Видеть реальные цифры бизнеса и оперировать ими при принятии решений – это серьезный навык управляющего клиникой и собственников. Проблема, которую я не раз встречал, заключается в том, что данных как правило мало и по ним сложно принимать точечные решения.
Как это выглядит. Типичная ситуация - информация по рекламным источникам. Несмотря на то, что давно существуют системы сквозной аналитики и колл-трекинг, далеко не все клиники ими пользуются (и не всегда это возможно из-за технических ограничений). А даже если это и так, это только вершина айсберга. Данных всё равно будет мало для глубокого анализа.
Но например у вас внедрена сквозная аналитика и вы можете получить информацию, что конкретная кампания в контексте принесла 100 первичек по 3 тыс. рублей, которые в течение месяца заплатили 1 миллион. Это ценная информация и с её помощью можно оптимизировать рекламу. Но что дальше? Насколько глубоко можно изучать поведение людей и связывать с процессами в клинике, с врачами, с услугами?
В жизни мы имеем гораздо больший массив данных, чем рекламный источник. Вот далеко не полный перечень параметров, которыми можно оперировать:
- ФИО пациента
- когорта пациентов
- дата первичного приёма
- акция
- рекламный источник
- клиника (если у вас сеть)
- направление
- врач
- сумма первого приёма
- сумма за N период (текущий отчетный месяц, за выбранный период)
- количество приёмов за N период
- конкретная медицинская услуга (последовательность услуг).
Эти данные можно анализировать не только «от пациента», но от любой отправной точки. Например, можно проанализировать сколько хирург Петров И.И. провёл первичных приёмов пациентов, которые пришли с таргетированной рекламы, по результатам которых в течение 30 дней он поставил имплантаты N производителя. Любая из переменных в таком запросе может меняться: врач, период, рекламный канал, оказанная услуга и т.д.
Зачем это нужно? Чем более детализированная информация, которой вы оперируете при принятии решений, тем более взвешенное может быть решение. Можно сказать про условного врача, что он не делает план по выручке. Но как увидеть, из-за чего он его не делает? Данные могут в этом помочь.
Но как собрать и визуализировать такой большой массив данных?
На помощь может прийти технология, которая называется OLAP - online analytical processing. Это технология обработки агрегированных данных, которые структурированы по многомерному принципу. OLAPявляется компонентом BI (Business intelligence) – бизнес аналитики.
Наглядно технологию показывает OLAP-куб. Представьте себе куб с ячейками (как на картинке), где по сторонам XYZ распределяются данные. На самом деле «сторон» может быть гораздо больше – десятки, а вариантов информации миллионы. Если загрузить данные в такую систему, из неё можно доставать любые цифры, которые нужны для маркетингового и бизнес анализа.
Например, вы берёте хирургов и смотрите, сколько каждый из них поставил N имплантатов за отчетный месяц. Думаю, это делают многие управляющие и собственники. Но давайте копнём дальше! Из полученной выборки берём двух казалось бы похожих хирургов – каждый установил N имплантаты десяти первичным пациентам.
Но мы добавляем еще параметр – а сколько при этом пришло первичек к каждому из них, да еще и по конкретному офферу на N имплантат. Оказывается, что к одному пришло 20 первичек, а к другому 30. А установили они одинаковому числу пациентов. Т.е. у одного врача конверсия 50% в операцию, у другого 33%. Это уже тема для раздумий.
Но мы можем изучить данные еще глубже. А что стало с остальными пациентами?
Далее можем увидеть, что у первого врача из оставшихся 10 первичек еще трём были установлены более дорогие имплантаты. А у второго на более дорогие имплантаты не переведено ни одного пациента. В этот момент мы можем добавить еще один параметр – деньги. Окажется, что первый хирург принес клинике с 20 первичек условно 600 тысяч, а второй с 30 первичек только 400 тысяч. При этом, стоимость «пациента с договором» у первого на 33% ниже, чем у второго. Далее можно принимать управленческие решения по распределению и/или усилению потока первички, по необходимому обучению и т.д.
Как добывать эти данные и как с ними работать? Традиционно вся информация хранится в МИС. Вопрос в том, содержит ли конкретная МИС требуемую информацию. Самый простой способ собрать данные и визуализировать – конечно же Excel. Выгружаются данные из МИС и собирается нужный отчет. Главное здесь – корректно сформированный запрос – что вы хотите увидеть? Теоретически это может делать управляющий, но на практике таких отчетов может быть столько, что он (она) просто зароется в них.
Есть и более современный способ не только обработки, но и визуализации данных. Например Microsoft BI – это программное обеспечение для сбора и визуализации бизнес-показателей. В Microsoft BI можно вручную загружать данные, а может быть реализована загрузка в режиме реального времени. Для работы с Microsoft BI скорее всего потребуется участие бизнес-аналитика, но полученные данные выводят компанию на новый уровень работы с бизнес-показателями и планирования.
