3. Первые шаги – продажа
алгоритмов
1. Команда
2. Идея, лежащая в основе имеет мощную научную базу – успех
гарантирован!
3. Создаѐм библиотеку алгоритмов и продаѐм
4. Все счастливы!
4. Первые шаги – продажа
алгоритмов
1. Команда
2. Идея, лежащая в основе имеет мощную научную базу – успех
гарантирован!
3. Создаѐм библиотеку алгоритмов и продаѐм
4. Все счастливы!
Проблема:
- клиенты не мыслят категориями анализа данных
- клиентам не понятны отличия одной научной разработки от другой
научной разработки
Это поймут ок.10000 человек
Примерно 4 000 чел./час.
5. Второй шаг – нишевое решение
1. Ищем клиента (ННИИПК им. Е.Н. Мешалкина)
2. Вникаем в предметную область клинического и управленческого
процесса
3. Используя свои наработки создаѐм ИТ-продукт на рынке ИТ в
здравоохранении – рассчитываем на средства программы модернизации
здравоохранения (24 млрд.руб.)
6. Второй шаг – нишевое решение
1. Ищем клиента (ННИИПК им. Е.Н. Мешалкина)
2. Вникаем в предметную область клинического и управленческого
процесса
3. Используя свои наработки создаѐм ИТ-продукт на рынке ИТ в
здравоохранении – рассчитываем на средства программы модернизации
здравоохранения (24 млрд.руб.)
Проблемы:
- очень узкая специализация, нужны годы опыта и репутация среди
медиков
- клиент ≠ тот, кто платит
7. Крайности – нелѐгкий выбор
?
A BПродукт Услуга
Усилия
Научная
предметная
область
Алгоритм
ы
Обслуживание
потребностей
клиента
Время
специалист
а
8. Выводы
Проблема клиента – это то, за что он заплатит (за него заплатят).
Решать проблему клиента в комплексе (в т.ч. рутина, множество работы
никак не связанной с наукоѐмким ПО).
Всѐ в комплексе не обязательно делать самому, надо привлекать
партнѐров, более компетентных в отдельных вопросах
(документооборот, бизнес-процессы).
9. Третий шаг
1. Оказание услуг по анализу данных
(в терминах конкретной пользы из собираемых данных)
2. Не только собственные методы анализа данных
Баланс:
- продукт и/или услуга – зависит от заказчика
- выверенный бизнес-процесс позволяет прогнозировать стоимость,
риски
- кооперация (аренда и сдача в аренду сотрудников)
10. Баланс
Продукт Услуга
Разработка своего Использование чужого
Улучшение продукта Улучшение сервиса
Сосредоточение на алгоритмах Сосредоточение на проблемах
клиента
Самостоятельность Интеграция
Все доходы нам Доходы - субподрядчикам
Предметная область математики Предметная область клиента
Риски клиент несѐт сам Мы несѐм все риски по внерению
Если какие-то вещи мы можем сделать лучше, это ещѐ не повод их делать
11. Решения: анализ данных
(expasoft.ru)
1. Библиотека алгоритмов FRiS.NET (версия 4.0) – методология FRiS,
научная школа профессора, д.т.н. Н.Г. Загоруйко (ИМ СО РАН).
Использование: встраивание в программный код.
2. Программный комплекс ОТЭКС-Про – рабочая среда для разработки
новых алгоритмов анализа данных (по заказу ИМ СО РАН). Имеет
простой графический интерфейс.
3. Облачная платформа STOLP по решению задач анализа данных:
классификация, таксономия, заполнение пробелов, выбор
информативных признаков, прогнозирование. Использование: SOAP,
API.
4. Прогнозирование фракционного состава сырой нефти.
5. Прогнозирование экспрессии генов.
12. Решения: медицина (xpss.ru)
6. Облачный сервис по управлению потоком пациентов. Хостинг в
Microsoft Azure. Принятие управленческих решений по
перераспределению квот высокотехнологичной медицинской помощи.
(Планово-экономический отдел ННИИПК им. Е.Н. Мешалкина)
7. Веб-сервис по планированию госпитализации на основе оптимального
планирования ресурсов. (Планово-экономический отдел ННИИПК им.
Е.Н. Мешалкина)
8. Веб-сервис по калькуляции неперсонифицированных медикаментов и
отнесении их на конкретную медицинскую услугу. (Финансово-
аналитический отдел ННИИПК им. Е.Н. Мешалкина)
9. Проект «Фактический полный тариф» - расчѐт полной себестоимости
всех медицинских услуг. (НИИ Физиологии и фундаментальной
медицины СО РАМН)
13. Решения: анализ данных -
медицина
10. Услуга по построению модели прогнозирования операционных
осложнений при нейрохирургических операциях. (Лаборатория
клинической физиологии ННИИПК им. Е.Н. Мешалкина)
Благодарю за внимание!
Editor's Notes
Определить, какие из гистонных модификаций являются наиболее информативными.Выяснить, какие пики являются индикаторами уровня экспрессии.Построить интеллектуальные модели, вычисляющие прогнозируемое значение экспрессии по заданному пиковому профилю.