Beleidsinformatie id zorg

808 views

Published on

Business Intelligence in Healthcare - Guest lecture NVKVV

Published in: Health & Medicine
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
808
On SlideShare
0
From Embeds
0
Number of Embeds
26
Actions
Shares
0
Downloads
18
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Beleidsinformatie id zorg

  1. 1. BELEIDSINFORMATIE i/d ZORG van gegevens naar datawarehouse naar business intelligence 1 NVKVV OPLEIDING INFORMATIESYSTEEMVERPLEEGKUNDIGE 17/01/2014 Koen De Meester Adviseur Beleidsinformatie AZ Sint-Lucas Gent 18/01/2014
  2. 2. Inleiding 2 WAT IS BUSINESS INTELLIGENCE? 18/01/2014
  3. 3. Wat Gegevens  informatie 3  Informatie bestaat uit gegevens (synoniem: data) waar een betekenis aan is toegekend.  Strikt genomen staat in een boekwerk dan ook nooit informatie, maar slechts gegevens.  De betekenis die een lezer aan de gegevens toekent, vormen informatie voor die persoon.  “Gent” & “Oost-Vlaanderen” zijn gegevens, waar op zichzelf geen betekenis in zit. De betekenis die daar in wordt gelegd als in “Gent is de provinciehoofdstad van Oost-Vlaanderen” is informatie die gebaseerd is op die gegevens. 18/01/2014
  4. 4. Wat Gegevens  informatie 4  Informatie =  individueel relevante deel van hetgene een waarnemer (=de ontvanger) van binnengekomen (=ontvangen) gegevens maakt  hetgene dat aan de kennis van de waarnemer bijdraagt door het hebben van betekenis of nieuwswaarde waardoor het van belang is voor het handelen van de waarnemer.  Waarheid is perceptie!  Het is ontvanger die bepaalt wat op een bepaald moment wel of geen informatie is. 18/01/2014
  5. 5. Wat Gegevens  informatie 5 http://www.infogineering.net/data-information-knowledge.htm 18/01/2014
  6. 6. Wat Gegevens  informatie 6 18/01/2014
  7. 7. Wat Gegevens  informatie 7 18/01/2014
  8. 8. Wat Gegevens  informatie 8 18/01/2014
  9. 9. Wat Gegevens  informatie 9 18/01/2014
  10. 10. Wat Gegevens  informatie 10 18/01/2014
  11. 11. Wat Gegevens  informatie 11 18/01/2014
  12. 12. Wat Gegevens  informatie 12 18/01/2014
  13. 13. Wat Gegevens  informatie 13 18/01/2014
  14. 14. Historiek 14  „A Business Intelligence System' (Luhn, 1958)  Proces waarbinnen gegevens worden omgezet tot informatie, die vervolgens leidt tot kennis. The availability of documents in machinereadable form is a basic requirement of the system. Typewriters with paper-tape punching attachments are already used extensively in information processing and communication operations. Their use as standard equipment in the future would provide machine-readable records of new information. The transcription of old records would pose a problem, since in most cases it would be uneconomical to perform this job by hand. The mechanization of this operation will therefore have to wait until print-reading devices have been perfected. 18/01/2014
  15. 15. Doelstelling? 15  De belangrijkste doelstelling van BI binnen een organisatie is om geavanceerde kennis van zaken te leveren aan kenniswerkers en managers waardoor deze in staat zijn betere keuzes te maken die leiden tot succesvolle acties. 18/01/2014
  16. 16. Praktische betekenis? 16  Beleidsinformatie i/d zorg  Ziekenhuisdirecteur?  Dienstverantwoordelijke verpleegafdeling? 18/01/2014
  17. 17. Praktische betekenis? 17  Zeer verscheiden in te vullen  Afhankelijk gekozen doelstellingen  AZ Sint-Blasius Dendermonde  http://icuro.be/documents/conte nt/20121130PosterIcuro_Brenda DroesbekeAZSintBlasius.pdf  http://www.azsintblasius.be/over /jaarverslag/ http://icuro.be/documents/content/20121130PosterIcuro_BrendaDroesbekeAZSintBlasius.pdf 18/01/2014
  18. 18. 18 18/01/2014
  19. 19. 19 18/01/2014
  20. 20. Business Intelligence Life Cycle 20 18/01/2014
  21. 21. Business Intelligence Life Cycle 21 18/01/2014
  22. 22. Bronsystemen 22  Data in de context van BI  Representatie van een organisatie en haar omgeving bij de dingen, mensen, locaties, gebeurtenissen en de onderlinge relaties.  Bronsystemen  Operationele systemen binnen de organisatie  Referentiedatabanken buiten de organisatie   http://statbel.fgov.be/nl/statistieken/cijfers/ Separate registraties binnen en buiten de organisatie 18/01/2014
  23. 23. Bronsystemen OEFENING 23  Teken traject patiënt doorheen ziekenhuisverblijf  Welke bronssystemen?  Welke informatie? 18/01/2014
  24. 24. Bronsystemen OEFENING 24  Teken traject patiënt doorheen ziekenhuisverblijf  Welke bronssystemen?  Welke informatie? Masterdata : vaste begrippen  Ziekenhuisstructuur + patiënten- & artsinformatie  Transactionele data: interacties  veel + vluchtige data  Patiëntenbeweging  ADT (admission – discharge – transfer)  Medische gegevens MZG – EPD – OK – labo – apotheek – …  Financieel  Facturatie – boekhouding  Lokale registratie  bevallingen – kwaliteit – spoed – IZ …   HOE INFORMATIE HALEN UIT DIT KLUWEN…? 18/01/2014
  25. 25. Bronsystemen Bron van data, bron van ellende…? 25 18/01/2014
  26. 26. Bronsystemen Bron van data, bron van ellende…? 26 18/01/2014
  27. 27. Bronsystemen Bron van data, bron van ellende…? 27 18/01/2014
  28. 28. Bronsystemen Bron van data, bron van ellende…? 28 18/01/2014
  29. 29. Bronsystemen Bron van data, bron van ellende…? 29 18/01/2014
  30. 30. Bronsystemen Bron van data, bron van ellende…? 30  Transactionele databank & de gevolgen  Ontwikkeld om data te verzamelen   1 lijn per klant met alle informatie… Niet ontwikkeld om data te bevragen Traag, belastend voor productieomgeving  Nood aan data-integratie van aparte silo‟s + gevaar rapportvernietiging door wijzigingen in bronstructuur  Iedereen heeft eigen versie van de waarheid…  http://www.jdesource.com/business-intelligence/data-warehousing-in-lay-mans-term/ 18/01/2014
  31. 31. 31 18/01/2014
  32. 32. Business Intelligence Life Cycle 32 18/01/2014
  33. 33. Business Intelligence Life Cycle 33 18/01/2014
  34. 34. Concept v/h datawarehouse Definitie 34  « een data warehouse (datapakhuis) is het hart van de infrastructuur voor business intelligence »  « een data warehouse is een kopie van transactionele data die specifiek geordend is voor opvragen en analyse »  « een data warehouse is een informatiesysteem voor de analyse van geïntegreerde, historische data over een langere tijdsperiode » Prof. B. Sijnave - Management van informatie(systemen) -2009 18/01/2014
  35. 35. Concept v/h datawarehouse Definitie – William (Bill) Inmon 35  A subject-oriented, integrated, time-variant, non- updatable collection of data used in support of management decision-making processes  « een data warehouse is een onderwerp- georiënteerde, geïntegreerde en tijdsafhankelijke gegevensverzameling, die niet of nauwelijks aan verandering onderhevig is en die het besluitvormingsproces ondersteunt » Prof. B. Sijnave - Management van informatie(systemen) -2009 18/01/2014
  36. 36. Concept v/h datawarehouse Definitie 36  « een data warehouse is een onderwerp-georiënteerde, geïntegreerde en tijdsafhankelijke gegevensverzameling, die niet of nauwelijks aan verandering onderhevig is en die het besluitvormingsproces ondersteunt » (William (Bill) Inmon)    Gegevens in een DWH zijn opgeslagen volgens onderwerp (patiënt, kwaliteit, pathologie, verpleegeenheid, specialisme…) en niet per IT-systeem (facturatie, patiëntendossier, …) Focus op analyse, niet op data-input Elk systeem bevat slechts een partieel beeld over een onderwerp, data niet relevant voor beslissingsproces wordt geëxcludeerd Prof. B. Sijnave - Management van informatie(systemen) -2009 18/01/2014
  37. 37. Concept v/h datawarehouse Definitie 37  « een data warehouse is een onderwerp-georiënteerde, geïntegreerde en tijdsafhankelijke gegevensverzameling, die niet of nauwelijks aan verandering onderhevig is en die het besluitvormingsproces ondersteunt » (William (Bill) Inmon)  Gegevens uit verschillende heterogene databronnen (relational databases, flat files, on-line transaction records) worden samengebracht tot een coherent geheel met eenvormige definities en terminologie      Data cleaning + data integratie Eénduidige naamgeving en definities; zelfde eenheden; code-structuur  Verschillende types ziekenhuiscontacten, datumstructuren, tijdseenheden,… Alle data worden éénvormige geconverteerd indien binnengebracht in DWH Gegevens worden aan elkaar gerelateerd (relationship constraints) Eigenschappen van de gegevens (metadata) worden centraal opgeslagen en beheerd Prof. B. Sijnave - Management van informatie(systemen) -2009 18/01/2014
  38. 38. Concept v/h datawarehouse Definitie 38  « een data warehouse is een onderwerp-georiënteerde, geïntegreerde en tijdsafhankelijke gegevensverzameling, die niet of nauwelijks aan verandering onderhevig is en die het besluitvormingsproces ondersteunt » (William (Bill) Inmon)   Snapshots van de gegevens worden opgeslagen op verschillende tijdstippen als basis voor historische overzichten Een datawarehouse bevat vaak meer historische gegevens dan de originele bronsystemen, zowel over snel als over langzaam veranderende gegevens (typisch over een periode van 5 à 10 jaar) Prof. B. Sijnave - Management van informatie(systemen) -2009 18/01/2014
  39. 39. Concept v/h datawarehouse Definitie 39  « een data warehouse is een onderwerp-georiënteerde, geïntegreerde en tijdsafhankelijke gegevensverzameling, die niet of nauwelijks aan verandering onderhevig is en die het besluitvormingsproces ondersteunt » (William (Bill) Inmon)   Een DWH is een gerichte verzameling van gegevens Gegevens in een DWH zijn losgekoppeld van de processen en omgeving waarin ze zijn ontstaan Prof. B. Sijnave - Management van informatie(systemen) -2009 18/01/2014
  40. 40. Concept v/h datawarehouse Definitie 40  « een data warehouse is een onderwerp-georiënteerde, geïntegreerde en tijdsafhankelijke gegevensverzameling, die niet of nauwelijks aan verandering onderhevig is en die het besluitvormingsproces ondersteunt » (William (Bill) Inmon)   In principe zijn in DWH geen veranderingen aan opgeslagen gegevens mogelijk: de gegevens zijn niet-vluchtig (non-volatile) Gewijzigde waarden worden opgeslagen als een nieuw gegeven in tegenstelling tot operationele systemen waar nieuwe waarden oude overschrijven   Enkel zicht op huidige waarde (vb. Overschrijven adres na verhuis) Rapportage over gegevens uit DWH blijft reproduceerbaar Prof. B. Sijnave - Management van informatie(systemen) -2009 18/01/2014
  41. 41. Concept v/h datawarehouse Definitie 41  « een data warehouse is een onderwerp-georiënteerde, geïntegreerde en tijdsafhankelijke gegevensverzameling, die niet of nauwelijks aan verandering onderhevig is en die het besluitvormingsproces ondersteunt » (William (Bill) Inmon)    Gebruikers van DWH zijn geen IT-ers maar komen ‘business-side’ DWH heeft als doel om gerichter beslissingen te kunnen nemen, om beleid beter te kunnen voorbereiden, uit te tekenen en uit te voeren Design van DWH is specifiek om op performante wijze opzoekingen (queries) te doen in gegevens Prof. B. Sijnave - Management van informatie(systemen) -2009 18/01/2014
  42. 42. Concept v/h datawarehouse Operationele database >< Datawarehouse 42 Operationele database Datawarehouse Inhoud Huidige waarden, gedetailleerde gegevens Historische gegevens, geconsolideerde en geaggregeerde gegevens Reikwijdte Specifiek functioneel systeem Volledige organisatie Doel Ondersteuning dagdagelijkse operaties Informatievoorziening, rapportage en analyse Toestand Redundante en onvolledige gegevens Geïntegreerde, volledige gegevens Soort gegevens Dynamisch: gegevens wijzigen Voortdurend Statisch: gegevens blijven onveranderd opgeslagen Structuur Complex, geschikt voor operationeel gebruik Eenvoudig en eenduidig, geschikt voor analyse Gebruik Gericht op efficiëntie van transacties Gericht op effectiviteit van analyses Aanpasbaarheid Gegevens kunnen bijgewerkt worden Gegevens kunnen niet gewijzigd Prof. B. Sijnave - Management van informatie(systemen) -2009 18/01/2014
  43. 43. 43 18/01/2014
  44. 44. Business Intelligence Life Cycle 44 18/01/2014
  45. 45. ETL 45 18/01/2014
  46. 46. ETL 46 18/01/2014
  47. 47. ETL 47 18/01/2014
  48. 48. ETL proces 48 Extract Transfer Load 18/01/2014
  49. 49. ETL proces Extract 49 Capture = extract…snapshot nemen van de beperkt deel brondata en laden in DWH Statische extractie = snapshot van de bron op bepaald ogenblik in tijd Incrementele extract = waarnemen van de wijzigingen sinds laatste statische extractie 18/01/2014
  50. 50. ETL proces Extract 50 Scrub = data cleansing Datakwaliteit verbeteren door patroonherkenning etc… Fouten corrigeren: schrijffouten; ontbrekende/dubbele/inconsistente data; onmogelijke datums; incorrect veldgebruik Ook: decoding; herformatteren, tijdsstempel; conversie; … 18/01/2014
  51. 51. ETL proces Transform 51 Transform = omzetten van dataformaat operationeel systeem naar formaat DWH Record-level: Selection – data partitie Joining – data combinatie Aggregation – data samenvatting Field-level: Single-field – van 1 veld naar 1 veld Multi-field – meerde velden naar 1 of omgekeerd 18/01/2014
  52. 52. ETL proces Transform: single field 52 In general – some transformation function translates data from old form to new form Algorithmic transformation uses a formula or logical expression Table lookup – another approach 18/01/2014
  53. 53. ETL proces Transform: multi field 53 M:1 –from many source fields to one target field 1:M –from one source field to many target fields 18/01/2014
  54. 54. ETL proces Load 54 Load/Index= vullen van DWH met getransformeerde data en indexering Refresh mode: Volledig overschrijven van de DWH info op periodische intervallen Update mode: Enkel de wijzigingen in de brondata worden overgebracht naar DWH 18/01/2014
  55. 55. Metadata 55 18/01/2014
  56. 56. Metadata 56 18/01/2014
  57. 57. Metadata 57 18/01/2014
  58. 58. Metadata 58  Data over data…  Wat betekent data precies 1 waarheid  Voorbeelden: Gegevens over definities, eigendom, herkomst, betrouwbaarheid, recentheid, berekeningswijze, normen, vertrouwelijkheid,…  Gegevens over de betekenis van entiteiten en hun attributen, bij voorkeur in niet ambigue en begrijpelijke bewoordingen, al dan niet aangevuld met synoniemen of een thesaurus  Technische gegevens over tabellen, kolommen, indexen en relaties in de database of datamodel  Technische gegevens over de manier waarop gegevens uit bronsystemen worden getransformeerd, gecombineerd en verplaatst in DWH/datamarts  Beschikbare aggregaties/totaaltellingen  18/01/2014
  59. 59. 59 18/01/2014
  60. 60. Business Intelligence Life Cycle 60 18/01/2014
  61. 61. Architectuur v/h datawarehouse 61  1. Generic DWH Architecture  2. Independent Data Mart  3. Dependent Data Mart  4. Complimentary Data Mart  5. Dependent Data Mart and Operational Data Store  6. Logical Data Mart and @ctive Warehouse 18/01/2014
  62. 62. Architectuur v/h datawarehouse 1. Generic DWH Architecture 62 E T L 1 generiek organisatiebreed DWH Niet meest recente data – oplaadfase 18/01/2014
  63. 63. Architectuur v/h datawarehouse 1. Generic DWH Architecture 63  Voordelen  Optimale instellingsbrede integratie  Nadelen  Top down  Tijdsrovend, laat resultaat  Investeringskost  Invoering van datamarts  ~DWH, maar meestal met kleinere hoeveelheid gegevens en vaak ingericht voor specifiek doel 18/01/2014
  64. 64. Architectuur v/h datawarehouse 1. Generic DWH Architecture 64 Decision Support System 18/01/2014
  65. 65. Architectuur v/h datawarehouse 2. Independent Data Mart 65 E T L Aparte ETL voor elke independent data mart Complexe toegankelijkheid door verschillende data marts 18/01/2014
  66. 66. Architectuur v/h datawarehouse 2. Independent Data Mart 66  Independent / Alleenstaande / Stand-alone DM  DM is DWH op kleine schaal (voor bepaalde dienst of departement) gegevens in DM zijn enkel afkomstig van bepaalde dienst of departement; DM bevat weinig of geen algemene bedrijfsgegevens  Vooral gebruikt binnen sterk gedecentraliseerde organisaties (bv. voor specifieke onderzoeksgroepen die onderzoeksgeheimen bevatten)  Alleenstaande datamarts kunnen nooit een datawarehouse vervangen wegens verlies aan authenticiteit: multiple views of single truth i.p.v. multiple views of multiple truths 18/01/2014
  67. 67. Architectuur v/h datawarehouse 3. Dependent DM 67 E T L 1 ETL voor enterprise data warehouse (EDW) Eenvoudiger toegang Afhankelijke DM exclusief geladen vanuit EDW 18/01/2014
  68. 68. Architectuur v/h datawarehouse 3. Dependent DM 68  Dependent / Afhankelijke / Afgeleide / Derived DM  Uit organisatiebreed allesomvattend DWH worden één of een aantal DMs afgeleid  DM haalt data rechtstreeks en exclusief uit DWH  Laat eindgebruikers toe om direct op zeer performante manier gebruik te maken van gegevens in DM evenals van de meer gedetailleerde informatie in het DWH  Sterk gewaardeerde oplossing: voordelen van DM worden verbonden met kracht van DWH
  69. 69. Architectuur v/h datawarehouse 4. Complimentary DM 69 E T L Eenvoudiger toegang Complimentary DM hoofdzakelijk geladen vanuit EDW 18/01/2014
  70. 70. Architectuur v/h datawarehouse 4. Complimentary DM 70  Complimentary / Aanvullende DM  Organisatiebreed DWH wordt aangevuld met aantal DM om allesomvattend te zijn  DM haalt gegevens grotendeels uit DWH maar ook uit operationele systemen (of extern)  Interessant indien gegevens enkel relevant zijn voor één afdeling of dienst (bv. personeelsadministratie) maar wel moeten gerelateerd zijn aan DWH stamgegevens  Zelden toegepast wegens gevaar voor inconsistentie van gegevens tussen DM en DWH: gegevens in DM zijn meer gedetailleerd dan in DWH Prof. B. Sijnave - Management van informatie(systemen) -2009 18/01/2014
  71. 71. Architectuur v/h datawarehouse 5. Operational Data Store + Dependent DM 71 ODS maakt gebruik huidige data mogelijk E T L 1 ETL voor enterprise data warehouse (EDW) Eenvoudiger toegang Afhankelijke DM geladen vanuit EDW 18/01/2014
  72. 72. Architectuur v/h datawarehouse 5. Operational Data Store + Dependent DM 72  Operational data store (ODS):  An integrated, subject-oriented, updatable, current-valued, enterprise-wise, detailed database designed to serve operational users as they do decision support processing.
  73. 73. Architectuur v/h datawarehouse 6. Logical Data Mart and @ctive Warehouse 73 ODS & DWH zijn hetzelfde E T L Bijna real-time ETL DM geen aparte databases, maar logische views v/h DWH  Eenvoudiger nieuwe DM maken 18/01/2014
  74. 74. Architectuur v/h datawarehouse 6. Logical Data Mart and @ctive Warehouse 74  @active data warehouse: An enterprise data warehouse that accepts near-real-time feeds of transactional data from the systems of record, analyzes warehouse data, and in near-real-time relays business rules to the data warehouse and systems of record so that immediate actions can be taken in response to business events. 18/01/2014
  75. 75. Data model Meetwaarden en dimensies 75 18/01/2014
  76. 76. Data model Meetwaarden en dimensies 76  Meetwaarden / Feiten / Cijfers / Measures  Getallen die gerapporteerd kunnen worden Patiënten, ziekenhuiscontacten, opnames, transfers, ontslagen, uitgevoerde en/of gefactureerde prestaties, ligdagen, ingrepen, etc.  Feiten krijgen betekenis door te rapporteren in combinatie met gerelateerde dimensies   Dimensies / dimension  Nadere informatie over datgene waarop getallen betrekking hebben   Tijd, patiënt, arts, diagnose, pathologiegroep, behandeling, leeftijd, geslacht, verpleegeenheid… Bevatten attributen, die elk bepaald aspect van dimensie beschrijven  Attributen uit de tijd-dimensie : jaar, maand, week en dag. 18/01/2014
  77. 77. Data Model Hiërarchie / niveaus 77 Hammergren C. et al. 2009 - Datawarehousing for dummies; Slidesharenet 18/01/2014
  78. 78. Data Model Hiërarchie / niveaus 78 Forcea 18/01/2014
  79. 79. Data Model Granulariteit 79  Detailniveau van de feiten in een feitentabel.  Granulariteit/detailgraad van feitentabel  Transactioneel niveau : fijnst  Gearggregeerd : tot op wel niveau? Te bepalen Meer verfijnd – meer opties voor analyse  Meer verfijnd – meer dimensietabellen, meer rijen in feitentabel, zwaarder, minder performant  Hammergren C. et al. 2009 - Datawarehousing for dummies; Slidesharenet 18/01/2014
  80. 80. Data model Sterschema 80  Sterschema: multidimensioneel basisschema  Feitentabel  Dimensies 18/01/2014
  81. 81. Data model Sterschema: componenten 81 Fact table / Feitentabel kwantitatieve gegevens 1:N relatie tss dimensie- en feitentabel Dimension table / Dimensie tabel bevat beschrijvende data 18/01/2014
  82. 82. Data model Sterschema: voorbeeld 82 Fact table / Feitentabel voorziet statistieken mbt sales en dit opgedeeld naar dimensies product/period/store 18/01/2014
  83. 83. Data model Sterschema: voorbeeld 83 Fact table / Feitentabel voorziet statistieken mbt sales en dit opgedeeld naar dimensies product/period/store 18/01/2014
  84. 84. Data model Sterschema: beperkingen 84  Sleutels/keys in dimensietabellen zijn niet business gerelateerd en dus niet begrijpbaar voor eindgebruiker   Sleutels kunnen veranderen in tijd Moeten consistent zijn in lengte/formaat 18/01/2014
  85. 85. Data model Sneeuwvlok schema 85  Uitgebreide versie van sterschema, waarbij dimensie tabellen zijn genormaliseerd naar meerdere gerelateerde tabellen  Voordelen (Beperkt) minder opslagruimte  Door normalisatie beter onderhoud- & aanpasbaar   Nadelen Schema minder intuïtief  Queries minder performant door groter aantal joins/verbindingen  18/01/2014
  86. 86. Data model Sneeuwvlok schema 86 time time_key day day_of_the_week month quarter year item Sales Fact Table time_key item_key branch_key branch location_key branch_key branch_name branch_type units_sold dollars_sold avg_sales Measures item_key item_name brand type supplier_key supplier supplier_key supplier_type location location_key street city_key city city_key city province_or_street country 18/01/2014
  87. 87. Data model Multiple fact tables 87  >1 feitentabel in het midden van sterschema  2 Feitentabellen   Sales + Receipts Gezamelijke dimensie  Date 18/01/2014
  88. 88. Data model Factless facttables / Feitenloze feitentabel 88  Feitentabel bevat buiten key‟s geen andere gegevens  Opvolgen/opsporen events (occurrences)  Inventariseren van mogelijke voorvallen (coverages) Occurence Coverage 18/01/2014
  89. 89. Ziekenhuisdatawarehouse Forcea Healthreport – modules 89 Forcea 18/01/2014
  90. 90. Ziekenhuisdatawarehouse 90  Hoe ver kan / moet / wenst de instelling te gaan?  Generieke ontwikkeling Basis-modules  Toeters en bellen…   Instellingsspecifieke ontwikkeling Interne BI-cel en/of IT-dienst  Externe consultants   Wat als data niet aanwezig is in datawarehouse?  “Bronloze” gegevens Forcea 18/01/2014
  91. 91. 91 18/01/2014
  92. 92. Business Intelligence Life Cycle 92 18/01/2014
  93. 93. Business Intelligence Life Cycle 93 18/01/2014
  94. 94. Querying & reporting 94  Traditionele benadering van data-analyses  Op ogenblik van vraagstelling (ad hoc of structureel rapport) wordt data bevraagd met behulp van query  Formattering van resultaat in rapport (ad hoc / sjabloon)  Meestal via standaard procedure: 1. Vraag tot rapport 2. Ophalen resultaat 3. (Beperkte) manipulatie van de data  4. 5. Samenvatten; totaliseren; herordenen,… Formatteren van de data Aanbieden rapport  1-malig of regelmatig Hammergren C. et al. 2009 - Datawarehousing for dummies 18/01/2014
  95. 95. Querying & reporting SQL (Structured Query Language) 95  ANSI/ISO-standaardtaal voor een relationeel databasemanagementsysteem (DBMS)   Bevragen en aanpassen gegevens in relationele gegevensbank Initieel ontwikkeld als vraagtaal voor eindgebruiker  gebruik van SQL impliceert volledige kennis van de structuur van de te ondervragen gegevensbank  te complex!  Voorbeeld:  SELECT *  FROM tblKlanten  WHERE tblKlanten.krediet < 0; Hammergren C. et al. 2009 - Datawarehousing for dummies; WIKEPDEDIA 18/01/2014
  96. 96. Querying & reporting Tools 96  Functionaliteiten  Aanmaken standaard rapporten M.b.v. data uit datawarehouse, operationele databases (of kopie)  Herhalend op regelmatige basis  Statisch  Taakbelastend  One version of the truth…  Hammergren C. et al. 2009 - Datawarehousing for dummies 18/01/2014
  97. 97. Querying & reporting Tools 97  Functionaliteiten  Lijsten Hammergren C. et al. 2009 - Datawarehousing for dummies 18/01/2014
  98. 98. Querying & reporting Tools 98  Functionaliteiten  Kruistabellen Hammergren C. et al. 2009 - Datawarehousing for dummies 18/01/2014
  99. 99. Rapporteringskeuzes 99  Op papier  Statisch elektronisch  Dynamisch elektronisch  Wie mag wat zien?  Distribueer je data of rapporten?  Kan de gebruiker er ook zelf iets mee doen?  Kan je distibutie automatiseren? 18/01/2014
  100. 100. Statisch rapport Hoe voorstellen 100  Evolutie  Absoluut (Δn)  idee werkelijke grootte, impact op totaal  Procentueel (Δ%) belang i.f.v. eigen positie  Bij voorkeur gewogen waarde  Vergelijkbaar maken van resultaten  Gezamenlijke noemer (ligdagen, activiteitsdagen, FTE)  Het plaatsen van een meting in zijn perspectief Patiëntidentificatie  Decubitus  Tevredenheid…  18/01/2014
  101. 101. Statisch rapport Statistiek: enkele basisbegrippen 101  Gemiddelde  Mediaan  Kwartiel  Percentiel  Standaarddeviatie http://www.let.leidenuniv.nl/history/RES/stat/html/excel_be.html 18/01/2014
  102. 102. Statisch rapport Veel gebruikte dimensies 102  Tijdsdimensie  Dag; Week; Maand; Kwartaal; Semester Zeer herkenbare referentieperioden  Impact weekend, vakantie- en brugdagen bij kleine referentie   Jaar tot Datum (YTD / JTD) Boekhoudkundig begrip, werken naar jaarresultaat  Weinig relevant gedurende eerste kwartaal   Voortschrijdend Jaar / Rolling Year / Moving Year (12M) Uitvlakking seizoensschommelingen  Abstract gegeven   Voortschrijdend Gemiddelde 18/01/2014
  103. 103. Statisch rapport Veel gebruikte dimensies 103  Activiteitencentrum  Kenletter  Specialisme – Medisch Technische Dienst  Verpleegeenheid Verhuisbeweging?  Contingentering?  18/01/2014
  104. 104. Visualisatie 104  Lijngrafiek met seizoensschommelingen  Zwevend gemiddelde  Pie chart / Taartdiagram  Verdeling over specialismen; afdelingen + Totale taart = 100%  – Inschatting grootte v/d spie  – Onderscheid tussen de spiën  Nood aan legende   Bubble chart / Bellengrafiek  % evolutie over 2 jaar, belang activiteitencentrum 18/01/2014
  105. 105. OEFENING Draaitabellen in Excel 105  Draaitabellen in Excel  Boordtabel operatieomgeving 18/01/2014
  106. 106. 106 18/01/2014
  107. 107. Business Intelligence Life Cycle 107 18/01/2014
  108. 108. OLAP (online analytical processing) Business Analysis 108  Interactief analyseren van gegevens i/h DWH  Data doorgaans voorgesteld als en gemanipuleerd in kubussen  multidimensionele matrices / spreadsheets  Analyse vs. Rapportering Rapport = antwoord op 1 specifieke vraag  Hoeveel klassieke hospitalisaties voor een bepaalde campus  Analyse = zoeken verklaring voor een business vraag via relaties tussen gegevens  Wat verklaart de daling in de klassieke hospitalisaties  Hammergren C. et al. 2009 - Datawarehousing for dummies; Slidesharenet; Forcea 18/01/2014
  109. 109. OLAP (online analytical processing) Business Analysis 109 Forcea 18/01/2014
  110. 110. OLAP Kubus vs. DWH 110 Forcea 18/01/2014
  111. 111. OLAP-functionaliteiten 111 Hammergren C. et al. 2009 - Datawarehousing for dummies; Mucksch et al. 1998 - Das Data Warehouse-Kozept,. 18/01/2014
  112. 112. OLAP-functionaliteiten Slicing 112  Afzonderen van 1 data”schijf” binnen kubus  Selectie van 1 waarde in 1 van de dimensies  Creëren van kleinere kubus met minder dimensies Hammergren C. et al. 2009 - Datawarehousing for dummies; Wikipedia 18/01/2014
  113. 113. OLAP-functionaliteiten Dicing 113  Aanmaken van een deelkubus  Selectie meerdere waarden binnen 1 of meer dimensies Hammergren C. et al. 2009 - Datawarehousing for dummies; Wikipedia 18/01/2014
  114. 114. OLAP-functionaliteiten Drill Down/Up 114  Navigeren (down/up) tussen hiërachiën  Up: naar meest geaggregeerde/samenvattende  Down: naar hogere graad van detail Hammergren C. et al. 2009 - Datawarehousing for dummies; Wikipedia 18/01/2014
  115. 115. OLAP-functionaliteiten Pivot 115  Meetwaarden vanuit andere invalshoek bekijken  Rotatie van de kubus Hammergren C. et al. 2009 - Datawarehousing for dummies; Wikipedia 18/01/2014
  116. 116. OLAP Types 116 OLAP ROLAP MOLAP HOLAP WOLAP andere DOLAP Hammergren C. et al. 2009 - Datawarehousing for dummies; Slidesharenet MOLAP SOLAP 18/01/2014
  117. 117. OLAP Types 117  MOLAP - Multidimensioneel  Traditionele benadering; data bewaard in multidimensionele kubus en niet in de relationele database  Voordelen:  Performantie • MOLAP kubussen zijn gebouwd om snel data op te halen en geoptimaliseerd voor slicing / dicing  Laat complexe berekeningen toe (binnen korte tijd) • Alle berekeningen voorbereid in de kubus  Nadelen:  Beperkt in hoeveelheid data gezien alle berekeningen in kubus gebeuren • Grote data-sets  enkel geaggregeerde gegevens in kubus  Bijkomende investering • Software: kubus technologie heel specifiek en (vaak) via specifieke en betalende software • Personeel & opleiding Hammergren C. et al. 2009 - Datawarehousing for dummies; Slidesharenet 18/01/2014
  118. 118. OLAP Types 118  ROLAP – Relationeel  Data gemanipuleerd in relationele database, zodat ze voor eindgebruiker ogenschijnlijk benaderd worden via OLAP met slicing/dicing functionaliteit  SQL – slice & dice m.b.v. "WHERE" clausule  Voordelen:  Grote databanken kunnen eenvoudig bevraagd worden • Capaciteit is “beperkt” tot die van onderliggende relationele database • ROLAP zelf heeft geen capaciteitsbeperking  Disadvantages:  Relatief traag, zeker bij grote databanken • Elk ROLAP rapport is opeenvolging van SQL queries in relationele databank  Beperkt door SQL functionaliteiten • Complexe berekeningen zijn vaak moeilijk met SQL  Leveranciers voorzien vaak al zowel voorbereide queries voor complexe berekeningen als vrijheid om zelf queries te ontwikkelen Hammergren C. et al. 2009 - Datawarehousing for dummies; Slidesharenet 18/01/2014
  119. 119. OLAP Types 119  HOLAP – Hybrid  Best-of-both-worlds   MOLAP technologie voor samenvattende informatie via kubussen ROLAP naar onderliggende relationele database voor verdere specificaties en detail  “drill through” Hammergren C. et al. 2009 - Datawarehousing for dummies; Slidesharenet 18/01/2014
  120. 120. OLAP Types 120 Hammergren C. et al. 2009 - Datawarehousing for dummies; Slidesharenet 18/01/2014
  121. 121. OLAP Types 121 Hammergren C. et al. 2009 - Datawarehousing for dummies; Slidesharenet 18/01/2014
  122. 122. OLAP Types: andere 122  WOLAP (Web-enabled OLAP)  Toegankelijk via web browser + lagere investeringskost; betere toegankelijkheid  – functionaliteit, performantie momenteel << client/server machines   DOLAP (Desktop OLAP)  Deel van data lokaal opslaan en van daaruit werken + eenvoudig op te zetten en goedkoop  – zeer beperkte functionaliteit & data-eilanden   MOLAP (Mobile OLAP)  OLAP toepassingen mobiel/tablet via remote access  SOLAP (Spatial OLAP)  Combinatie mogelijkheden van Geographic Information Systems (GIS) & OLAP binnen 1 gebruikers-interface Hammergren C. et al. 2009 - Datawarehousing for dummies; Slidesharenet 18/01/2014
  123. 123. OEFENING 123  Cognos Analysis studio – Forcea HealthReport  OLAP technieken Measures & dimensions  Slicing, dicing  Drill through  Forcea 18/01/2014
  124. 124. 124 18/01/2014
  125. 125. Business Intelligence Life Cycle 125 18/01/2014
  126. 126. Data mining What are we talking about…? 126 IBMBusAnalyticsOEM 18/01/2014
  127. 127. Data mining What are we talking about…? 127 IBMBusAnalyticsOEM 18/01/2014
  128. 128. Data mining What are we talking about…? 128 IBMBusAnalyticsOEM 18/01/2014
  129. 129. Data mining What are we talking about…? 129 IBMBusAnalyticsOEM 18/01/2014
  130. 130. Data mining What are we talking about…? 130  Data mining is “het ontdekken van kennis” m.b.v.  Statistiek  Artificiële intelligentie  Grafische computertechnieken  …  Doel:  Verklaringen zoeken  Veronderstellingen bevestigen  Data onderzoeken naar nieuwe onverwachte relaties IBMBusAnalyticsOEM 18/01/2014
  131. 131. Data mining technieken Associatie regels 131 Transaction Item t1 milk, chip, bread, salsa, coke t2 banana, chip, rice, salsa t3 salsa, coke, banana, chip t4 milk, lettuce, coke, rice, salsa, bread t5 lettuce, salsa, bread, coke, chip, milk  Doel: zaken identificeren vinden die samen gebeuren  Support of {salsa, chip} is 80%  Support of {bread, milk} is 60%  Interessant voor o.a. winkelindeling, prijszetting... IBMBusAnalyticsOEM 18/01/2014
  132. 132. Data mining technieken Clustering 132  Markt segmentatie als voorbeeld  Elk punt stelt eigenschap/karakteristiek van bepaalde klant voor  Doel: groeperen van leden met zelfde eigenschappen  Gebruikt voor fraude-opsporing, zakenwereld, wetenschap IBMBusAnalyticsOEM 18/01/2014
  133. 133. Data mining technieken Statistische analyse 133  Regressie: VTE‟s poetsdienst Opp m²  Tijdsseries: Patiënten Tijd IBMBusAnalyticsOEM 18/01/2014
  134. 134. Data mining Betekenis voor healthcare 134 Desikan P. 2011 – Data mining for Heatlhcare management 18/01/2014
  135. 135. Data mining Betekenis voor healthcare 135 Desikan P. 2011 – Data mining for Heatlhcare management 18/01/2014
  136. 136. Data mining Betekenis voor healthcare 136 Desikan P. 2011 – Data mining for Heatlhcare management 18/01/2014
  137. 137. Data mining Betekenis voor healthcare 137 Desikan P. 2011 – Data mining for Heatlhcare management 18/01/2014
  138. 138. Data mining Betekenis voor healthcare 138 Desikan P. 2011 – Data mining for Heatlhcare management 18/01/2014
  139. 139. Data mining Betekenis voor healthcare 139 Desikan P. 2011 – Data mining for Heatlhcare management 18/01/2014
  140. 140. Data mining Betekenis voor healthcare 140 Desikan P. 2011 – Data mining for Heatlhcare management 18/01/2014
  141. 141. Data mining Betekenis voor healthcare 141 Desikan P. 2011 – Data mining for Heatlhcare management 18/01/2014
  142. 142. Data mining Betekenis voor healthcare 142 Desikan P. 2011 – Data mining for Heatlhcare management 18/01/2014
  143. 143. Data mining Betekenis voor healthcare 143 Desikan P. 2011 – Data mining for Heatlhcare management 18/01/2014
  144. 144. Data mining Betekenis voor healthcare 144 Desikan P. 2011 – Data mining for Heatlhcare management 18/01/2014
  145. 145. Data mining Betekenis voor healthcare 145 Desikan P. 2011 – Data mining for Heatlhcare management 18/01/2014
  146. 146. Data mining Betekenis voor healthcare 146 Desikan P. 2011 – Data mining for Heatlhcare management 18/01/2014
  147. 147. Data mining … a word of caution 147 http://www.abc.net.au/tv/thecheckout/ 18/01/2014
  148. 148. 148 18/01/2014
  149. 149. Business Intelligence Life Cycle 149 18/01/2014
  150. 150. Internet / Intranet Portaal 150  Centrale toegang tot alle beleidsdata in DWH  IBM Cognos Connection  Individueel instelbaar afhankelijk van noden/wensen eindgebruiker 18/01/2014
  151. 151. Dashboard en Balanced Scorecard 151  Dashboards en Balance Scorecards worden gebouwd om kaderleden de mogelijkheid te bieden om in een oogwenk de situatie van het bedrijf in te schatten. Aan de hand van visuele wegwijzers in functie van zogenaamde KPI‟s wordt goed en slecht weergegeven, zonder dat er tijd verloren gaat in de samenstelling van de gegevens die aan dit besluit vooraf gaan.  “Tell me a lot of things, but don‟t make me work too hard.” 18/01/2014
  152. 152. Dashboard 152  Stelt directieleden en managers in staat om zo snel mogelijk de situatie van de business in te schatten, zonder hiervoor enig voorbereidend onderzoek te moeten verrichten.  Dashboardprincipe is een proactieve wijze van informatiegebruik die resulteert in acties die enkel genomen worden wanneer bepaalde vooropgestelde pointers hierom vragen.  De informatie dient in a glance waarneembaar te zijn aan de hand van een visuele representatie (grafieken en wijzers) 18/01/2014
  153. 153. Dashboard 153 http://youtu.be/f7M1F2xDS_M 18/01/2014
  154. 154. Dashboard 154 https://toutapp.com/c/pascal-thulin-reports-nl/44ffd712585a3478c159d32d269e0f03e1916948/Why-Choose-Dundas-Dashboard.pdf#page/8 18/01/2014
  155. 155. (Balanced) Scorecard 155  Visuele uitdrukking van strategie instelling  Veel gebruikte techniek voor strategisch management en het behalen van langetermijndoelstellingen binnen organisaties.  Evaluatiehulpmiddel voor managers die complexe doelstellingen hebben.  Het idee achter de balanced scorecard is dat een manager niet alleen is af te rekenen op financiële resultaten, maar dat ook andere prestaties worden meegenomen in de jaarlijkse beoordeling.  Uitgedrukt in KPI (key performance indicators) 18/01/2014
  156. 156. (Balanced) Scorecard 156 18/01/2014
  157. 157. (Balanced) Scorecard 157  Verschillende perspectieven  Customer: Kwaliteits- en klantenperspectief   Internal process: Interne processen   In welke processen moeten we excellent zijn om de basis waarden waar te maken Employee learning and growth: Medewerkers perspectief   Hoe creëren we waarde voor de patiënten Hoe kunnen we blijven groeien in competentie om adequate antwoorden te blijven bieden op een wisselende realiteit Financial: Financieel perspectief  Hoe kunnen we waarde creëren voor onze klanten terwijl we de kosten onder controle houden 18/01/2014
  158. 158. (Balanced) Scorecard Missie vertalen in meetwaarden 158 http://www.hhfinance.nl/wp-content/uploads/Ebook-balanced-scorecard.pdf 18/01/2014
  159. 159. (Balanced) Scorecard Strategiekaart 159 http://www.hhfinance.nl/wp-content/uploads/Ebook-balanced-scorecard.pdf 18/01/2014
  160. 160. (Balanced) Scorecard Bepalen KPI’s 160 http://www.hhfinance.nl/wp-content/uploads/Ebook-balanced-scorecard.pdf 18/01/2014
  161. 161. (Balanced) Scorecard Casus – Jan Yperman 161 18/01/2014
  162. 162. 162 18/01/2014
  163. 163. “de markt” 163 18/01/2014
  164. 164. The Magic Quadrant for BI 164  Methodiek om IT producten te vergelijken  H – "Completeness of Vision“ ~ “features” v/h product  ~ technologische vernieuwingen die concurrenten verplichten te reageren   V – "Ability to Execute" ~ inkomsten, aantal en kwaliteit van distributeurs/verkopers  ~ personeel en verhouding tss. ontwikkeling/verkoop/support…   Evolutie Gartner, February 2013 + Louhia consulting, November 2013 18/01/2014
  165. 165. BI voor Belgische ziekenhuismarkt 165  www.forcea.be/nl/oplossingen/forcea-healthreport  www.hospitalintelligence.be/modules.php  www.laco.be/nl/markets/healthcare/  www.xperthis.be/nl/business-intelligence/  ??? 18/01/2014
  166. 166. 166 18/01/2014
  167. 167. Beleidsinformatie > datawarehouse 167 18/01/2014
  168. 168. Benchmarking 168 Forcea Healthcare Seminar 2013 - “De kracht van geïntegreerde benchmarking” 18/01/2014
  169. 169. Benchmarking binnen gezondheidszorg Schier eindeloze mogelijkheden… 169  Activiteit  Bestaffing  VTE‟s  Loonschalen  Opleiding  MZG  Verpleegkundig  Medisch  Financieel  MAHA  Tevredenheid  Personeel  Patiënten  Kwaliteit  Infecties  Decubitus  Heropnames  Valincidenten  Ziekenhuissterfte  Kosten opname… Ziekenhuisranking ingeburgerd in Nederland (AD) In België nog i/d kinderschoenen (Test-Aankoop; De Standaard) 18/01/2014
  170. 170. 170 18/01/2014
  171. 171. Toekomst BI 171 18/01/2014
  172. 172. Top 10 Trends in Business Intelligence for 2014 www.tableausoftware.com 172 18/01/2014
  173. 173. The end of data scientists.Data science moves from the specialist to the everyman. Familiarity with data analysis becomes part of the skill set of ordinary business users, not experts with “analyst” in their titles. Organizations that use data to make decisions are more successful, and those that don’t use data begin to fall behind. For more, see this Special Report from the Economist: Fostering a Data Driven Culture. 1
  174. 174. Cloud business intelligence goes mainstream. Organizations that want to get up & running fast with analytics drive adoption of cloudbased business intelligence. New scenarios such as collaboration with customers and outside-the-firewall mobile access also accelerate adoption. The maturation of cloud services helps IT departments get comfortable with business intelligence in the cloud. For more, read the whitepaper: Business Analytics in the Cloud. http://youtu.be/SS1EI5Ql6sI
  175. 175. Big data finally goes to the sky. Cloud data warehouses like Amazon Redshift and Google BigQuery transform the process of building out a data warehouse from a months-long process to a matter of days. This enables rapid prototyping and a level of flexibility that previously was not possible. Cloud offerings like Teradata Cloud and SAP HANA from traditional vendors validate the space. For more, watch this webinar: Exploring Big Data with Amazon Redshift.
  176. 176. Agile business intelligence extends its lead. Self-service analytics becomes the norm at fast-moving companies. Business people begin to expect flexibility and usability from their dashboards. And the monolithic infrastructure stack finally crumbles in favor of solutions that can work with new data sources. For more, read this whitepaper by GigaOm: Agile Business Intelligence: Reshaping the Landscape.
  177. 177. Predictive analytics, once the realm of advanced and specialized systems, will move into the mainstream as businesses seek forward-looking rather than backward-looking insight from data. For more, watch TDWI’s David Stodder on this webinar: Using Analytics to be Predictive and Proactive.
  178. 178. Embedded BI begins to emerge, in an attempt to put insight directly in the path of business activities. Analytics start to live inside of transactional systems. Scenarios like customer relationship management will lead the way with analytics providing support for the many small decisions salespeople make in a day. Ultimately, embedded BI will bring data to departments that have typically lagged: for example, on the shop floor and in retail environments. See the value of embedded BI with this video.
  179. 179. Storytelling becomes a priority, as people realize that a dashboard deluge without context is not helpful. Stories become a way to communicate ideas and insights using data. They also help people gain meaning from an overwhelming mass of big and disparate data. Read more in this whitepaper: 5 Best Practices for Telling Great Stories.
  180. 180. mobile business intelligence becomes the primary experience, For leading-edge organizations, not an occasional experience. Business users being to demand access to information within the natural flow of their day, not back at their desks. For an example, read this whitepaper: How Mobile Business Intelligence Drives Efficiency and Transformation for Supervalu. http://www.youtube.com/watch?v=DeS4m11GYWQ&feature=share&list=PL1xSoMCZ-kYJjNBkxRzr_0FkNTXj_gtDk
  181. 181. Organizations begin to analyze social data in earnest, gaining insight beyond number of their likes and followers. Social data becomes a proxy for brand awareness and attitude, as well as fertile ground for competitive analysis. Companies begin to use social data to understand how relevant they are to their customers. For an example of how to gain insight from social media data, watch this video: Using Social Media Analytics for Insight. http://youtu.be/8AUMEHhVbXA
  182. 182. NoSQL is the new Hadoop. Organizations explore how to use unstructured data. NoSQL technologies become more popular as companies seek ways to assimilate this kind of data. But in 2014, the intelligent use of unstructured data will still be the exception and not the norm. For more on noSQL, read this TechRepublic article: 10 Things You Should Know About noSQL databases.
  183. 183. 183 18/01/2014
  184. 184. 184 18/01/2014
  185. 185. If you want to read… …some more… …all about it... 185 Hammergren C. et al. 2009 Datawarehousing for dummies Ponniah. P. 2010 – Data Warehousing fundamentals 18/01/2014

×