La corretta interpretazione dei dati è una grande sfida per tutte le organizzazioni. In un ambiente sempre più frenetico, che richiede decisioni tempestive e appropriate, l'analisi dei dati è diventata uno strumento sempre più importante. In particolare, nel contesto del COVID-19, l'utilizzo delle tecnologie analitiche ha consentito alle istituzioni di valutare meglio l'impatto sanitario e sociale della pandemia e di migliorare i processi decisionali.
L'analisi dei dati può essere definita come la scienza dell'esame di un set di dati con l'obiettivo di trarre conclusioni da esso al fine di assistere il processo decisionale o semplicemente per ampliare la comprensione di questioni particolari.
Di conseguenza, l'analisi dei dati implica una serie di tecniche utilizzate per trarre conclusioni e raccomandazioni dai dati. Le varie tecniche di analisi dei dati si dividono in quattro categorie principali, in base agli approfondimenti che forniscono: descrittiva, diagnostica, predittiva e prescrittiva.
Analisi descrittiva: Questo tipo di analisi viene solitamente condotto utilizzando un ampio set di dati che, a prima vista, non è molto informativo. Le tecniche di pulizia, ordinamento, elaborazione e visualizzazione vengono applicate per illustrare gli sviluppi all'interno delle organizzazioni in un formato accessibile. L'analisi descrittiva produce un'analisi dei risultati di particolari eventi o fenomeni e può identificare cosa è successo. Gli output indicano semplicemente se qualcosa sta andando bene, senza spiegare perché.
Analisi diagnostica: Fornisce informazioni dettagliate su un problema specifico e identifica il motivo alla base di un particolare evento o fenomeno. I dati storici possono essere confrontati con altri dati per rispondere alla domanda sul perché è successo qualcosa.
Per condurre questo tipo di analisi sono necessarie informazioni dettagliate. In caso contrario, la raccolta dei dati richiesta per ogni specifico problema potrebbe rivelarsi inefficiente, oltre che lunga.
Analisi predittiva: Questo tipo di analisi applica modelli e tecniche matematiche e statistiche ai dati storici detenuti dall'organizzazione. L'analisi predittiva non può determinare con assoluta certezza cosa accadrà in futuro, poiché l'analisi si basa su livelli di probabilità, ma mostra ciò che potrebbe accadere. Si basa sui risultati dell'analisi descrittiva e diagnostica per identificare gruppi e valori anomali, che vengono utilizzati come base per i modelli predittivi. Questi modelli, applicati a una grande quantità di dati, possono produrre una previsione di ciò che potrebbe accadere con un determinato grado di probabilità.
L'analisi predittiva è una forma avanzata di analisi dei dati che porta con sé molti vantaggi, come l'uso dell'apprendimento automatico. Tuttavia, è importante non perdere di vista il fatto che una previsione è solo una stima. Poiché si basa su un'analisi della correlazione tra le variabili e di come potrebbero svilupparsi, la sua accuratezza dipende in larga misura dalla qualità dei dati sottostanti.
Analisi prescrittiva: Questo tipo di analisi prevede la raccolta di dati, la raccomandazione di azioni e la previsione dell'impatto che avranno, al fine di facilitare e automatizzare il processo decisionale identificando la decisione migliore tra una serie di opzioni.
Ha lo scopo di rispondere a domande come "Cosa posso fare per impedire che ciò accada?" o "Cosa posso fare per farlo accadere?". Definisce le misure da adottare per prevenire un problema futuro o per sfruttare al meglio una tendenza.
Questo tipo di analisi richiede non solo dati storici interni, ma anche informazioni esterne, a causa della natura degli algoritmi matematici sottostanti.
Figure 1 : Diversi tipi di analisi dei dati
La Figura 1 riassume le categorie, il loro valore aggiunto e la loro complessità in termini di attuazione.
L'utilizzo di queste tecniche è particolarmente importante nel campo della previdenza sociale, poiché consentono alle istituzioni di sfruttare al meglio il sempre più ampio volume di dati disponibili, sia per rilevare e spiegare eventi insoliti, sia per costruire modelli predittivi che possono aiutare a anticipare nuovi sviluppi.
Questo tipo di analisi ha molte applicazioni. Un numero crescente di istituzioni utilizza tecnologie analitiche in una vasta gamma di campi, come la prevenzione delle frodi, l'analisi delle prestazioni dei processi, la valutazione e l'adeguamento dei programmi sociali, l'attuazione di misure preventive, lo sviluppo proattivo della politica sociale e i servizi sanitari.
L'International Social Security Association (ISSA) ha sviluppato linee guida sulle tecnologie dell'informazione e della comunicazione, che includono indicazioni sull'applicazione delle tecnologie di analisi dei dati. Nello specifico, ci sono quattro linee guida, una per ciascuna categoria di analisi dei dati di cui sopra (linee guida da 54 a 57), nonché linee guida separate sui big data (linea guida 58) e sull'apprendimento automatico e il suo utilizzo a supporto del processo decisionale (linea guida 59 ).
Esperienze di applicazione di tecniche analitiche per combattere la pandemia
Esempi di buone pratiche in questo settore sono stati presentati durante il concorso per il Premi ISSA per le buone pratiche per le Americhe 2020 e in webinar e altre attività ISSA. È chiaro da questi esempi che le tecniche analitiche sono un'area di interesse attuale e vengono sempre più applicate dagli enti di previdenza sociale. Durante l'emergenza sanitaria COVID-19 queste tecniche si sono rivelate uno strumento prezioso, con particolari applicazioni nei servizi sanitari.
Costa Rica
Il Fondo di previdenza sociale del Costa Rica (Casella di sicurezza sociale del Costa Rica – CCSS) tecniche analitiche applicate per monitorare la diffusione di COVID-19 nella popolazione e nei servizi erogati nelle strutture sanitarie CCSS. Durante l'emergenza sanitaria, c'era una chiara richiesta di informazioni tempestive e accurate sia per il monitoraggio che per supportare il processo decisionale per gestire la pandemia.
Per questo motivo è stato deciso di sviluppare un'unica fonte di informazioni, attingendo alle informazioni sanitarie robuste e adattabili a disposizione del CCSS, al fine di condurre un'analisi di tracciabilità dei pazienti COVID-19. A tal fine è stato necessario consolidare i dati delle strutture sanitarie e attingere ai dati anagrafici propri dell'istituto.
L'applicazione risultante pone anche un focus strategico sull'uso di strumenti di business intelligence per gestire le informazioni statistiche, consentendo la fornitura tempestiva di dati sanitari COVID-19. L'obiettivo è promuovere il processo decisionale basato sui dati, in particolare a livello strategico. Ciò richiede un accesso più semplice alle informazioni statistiche e l'uso di strumenti di analisi dei dati.
Nel complesso, l'applicazione delle tecnologie analitiche ha aiutato il CCSS a prendere decisioni basate sui dati. Il CCSS è stato in grado di quantificare l'impatto sui servizi e adattare la fornitura di conseguenza. Allo stesso tempo, l'applicazione ha supportato la transizione digitale dell'istituto, in particolare attraverso l'adozione di tecnologie di analisi dei dati.
L'approccio CCSS si basa su analisi descrittive e diagnostiche.
Messico
In Messico, l'Istituto messicano di previdenza sociale (Istituto messicano di sicurezza sociale – IMSS) ha affrontato la questione di analisi dei dati adottando una strategia di governance dei dati, in considerazione dell'importanza dei dati nella pandemia di COVID-19.
L'approccio alla governance dei dati significa che IMSS può fornire informazioni preziose ai suoi componenti chiave. Ciò facilita il processo decisionale sia a livello gestionale che operativo. Le informazioni geografiche e statistiche a disposizione dell'Istituto consentono di gestire i livelli delle scorte, le incapacità dei beneficiari causate da patologie legate al COVID-19 e i dati aziendali relativi al rispetto delle variabili di rientro al lavoro. Attraverso questo approccio, IMSS sta cercando di affrontare problemi come la duplicazione degli sforzi, le opportunità mancate per fornire informazioni preziose e la scarsa standardizzazione, tracciabilità, integrità e qualità dei dati. Queste caratteristiche sono tipiche dei dati provenienti da istituzioni che forniscono più servizi e conservano grandi volumi di informazioni attraverso una serie di archivi di dati non collegati.
Il modello di governance dei dati di IMSS si basa su tre pilastri: un cambiamento culturale da parte degli individui, processi migliorati grazie a una visione più olistica e sviluppo tecnologico, con l'implementazione di un data lake come parte di una soluzione integrata. Con questa base in atto, gli strumenti analitici possono quindi essere implementati per eseguire l'analisi dei dati. L'analisi dei dati fornisce informazioni utili e di alta qualità e consente l'identificazione di tendenze e valori aberranti. Facilita l'armonizzazione necessaria per uno scambio di informazioni trasparente e sicuro con altre istituzioni.
Sempre nello stesso contesto, lo sfruttamento dei big data, basato su un data lake, consente di visualizzare e gestire l'evoluzione della pandemia, applicando variabili come numero di casi, occupazione ospedaliera, esiti dei pazienti e decessi per regione , sesso, età, unità medica, ecc.
L'approccio IMSS si basa su analisi descrittive e diagnostiche.
Perù
L'approccio dell'Istituto di Previdenza Sociale Peruviana (EsSalud) era quello di creare un'unità di business intelligence e analisi dei dati, che mira a fornire informazioni complete, tempestive e di alta qualità, utilizzando l'analisi dei dati per sostenere le decisioni strategiche istituzionali. La creazione di questa unità ha lo scopo di incoraggiare una gestione moderna ed efficiente nell'interesse dei beneficiari, fornendo all'alta direzione informazioni tempestive, pertinenti e di alta qualità a supporto del processo decisionale.
Un altro aspetto di questo approccio è lo sviluppo di applicazioni e altre strategie innovative per comunicare con l'alta direzione, nonché per promuovere e monitorare una migliore qualità della tenuta dei registri e l'integrazione delle informazioni istituzionali. Una delle applicazioni chiave è una mappa termica (Mapa de calor), che mostra lo sviluppo della pandemia in Perù, tracciando la "via del virus" mentre si diffonde, le aree ad alta prevalenza, ecc.
La fornitura di informazioni rilevanti, aggiornate quotidianamente, consente di analizzare gli appuntamenti posticipati, tenere traccia delle visite domiciliari, inviare avvisi sui ricoveri prolungati e monitorare la disponibilità dei posti letto.
Vale la pena sottolineare che EsSalud mira non solo a generare informazioni per uso interno, ma anche a collaborare con altri enti pubblici, condividendo i risultati ottenuti. Sono state utilizzate informazioni, in particolare, dal Registro nazionale di identificazione (Registro di identificazione nazionale) e Stato Civile (stato civile).
L'approccio di EsSalud si basa su analisi descrittive e diagnostiche.
Risultati ottenuti
Queste istituzioni hanno ottenuto risultati positivi grazie all'applicazione di tecnologie analitiche. Sono stati in grado di implementare meccanismi specifici per affrontare le sfide della pandemia e hanno anche aumentato la loro capacità di applicare queste tecnologie in altri contesti. La tabella 1 riassume i risultati.
| Paese | Risultati ottenuti per i sistemi sanitari |
|---|---|
| Costarica - CCSS | Rafforzare i processi decisionali. |
Generazione di informazioni per aiutare a pianificare i servizi post-COVID-19. È stato possibile misurare l'impatto sui servizi, che è stato:
|
|
| Messico - IMSS | Implementazione di una piattaforma dati unica per COVID-19 utilizzando data lake e tecnologie big data. La piattaforma ha ricevuto 86,422 visite da parte di 445 utenti. |
| Le informazioni sono condivise con il Ministero della Salute (responsabile del coordinamento delle politiche pandemiche) e altre istituzioni. | |
| Perù - EsSalud | Sono stati forniti rapporti giornalieri di monitoraggio della pandemia sulla pandemia, monitorando:
|
| Implementazione di applicazioni come la mappa termica (Mappa di calore), così come mappe e infografi per facilitare l'interpretazione delle informazioni. Configurazione di una dashboard che fornisce avvisi su degenze prolungate e disponibilità di posti letto ospedalieri, disponibile online con informazioni aggiornate in tempo reale. |
|
| Le informazioni sono condivise con almeno 12 governi locali e due ministeri. |
Il potenziale e i limiti dell'analisi predittiva
L'Organizzazione Panamericana della Sanità (PAHO) sottolinea l'importanza dell'analisi predittiva nella lotta contro il COVID-19, poiché consente di stimare il comportamento della pandemia entro un grado di incertezza accettabile. Sulla base di queste informazioni, le istituzioni possono anticipare la domanda approssimativa di servizi medici per acuti, determinare i tempi per la revoca parziale o totale delle misure di contenimento (cioè i blocchi) e persino prevedere nuove esigenze che potrebbero sorgere (PAHO, 2021).
Allo stesso tempo, PAHO sottolinea anche che i modelli di previsione hanno alcune limitazioni quando applicati a un contesto come la pandemia, poiché vi è una certa incertezza intrinseca nei modelli che influisce sulle loro prestazioni e può essere difficile da quantificare. In particolare, l'introduzione di orizzonti temporali e l'eterogeneità dei dati in analisi possono portare a una maggiore incertezza. L'esecuzione di una "analisi di sensibilità" è la chiave per comprendere meglio l'incertezza. Questa tecnica viene utilizzata per valutare l'impatto che una particolare variabile dipendente, sotto un determinato insieme di ipotesi, potrebbe avere sul risultato complessivo. L'incertezza può essere ridotta aumentando la dimensione del campione e migliorando la qualità dei dati utilizzati nel modello. Ciò significa che il volume e la qualità dei dati sono fondamentali per queste tecniche analitiche (PAHO, 2021).
Fattori critici
Le esperienze descritte puntano tutte a vari fattori critici nell'applicazione delle tecniche analitiche nel contesto del COVID-19.
Un primo fattore critico è il team, che è una parte vitale della strategia per implementare le tecniche analitiche. Per questo motivo, l'obiettivo dovrebbe essere quello di creare team multidisciplinari con ruoli chiaramente definiti. È sempre importante che i comitati includano membri provenienti da aree diverse poiché ciò consente di estendere le definizioni quando necessario.
In EsSalud è stata costituita una specifica unità di analisi, composta da un team multidisciplinare. Questa unità ha un piano strategico flessibile, che le consente di sviluppare e aggiungere nuove innovazioni alla strategia di analisi dell'istituto. L'IMSS in Messico ha messo insieme una squadra comune per il lavoro collaborativo. Sono stati definiti ruoli specifici nelle aree dell'analisi, della qualità dei dati, dell'architettura e della proprietà funzionale dei dati. È stato creato un comitato esecutivo per i dati.
Supporto da parte dell'alta direzione è fondamentale anche per questo tipo di iniziative, in particolare per garantire la fattibilità dell'attuazione. Questo perché le iniziative di analisi dei dati di solito interessano le istituzioni, riunendo dati e processi provenienti da più di un'area di interesse. Possono anche richiedere accordi con altre organizzazioni. Sia IMSS in Messico che CCSS in Costa Rica hanno potuto contare sull'impegno e il supporto del senior management, che è stata la chiave del successo di entrambe le iniziative.
Le flessibilità dei modelli implementati può essere considerato anche un fattore critico. Questi modelli devono evolversi per riflettere le mutevoli realtà. È anche importante che i modelli siano specifici, non generali, poiché ciò migliora le prestazioni di previsione. Nel caso di EsSalud, la versatilità del modello di mappa termica ha permesso di adattarlo al crescente bisogno di informazioni derivante dall'emergenza sanitaria.
Un altro fattore critico è il qualità dei dati, che è la base principale di qualsiasi iniziativa di analisi dei dati. Il processo decisionale basato sui dati richiede dati affidabili, altrimenti il potere dell'analisi e la validità delle conclusioni sono limitate. Il modo migliore per garantire la qualità dei dati è adottare misure per garantire che vengano inseriti dati di buona qualità fin dall'inizio, evitando la necessità di pulizia dei dati nelle fasi successive.
Sia il CCSS in Costa Rica che l'EsSalud in Perù hanno sviluppato una cultura del processo decisionale basato sui dati. È stata intrapresa un'azione per compensare l'eventuale mancanza di esperienza o familiarità con questo approccio, poiché si è compreso che la qualità dei dati e la corretta interpretazione delle informazioni sono fondamentali per garantire che vengano prese le decisioni giuste.
Conclusione
Le tecniche tradizionali di analisi dei dati consentono la reportistica automatica e la creazione di dashboard in grado di fornire una visione retrospettiva dell'organizzazione, al fine di rispondere a domande come "cosa è successo" e "perché" si è verificata questa situazione. Tuttavia, oltre ad assistere il processo decisionale fornendo un'analisi descrittiva dei dati, tecniche avanzate di apprendimento automatico come l'analisi predittiva e prescrittiva possono fornire una prospettiva orientata al futuro di un'organizzazione, supportando il processo decisionale e allo stesso tempo ottimizzando il business processi e aumentare la produttività.
L'importanza dell'analisi dei dati è aumentata negli ultimi anni, come risulta dal numero di buone pratiche descritte, nonché dalle varie presentazioni di webinar sullo stesso argomento. A tal fine, gli strumenti di analisi dei dati hanno svolto un ruolo sempre più centrale nelle organizzazioni. L'analisi dei dati non dovrebbe essere considerata isolatamente, ma piuttosto nel contesto dei processi aziendali e del processo decisionale, nonché della gestione e della qualità dei dati sottostanti per garantire che l'interpretazione dei dati sia ben fondata.
Vale anche la pena sottolineare la capacità istituzionale di quelle organizzazioni che avevano già in corso progetti di analisi dei dati, consentendo loro di riorientare i propri sforzi nel contesto dell'emergenza sanitaria.
In sintesi, durante l'emergenza sanitaria COVID-19, alcuni enti previdenziali hanno colto l'occasione per consolidare o iniziare a sviluppare soluzioni di questo tipo.
Riferimenti
EsSalud - Social Health Insurance Institute. 2020. A spread alert for COVID-19: The heat map of the Business Intelligence and Data Analytics Unit (Good practices in social security). Geneva, International Social Security Association.
ISSA. 2019a. ISSA Guidelines on information and communication technology (Revised and extended edition). Geneva, International Social Security Association.
ISSA. 2019b. ISSA Guidelines on service quality (Revised edition). Geneva, International Social Security Association.
Mexican Social Security Institute. 2020. IMSS Analytics: The importance of data in the provision of care during the COVID-19 pandemic (Good practices in social security). Geneva, International Social Security Association.
PAHO. 2021. Why predictive modeling is critical in the fight against COVID-19 (COVID-19 Factsheets). Washington, DC, Pan American Health Organization.
Social Insurance Fund of Costa Rica. 2019. Automated solutions for intelligent health analytics: Support for managing the COVID-19 pandemic in Costa Rica (Good practices in social security). Geneva, International Social Security Association.
Technical Commission on Information and Communication Technology. 2019. Applying emerging technologies in social security. Geneva, International Social Security Association.