Click here to load reader
Upload
ron-hendricks
View
140
Download
0
Embed Size (px)
Citation preview
14 december 2014
Big data
OP WEG MET ‘LITTLE’ BIG DATA
In het artikel ‘Orbis als experiment’ in HEADline1 gaven we al aan nog eens contact op te nemen met Ron Hendricks, die we toen mede in zijn rol als capaciteitsmanager hebben geïnterviewd. Inmiddels heeft hij vanuit zijn ondernemingsdrang een overstap gezet naar het bedrijfsleven en met een aantal partners Care IQ opgezet. Vanuit die context leveren hij en Frits van Krieken een boeiende inhoudelijke bijdrage aan dit innovatienummer van HEADline (redactie).
Big Data analyse gaat over het toegankelijk
maken van enorme hoeveelheden gegevens
uit heel verschillende bronnen, die in hoog
tempo en in veel verschillende vormen en
kwaliteiten beschikbaar komen. Het idee is om met
deze rijke set gegevens nieuwe informatie en patronen
te ontdekken. Daarmee kun je veel sneller inzichten
verwerven en zakelijk succesvolle beslissingen nemen.
Wie wil dat nu niet?
In de gezondheidszorg biedt Big Data analyse onge-
twijfeld geweldige mogelijkheden. Zo kunnen ondui-
delijke verbanden rond het ontstaan van ziekten
opgehelderd worden en kan behandeling van patiën-
ten geïndividualiseerd worden. Informatie-experts
bepleiten dus dat we ons moeten voorbereiden op
deze nieuwe realiteit. Zorgmanagers vragen zich af
wat ze moeten doen om deze boot niet te missen.
Waar moet je beginnen en hoe snel verdien je de
investering terug?
In hun enthousiasme over Big Data in de zorg bewe-
ren deskundigen ook wel dat deze gegevens bruikbaar
zijn om mensen en middelen in de zorg efficiënter in
te zetten en daarmee verspillingen in zorgprocessen
weg te nemen. Het gaat immers over ingewikkelde
planningsprocessen. Zou Big Data niet dé oplossing
zijn om grip te krijgen op vraag en aanbod en de
werkelijke oorzaken en verbanden achter alle versto-
ringen en inefficiëntie?
De praktijk heeft ons geleerd dat je al veel voordeel met
plaatselijk verkrijgbare gegevens kunt behalen. Die
aanpak biedt snel rendement. Voorwaarde is wel dat je
anders leert denken. Dan herken je kansen en prakti-
sche oplossingen. Dat komt vervolgens weer van pas
bij het benutten van Big Data. Het klinkt als een aanbe-
veling in de trant van: wie het kleine niet eert, is het
grote niet weerd.
Deze aanbeveling wordt ook gedaan op grond van de
ervaring met het optimaliseren van operationele proces-
sen op basis van onderzoek van beschikbare data bij
onder meer het Orbis Medisch Centrum. Het was daar
een spin-off van een belangrijke bijdrage aan het
ziekenhuisontwerp, waarna in de jaren volgend op de
opening van het centrum gekeken is hoe het efficiënter
en effectiever georganiseerd kon worden.
Bij Orbis is de planning van personeel, capaciteiten en
productie van nagenoeg alle afdelingen onder de loep
genomen. Gaandeweg is daarbij een solide, op gege-
vensanalyse gebaseerde, methode ontwikkeld. Hoofd-
zakelijk bestond deze uit het beter en slimmer benut-
ten van wat je ‘little data’ zou kunnen noemen: de al
beschikbare (en vaak eenvoudig te verzamelen operati-
onele gegevens) op een andere wijze te sorteren en te
verwerken. Met de ondernemingsdoelstellingen als lei-
draad is de organisatie geleerd om anders te denken en
deze ‘little data’ slimmer te verzamelen en te analyse-
ren. Die aanpak leverde Orbis grote besparingen op en
verschafte nieuwe inzichten over onder andere de ma-
nier van integraal plannen, werkdruk en -regulatie,
wachtlijsten, et cetera.
Deze aanpak is inmiddels modelmatig en methodisch
verder doorontwikkeld en wordt nu vanuit de context
van ons adviesbedrijf bij meerdere zorginstellingen en
in de profit sector nationaal als internationaal met suc-
ces toegepast. Een vestigingsplaats op innovatieve net-
15december 2014
Country Institute
149
107,1221,5
>9%
8,95
8,46
3,18
4,52
107,12
144,52
10
Hospital
Hospital
Hospital
Nursing
Nursing
Radiology
Hospital
Hospital
Hospital
Hospital
Private
1
2
3
4
5
6789
11
12
13
14
Totaal
Oktober 2014 © Care IQ BV
45,69
18,68 3
1,11
8,32
8,95
to Budget:>10%
86,88
38,41
90,06
54,15
23,2
423,53 415,32 385,38
Radiology
Radiology
21,68
17,03
Resource IQ ToBUDGET
Difference
177 177
42,88
167,37 9,63
3,52
0,58
3,38
59,99 686,65 678,44 623,17 55,52
FTE Realisation
127,5
98,17
Netherlands
Germany
Switserland
Norway
Ireand
OR
OR
OR
OR
Nursing home
DEPARTMENT
54,01
87,99
FTE BUDGET
Quickscan Resource IQ
23,52
23,02
32,3432,9232,92
26,4 26,4
26,826,8
to Budget ca 9%
werk op de High Tech Campus in Eindhoven is daarbij
een extra verfrissende stimulans.
De eerste stap in de gehanteerde methodiek bestaat uit
het op een bewust open en originele manier naar de
gegevens te kijken. De daaruit naar voren komende
conclusies zijn het vertrekpunt om een optimalisatie-
slag te realiseren.
De analyse van de data leidt tot nuttige observaties, die
het management soms verrassen, bijvoorbeeld:
Het patiëntaanbod blijkt heel voorspelbaar te zijn,
zowel in aantal als in diversiteit van aandoeningen.
Zolang het ziektekostenstelsel en de regelgeving niet
drastisch veranderen, herhaalt het patroon zich jaar
op jaar voor 96%.
Het volume spoedpatiënten is aantoonbaar te plan-
nen, te beïnvloeden én te reduceren.
Capaciteiten zoals bedden, operatiekamers of diag-
nostische systemen, staan gemiddeld 11-20% van
de beschikbare tijd leeg.
Flexibiliteit van personeel in de zorg behoeft slechts
circa 3% te zijn
Vanuit zulke waarnemingen start het proces tot presta-
tieverbetering van een afdeling. Een eerste ronde be-
staat uit het integraal plannen en afstemmen van de
productie, in relatie tot de behoefte aan capaciteit en
personeel. Het aantasten van ‘heilige huisjes’, zoals een
betere spreiding van werktijden, kan daar wel deel van
uitmaken. Het betreft zowel de afdelingsplanning als de
afstemming van achtereenvolgende afdelingen in de ke-
ten van het zorgproces, wat wij benoemen als ‘horizon-
tale en verticale integrale capaciteitsplanning’. Een af-
delingsmanager kan hiermee de nodige veranderingen
snel doorvoeren. Ze zijn immers gebaseerd op feiten uit
de eigen database. Met deze aanpak haal je in de eerste
fase meteen een hoog rendement: circa 9% is het ge-
middelde in een recente reeks instellingen (Tabel 1).
Frits van Krieken,
MSc, PhD, in sa-
menwerking met
Ron Hendricks,
MHA, beiden
Founding Partners,
Care IQ Group B.V.
Tabel 1: Resultaten van de eerste fase integrale capaciteitsplanning voor negen afdelingen in Nederlandse en internatio-
nale ziekenhuizen (geanonimiseerd).
16 december 2014
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53
Productie - weekmonitor 2013
Productie - maandmonitor 2013
400
500
600
700
800
900
300
200
100
0
Big data
In een tweede fase komt Lean werken aan de orde:
waarom doen we de dingen zoals we ze doen? Wat ver-
stoort ons werk en wat leidt tot overbelasting? Weer
worden de gegevens op de werkvloer verzameld.
In deze ronde gebeurt dit door de medewerkers zelf,
natuurlijk wel met de nodige begeleiding. Dat maakt
het herkennen van oorzaken eenvoudiger dan bij een
top-down aanpak. Het prikkelt de nieuwsgierigheid
naar informatie over het eigen werk. Gedrag, motivatie
en verantwoordelijkheid worden bespreekbaar, dus het
invoeren van verbeteringen gaat sneller. In deze tweede
fase wordt het rendement blijvend typisch vergroot tot
11-15%.
Die opbrengst gebruik je om te bezuinigen, of om het
vrijgekomen bedrag te gebruiken om zakelijke ambities
waar te maken. De organisatie leert daarbij bovendien
twee dingen: dat je veel meer inzichten uit je lokale
gegevens kunt halen en hoe je daarmee buiten de
gebruikelijke kaders kunt gaan denken. Dat ruimt
barrières op die verbeteringen die in de weg staan. Het
stelt vragen bij zaken die eerder als gegeven werden
beschouwd.
Waarom krijgt een operationeel manager bijvoorbeeld
pas twee of drie weken na maandafsluiting een KPI
rapport van het bedrijfsbureau? Stel dat daarin een ver-
storing van de productie zichtbaar is. De oorzaak is
dan niet meer te achterhalen en ingrijpen heeft geen
zin meer. Er verandert niets en het probleem kan zich
herhalen. Het is logischer om in meer detail en fre-
quenter de operationele gegevens op de werkvloer te
monitoren. Een weekmonitor laat bijvoorbeeld meer
zien dan een maandmonitor waar het beeld meer glad-
gestreken wordt dan de weekmonitor (Figuur 1). Die
maakt patronen zichtbaar waaruit je beter kunt ontdek-
ken wat je proces verstoort. De weekrapportage stelt je
in staat sneller bij te sturen én het effect daarvan zien.
Figuur 1: Vergelijking van maand- en weekmonitordata. De wekelijkse gegevens tonen veel beter de bandbreedte van de
productievariatie en de patronen daarin.
17december 2014
Exploreer vooral eerst de interne
little data goudmijn
Deze methodiek is een totaal andere aanpak dan de
regulier bekende rekenexercities met DOT/DBC, al dan
niet in combinatie met zorgpaden. Ze is eenvoudiger,
geschikter voor capaciteitsplanning en leidt sneller tot
blijvend positief rendement.
Een organisatie die zo de inzichten uit haar eigen data
weet om te zetten in betere prestaties, wordt stabieler.
Communicatie over budgetten wordt transparanter.
Soms wordt een afdelingsbudget niet gehaald en de
vraagt manager om meer personeel voor het volgende
jaar, terwijl het onderliggende probleem vaak onduide-
lijk is. Door integraal te plannen worden oorzaak en
gevolg duidelijker. Beslissingen staan minder onder
druk en ad hoc ingrepen zijn minder vaak nodig. Dat
verlaagt de stress bij het hoger management.
Ook de werknemers blijken na toepassing van integraal
plannen meer tevreden te zijn, terwijl het ziekteverzuim
daalt. Daarbij wordt een concept lange termijnplan ge-
bruikt om de personele inzet, zowel voor de afdelingen
als voor de individuele medewerker, inclusief ruim van
tevoren in te plannen flexibele uren. We noemen dat de
‘Nieuwe Flex’. Naar onze ervaring reduceert dat de inhuur
van externe krachten met 70-80%. Je vergroot bovendien
voor de medewerker de voorspelbaarheid van zijn of haar
inzet. Dat verbetert de balans tussen werk en privé.
Natuurlijk komt vervolgens de vraag aan de orde hoe
Big Data de integrale capaciteitsplanning in zorginstel-
lingen nog verder zou kunnen verbeteren. Als je plan-
ning met intramurale informatie op orde is gebracht,
kan Big Data-analyse inderdaad waarde toevoegen. Je
maakt verbinding met externe gegevens, wat helpt om
je positie in het ecosysteem beter in kaart te brengen en
daarop te acteren. Kun je bijvoorbeeld verband leggen
tussen hoge werkeloosheid in je zorgregio, de ziekte-
beelden en het patiëntenaanbod? Of kun je nauwkeuri-
ger voorspellen wat het effect is van een verandering
van je beleid? Blijf wel je intern opgebouwde expertise
gebruiken en weet wat je zoekt. Want niet alle patro-
nen in Big Data zijn betrouwbaar gebleken.
We willen Big Data inzetten voor duurzame kwali-
teitsverbetering van zorgverlening. Wensdroom is om
voorspellingen te doen die het begroten en budgette-
ren gemakkelijker maken, met kunstmatige intelli-
gentie die gebruik maakt van Big Data. Uiteindelijk
moet dit leiden tot een Gezondheidszorg Routeplan-
ner. Die ondersteunt zowel cliënten als zorgorganisa-
ties en wijst de weg, om zonder vertraging een
betaalbare en kwalitatief uitstekende zorgverlening
te bereiken.
Een logische eerste stap is om in bestaande gegevens
van een ziekenhuis of zorgverlener verder te zoeken
naar onvermoede verbanden. Nu halen we nog goed
gedefinieerde gegevens uit onze database om ons ope-
rationele model mee te vullen. Met Big Data-analyse
weet je niet vooraf wat je zult vinden. Je laat je nieuws-
gierigheid los op al je ruwe gegevens. Waarschijnlijk is
er zo nog een schat aan inzichten te vinden. Care IQ
heeft samen met twee software partners al een eerste
stap gezet op dit gebied. Wat niemand zal verbazen:
Orbis gaat als ‘ziekenhuis van de 21e eeuw’ aan deze
pilot studie meedoen.
Big Data, dat moet je vooral doen, maar start van
binnenuit en volg niet blind de Big Data hype. We
sturen daarbij de zorgmanagers langs een duidelijke
route op pad. Exploreer vooral eerst de interne little
data goudmijn. De doorontwikkeling van die data
levert al een hoog blijvend rendement op: meer dan
11-15%. Die competentie komt straks ook van pas -
en is zelfs noodzakelijk - als je resultaat wil
behalen met Big Data.
Met nadruk moet worden opgemerkt dat het gebruik
van Big Data pas zin heeft nadat de exercitie met de
optimalisatie en toepassing van little data heeft
plaatsgevonden. Anders kunnen conclusies uit Big
Data, door het leggen van ongeldige verbanden,
discutabel zijn.
1 ‘Orbis als experiment’, HEADline nr. 134, oktober 2013