС, CRM и учётом. До пилота проверяют:
- одинаково ли определяется запись, визит, отмена и оплата;
- есть ли стабильный идентификатор пациента, записи или услуги;
- зафиксированы ли филиал, врач, направление и источник обращения;
- различаются ли плановое время, фактическое начало и завершение приёма;
- отмечены ли возвраты, переносы, дубли и технические записи;
- достаточно ли истории для сезонности и изменений расписания.
История должна быть сопоставимой. Если клиника поменяла МИС, правила записи или структуру услуг, период до изменения нельзя механически объединять с новым.
Базовый прогноз важнее сложной модели
Сначала создают простой baseline: значение прошлого сопоставимого периода, скользящее среднее или план руководителя. Затем новую модель сравнивают именно с ним. Иначе невозможно понять, стало ли решение лучше.
Для оценки используют не одну метрику.
- MAE — средняя абсолютная ошибка в исходных единицах: визитах, часах или рублях.
- WAPE — сумма абсолютных ошибок, делённая на сумму факта. Удобна для сравнения направлений разного размера.
- Bias — систематическое завышение или занижение прогноза.
- Управленческий эффект — уменьшились ли пустые слоты, срочные закупки или отклонение от плана.
Низкая математическая ошибка не гарантирует пользу. Прогноз может быть точным в среднем, но ошибаться именно в пиковые дни, ради которых его внедряли.
Пилот прогноза: от данных до сверки с фактом
1. Сформулировать решение
Пример: «каждую неделю определять число доступных часов по трём направлениям на следующие четыре недели». Формулировка «предсказывать спрос» слишком широкая.
2. Зафиксировать baseline
Сохраните текущий способ планирования, показатели периода и ограничения. Без этого пилот нельзя сравнить с прежним процессом.
3. Подготовить витрину данных
Согласуйте определения, обработайте отмены и дубли, отметьте изменения расписания. Исходные данные и правила преобразования должны оставаться проверяемыми.
4. Разделить периоды
Модель настраивают на одном периоде, а проверяют на другом. Нельзя оценивать качество на тех же данных, по которым подбирались параметры.
5. Запустить ограниченный контур
Выберите один филиал, направление или тип расписания. Руководитель видит прогноз, но сохраняет возможность принять другое решение и зафиксировать причину.
6. Сверить прогноз с фактом
Сравните ошибку с baseline и проверьте операционный результат. Если качество нестабильно, модель не масштабируют, а уточняют данные или саму постановку задачи.
Что чаще всего ломает проект
Слишком широкая цель. Одна модель не должна одновременно прогнозировать спрос, выручку, расход материалов и клинический риск.
Утечка будущих данных. В модель попадает признак, который становится известен только после события. На тесте результат выглядит высоким, в работе не повторяется.
Смена процесса. Новый филиал, тариф, врач или рекламная кампания меняют поведение. Прогноз нужно пересматривать после существенных изменений.
Нет владельца решения. Если никто не меняет расписание или закупку по результату, аналитика остаётся отчётом.
Нет плана отката. До запуска нужно определить, когда команда возвращается к baseline и кто принимает это решение.
Архитектура без лишней сложности
Для операционного пилота обычно достаточно четырёх слоёв: выгрузка из МИС/CRM, проверяемая витрина, расчёт прогноза и дашборд «прогноз — факт — ошибка». Облачная ML-платформа нужна не всегда. Иногда скользящее среднее с корректной сезонностью полезнее сложной модели.
Общий контур данных описан в материале BI-аналитика в медицине, а работу с расписанием — в статье об аналитике загрузки врачей. Если сначала нужно привести в порядок источники и определения, начните с BI-аналитики для клиник.
Итоговый чек-лист
- есть одно решение и владелец;
- определены горизонт и единица прогноза;
- зафиксирован baseline;
- данные прошли сверку;
- обучение и проверка разделены по времени;
- ошибка оценивается вместе с управленческим эффектом;
- есть критерий остановки и план отката;
- принятие клинических решений остаётся в зоне ответственности специалиста.
Ключевые выводы
- Прогноз должен отвечать на одно управленческое решение, а не пытаться предсказать всё.
- Модель сравнивают с простым базовым сценарием и фактом на отложенном периоде.
- MAE, WAPE и Bias показывают размер ошибки, относительную ошибку и систематическое смещение.
- Пилот получает владельца, критерии остановки, ручной контроль и план отката.
- Управленческий прогноз не заменяет диагностику и клиническое решение.
Частые вопросы
Основатель и CEO Data Metrics. В маркетинге более 10 лет. Прошёл путь от таргетолога до руководителя агентства — через него прошло более 50 компаний из медицины, e-commerce, B2B и образования. Основная экспертиза: performance-маркетинг в Яндекс.Директе и ВКонтакте, выстраивание отделов маркетинга с нуля, сквозная аналитика и управление рекламными бюджетами от 500 000 ₽/мес. Специализируется на медицинском маркетинге: стоматологии, многопрофильные клиники, частные медцентры. Спикер отраслевых конференций по маркетингу в медицине и e-commerce. Лично руководит стратегическими запусками для топ-клиентов агентства.
