移动医疗大数据的几个伪命题(二)

作者Dr.2,珍立拍股份公司董事长     

       

在目前的国内互联网行业内,跟风之气很重,如此“高大上的大数据分析怎么能够逃得过各类创业者,风师和行业内人士的法眼呢?因此无数的企业都开始宣称,我们要做大数据分析,大数据分析多么有用多么好,要是不做都不好意思和人打招呼。但是实际上,并不是所有企业和所有的商业模式都适合应用大数据分析,在本文中,我们主要会针对大数据的成本问题来进行探讨。

大数据具有4V理念:volumevarietyvelocityvalue,前三者指数据的容量、类型和传输速度,后者指在前三者基础上实现收集、存储、管理、分析而产生的数据价值。如此问题就来了,如何在前三者基础上实现收集、存储、管理、分析进而使数据产生价值?如何在这个收集、存储、管理、分析的过程中使其成本与所产生的价值成正比?

如果移动医疗企业想要涉足大数据,就必须解决下面两个问题:

第一,大数据项目需要耗费多少成本;尤其对创业企业的运营过程中,控制成本是一个重点。

第二,如何进行大数据的分析。因为利用大数据的价值需要足够的分析能力,需要知道其可能在移动医疗的哪些方面发挥作用并创造价值。

对于移动医疗大数据而言,成本应该包含两个方面——技术成本和人力资源成本。这两个成本分别蕴含在大数据的存储和分析中。但是数据分析能力的高低,才决定了大数据的真正价值。可以说,如果没有数据分析,“大数据”只是一堆IT库存,存储成本极高而收益为负。第一章中Dr.2曾经说过,目前国内大多数移动医疗初创企业,以所谓的大数据结尾,都是在耍流氓而已,因为目前他们仍然停留在对大量数据的收集,整理,储存和简单的分析等初级阶段。能够对大数据进行进一步研究、分析和运用的企业少之又少,因为成本太高了!想要从无数的垃圾中搜寻一块金子,首先你需要一个巨大的垃圾存储地,其次还需要耗费很多人力物力来进行搜寻工作,存储和搜寻本身所耗费的成本也许已经超过了金子本身的价值。

大数据并非是一个简单的项目,首先就像很多IT项目中所包含的那样,需要如下基础:软件许可和支持、硬件资源、高通量的带宽、存储服务器、完善的组织架构、人员专业技能和服务的培训、客服团队等。不过,大数据分析远远不止如此,很多IT项目在完成后,只需要保留少量人员后续跟进,或者安排机动人员偶尔进行维护即可,但是大数据分析却是一个持续投入,不能间断,越干越多的工作。因为其本质就是对数据进行不停的收集,并进行持续的分析,如果在某个时间段使用数据库中的某一段来分析,那么它本质上就只是小数据而已。所以真实大数据分析的支出和耗费都将会是巨大的,移动医疗的初创企业无法承受,那又何来商业模式呢?

从大数据的硬件支出管理方面来看,最初需要的存储需求可能在能力范围之内,但是随着对数据速度要求的提高,那所需要的硬件需求可能会成百上千倍地增加。届时,你需要面对的是大量的硬件支出,以及额外的人员和技术资源用以管理整体环境。如果需要对数据流进行实时分析,要检测假象或有异常的地方,则需要其他的商业工具或数据可视化工具来帮助实现。这又是一笔巨大的成本支出。即使租用第三方服务,如阿里云或亚马逊云,其成本也相差无几。

由于大数据分析的规模庞大,移动医疗的小企业即使已经砸锅卖铁开始做了,后续的持续投入也会让大部分人上西天,或者只能造假,人为干预!比如很多可穿戴公司宣称的大数据商业模式,试图收集并分析所有背有传感器的患者的数据,即使这些数据是由机器生成或者已经保存在系统中,但由于这些数据类型、数量和增长速率都各不相同,而且每个人的数据都需要长期保存,按大数据分析的要求,即使是最为细节性的数据也不能随意丢弃。因此随着时间的积累,数据量就会越来越多,直到崩溃。

再者,数据库如何保持稳定和可扩展性,如何不被黑客攻击,如何保护数据来源(如患者)的隐私,这些都非三言两语说说那么简单。

据麦肯锡咨询公司公布的一份报告显示,到2018年,美国在深度分析人才方面将面临14万至19万的人才缺口;能够分析数据帮助公司做出商业决策方面将面临150万的人才缺口。大数据分析职位相关的技能主要包括数学、统计学、数据分析、商业分析和自然语言处理。尽管对这些技能还没有达成一致,但是数据科学家、数据架构师等职位是大数据项目所必须具备的。

黎叔曾语重心长地说道:“二十一世纪什么最贵?人才!”所以对于移动医疗行业的大数据项目而言,专业性的数据分析和数据挖掘人才,很难负担的起如此高的人力资源成本。因为大数据的管理和分析对于参与者的收集、整理、统计、概率、数学、计算机、业务理解等方面的能力要求甚高。尽管“能力是可以培养的”,但是这些都不会从天上掉下来。而且移动医疗行业与普通行业不同,既要具有深度的医疗行业背景,又要具备IT、数学、统计学、管理法等的技能,这种人才真是非常难找啊!


简单把以上所述归纳如下表:

 

大数据成本因素

关键考虑内容

技术成本

硬件

数据压缩等所需设备

带宽

现有带宽是否能满足数据传输需求

存储

数据库是否提供了数据压缩,以产生可节省存储空间

数据分析

检查技术解决方案,如何进行数据分析

安全

提供内置安全访问权限

可用性

用于复制的数据管理环境,是否需要额外的工具

人力资源成本

组织架构

是否具有熟练大数据

的人力资源

数据收集人员

数据管理人员

数据分析运用人员

设备维护人员

客服人员

培训

员工培训或聘请新人

无论移动医疗初创企业是想把大数据项目外包,还是想自力更生独立自主来做,都需要考虑以上这些成本问题,听起来似乎只有“三个字”,但实际操作就另当别论了。现在各位读者知道Dr.2为什么说一些人在耍流氓了吧,很多人真的只是在忽悠概念,连如何真正落地都没有想过。

但故事并没有完,为什么说很多的移动医疗大数据是伪命题呢?这是因为大数据经常存在无意识的偷换概念、条件变异及本身存伪的情况。

在我们医疗行业,两个特征是很重要的——敏感性和特异性。敏感性是指患者的临床表现方面,一般不会被遗漏。而特异性是指一种疾病所具有的特征,在临床上,主要是被用来做诊断鉴别的,目的是用以排除易混淆疾病,是确诊某种疾病的金标准。特异性是敏感性的充分必要条件,而敏感性只是特异性的充分条件而非必要条件。具有足够的敏感性不一定就具有特异性,具有足够的特异性也不一定就具有敏感性。

即使辛辛苦苦真的搜集来了数据,可能却是毫无用处,这就是因为医疗中独特的特异性与敏感性问题、杂波干扰的问题、一票否决的问题和安全性第一的问题,这些我们将在后面仔细讨论。

 

(欢迎转载,注明作者和来源即可,愿意与Dr.2交流的请加微信号:2823095726)


浏览次数:803次