Beleidsinformatie id zorg

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

Inleiding
2
WAT IS BUSINESS INTELLIGENCE?

18/01/2014

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

Wat
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

Wat
5

http://www.infogineering.net/data-information-knowledge.htm

18/01/2014

Wat
6

18/01/2014

Wat
7

18/01/2014

Wat
8

18/01/2014

Wat
9

18/01/2014

Wat
10

18/01/2014

Wat
11

18/01/2014

Wat
12

18/01/2014

Wat
13

18/01/2014

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

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

Praktische betekenis?
16

 Beleidsinformatie i/d zorg
 Ziekenhuisdirecteur?
 Dienstverantwoordelijke
verpleegafdeling?

18/01/2014

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

Business Intelligence Life Cycle
20

18/01/2014

21

18/01/2014

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

Bronsystemen
OEFENING
23

 Teken traject patiënt doorheen ziekenhuisverblijf
 Welke bronssystemen?
 Welke informatie?

18/01/2014

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

Bronsystemen
Bron van data, bron van ellende…?
25

18/01/2014

Bronsystemen
26

18/01/2014

Bronsystemen
27

18/01/2014

Bronsystemen
28

18/01/2014

Bronsystemen
29

18/01/2014

Bronsystemen
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

32

18/01/2014

33

18/01/2014

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

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 »


18/01/2014

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


18/01/2014

Definitie
37




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


18/01/2014

Definitie
38






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)


18/01/2014

Definitie
39





Een DWH is een gerichte verzameling van gegevens
Gegevens in een DWH zijn losgekoppeld van de processen en omgeving
waarin ze zijn ontstaan


18/01/2014

Definitie
40






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


18/01/2014

Definitie
41







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


18/01/2014

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


18/01/2014

44

18/01/2014

ETL proces
48

Extract

Transfer

Load

18/01/2014

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

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

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

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

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

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

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

60

18/01/2014

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

1. Generic DWH Architecture
62

E

T

L

1 generiek
organisatiebreed DWH

Niet meest recente data – oplaadfase
18/01/2014

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

Decision Support System

18/01/2014

2. Independent Data Mart
65

E

T

L

Aparte ETL voor elke
independent data mart

Complexe toegankelijkheid door
verschillende data marts

18/01/2014

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

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

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

4. Complimentary DM
69

E

T

L

Eenvoudiger toegang
Complimentary DM hoofdzakelijk
geladen vanuit EDW
18/01/2014

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


18/01/2014

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

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.

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

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

Data model
Meetwaarden en dimensies
75

18/01/2014

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

Data Model
Hiërarchie / niveaus
77

Hammergren C. et al. 2009 - Datawarehousing for dummies; Slidesharenet

18/01/2014

Data Model
Hiërarchie / niveaus
78

Forcea

18/01/2014

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



18/01/2014

Data model
Sterschema
80

 Sterschema: multidimensioneel basisschema
 Feitentabel
 Dimensies

18/01/2014

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

Data model
Sterschema: voorbeeld
82

voorziet statistieken mbt sales
en dit opgedeeld naar dimensies
product/period/store

18/01/2014

Data model
Sterschema: voorbeeld
83

voorziet statistieken mbt sales
en dit opgedeeld naar dimensies
product/period/store

18/01/2014

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

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

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

Data model
Multiple fact tables
87

 >1 feitentabel in het midden van sterschema
 2 Feitentabellen




Sales + Receipts

Gezamelijke dimensie


Date

18/01/2014

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

Ziekenhuisdatawarehouse
Forcea Healthreport – modules
89

Forcea

18/01/2014

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

92

18/01/2014

93

18/01/2014

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

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

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…



18/01/2014

Tools
97

 Lijsten


18/01/2014

Tools
98

 Kruistabellen


18/01/2014

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

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

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

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

Statisch rapport
Veel gebruikte dimensies
103

 Activiteitencentrum
 Kenletter
 Specialisme – Medisch Technische Dienst
 Verpleegeenheid
Verhuisbeweging?
 Contingentering?


18/01/2014

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

OEFENING
Draaitabellen in Excel
105

 Draaitabellen in Excel
 Boordtabel operatieomgeving

18/01/2014

107

18/01/2014

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

OLAP (online analytical processing)
Business Analysis
109

Forcea

18/01/2014

OLAP
Kubus vs. DWH
110

Forcea

18/01/2014

OLAP-functionaliteiten
111

Hammergren C. et al. 2009 - Datawarehousing for dummies; Mucksch et al. 1998 - Das Data Warehouse-Kozept,.
18/01/2014

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

Dicing
113

 Aanmaken van een deelkubus
 Selectie meerdere waarden binnen 1 of meer dimensies


18/01/2014

Drill Down/Up
114

 Navigeren (down/up) tussen hiërachiën
 Up: naar meest geaggregeerde/samenvattende
 Down: naar hogere graad van detail


18/01/2014

Pivot
115

 Meetwaarden vanuit andere invalshoek bekijken
 Rotatie van de kubus


18/01/2014

OLAP
Types
116

OLAP

ROLAP

MOLAP

HOLAP

WOLAP

andere

DOLAP


MOLAP

SOLAP

18/01/2014

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


18/01/2014

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


18/01/2014

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”


18/01/2014

OLAP
Types
120


18/01/2014

OLAP
Types
121


18/01/2014

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


18/01/2014

OEFENING
123

 Cognos Analysis studio – Forcea HealthReport
 OLAP technieken
Measures & dimensions
 Slicing, dicing
 Drill through


Forcea

18/01/2014

125

18/01/2014

Data mining
What are we talking about…?
126

IBMBusAnalyticsOEM

18/01/2014

Data mining
127

IBMBusAnalyticsOEM

18/01/2014

Data mining
128

IBMBusAnalyticsOEM

18/01/2014

Data mining
129

IBMBusAnalyticsOEM

18/01/2014

Data mining
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

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

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

Statistische analyse
133

 Regressie:
VTE‟s
poetsdienst

Opp m²

 Tijdsseries:
Patiënten

Tijd

IBMBusAnalyticsOEM

18/01/2014

Data mining
Betekenis voor healthcare
134

Desikan P. 2011 – Data mining for Heatlhcare management

18/01/2014

Data mining
135


18/01/2014

Data mining
136


18/01/2014

Data mining
137


18/01/2014

Data mining
138


18/01/2014

Data mining
139


18/01/2014

Data mining
140


18/01/2014

Data mining
141


18/01/2014

Data mining
142


18/01/2014

Data mining
143


18/01/2014

Data mining
144


18/01/2014

Data mining
145


18/01/2014

Data mining
146


18/01/2014

Data mining
… a word of caution
147

http://www.abc.net.au/tv/thecheckout/

18/01/2014

149

18/01/2014

Internet / Intranet
Portaal
150

 Centrale toegang tot alle beleidsdata in DWH
 IBM Cognos
Connection

 Individueel

instelbaar
afhankelijk van
noden/wensen
eindgebruiker

18/01/2014

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

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

Dashboard
153

http://youtu.be/f7M1F2xDS_M

18/01/2014

Dashboard
154

https://toutapp.com/c/pascal-thulin-reports-nl/44ffd712585a3478c159d32d269e0f03e1916948/Why-Choose-Dundas-Dashboard.pdf#page/8

18/01/2014

(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

18/01/2014

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

Missie vertalen in meetwaarden
158

http://www.hhfinance.nl/wp-content/uploads/Ebook-balanced-scorecard.pdf

18/01/2014

Strategiekaart
159


18/01/2014

Bepalen KPI’s
160


18/01/2014

Casus – Jan Yperman
161

18/01/2014

“de markt”
163

18/01/2014

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

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

Beleidsinformatie >
datawarehouse
167

18/01/2014

Benchmarking
168

Forcea Healthcare Seminar 2013 - “De kracht van geïntegreerde benchmarking”

18/01/2014

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

Top 10 Trends
in Business Intelligence
for 2014

www.tableausoftware.com

172

18/01/2014

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

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

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.

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.

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.

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.

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.

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

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

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.

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

Beleidsinformatie id zorg

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Ähnlich wie Beleidsinformatie id zorg

Ähnlich wie Beleidsinformatie id zorg (20)

Beleidsinformatie id zorg