您可以捐助,支持我们的公益事业。

1元 10元 50元





认证码:  验证码,看不清楚?请点击刷新验证码 必填



  求知 文章 文库 Lib 视频 iPerson 课程 认证 咨询 工具 讲座 Model Center   Code  
会员   
   
 
     
   
 
 订阅
从智慧养老业务和技术实现来解析数字化三大核心要素
 
作者:何明璐
  3263  次浏览      16 次
 2022-9-7
 
编辑推荐:
本文主要拿智慧养老解决方案来思考下数字化核心三要素的分析和落地过程,该文仅仅为一个参考思路,该思路你会看到在智慧城市很多细分垂直场景,类似智慧社区,智慧教育,智慧政务等同样适用。希望对你的学习有帮助。
本文来自于微信公众号人月聊IT,由火龙果软件Linda编辑,推荐。

在前面一直在谈数字化的时候一直谈到连接,数据,智能三大核心要素。即通过连接解决协同问题,同时在协同的同时完成数据的采集和集中化;其次是数据,围绕数据驱动的运营和分析;再次是数据带来的高层次价值,智能化和智慧化。

前面几年谈智慧城市比较多,而当时我谈智慧城市的时候,同意谈到了三个关键点。其一是可感知,其二是可协同,其三是可智能。感知解决万物互联的问题,协同解决基本的集成和业务场景联动问题;而最后才是智能,通过数据采集加工和分析,形成智慧。

实际你可以看到智慧城市和当前谈的数字化,核心内容本质是一致的,如果再高度抽象实际是两大关键内容。

其一是万物互联,其二是智能化和智慧化

而在这两者之间又有一个关键点,即数据,万物互联产生数据,而数据本身又为智能化提供决策。数据在打通全场景中起到了承上启下的关键作用。

今天准备拿智慧养老解决方案来思考下前面谈到的数字化核心三要素的分析和落地过程,该文仅仅为一个参考思路,该思路你会看到在智慧城市很多细分垂直场景,类似智慧社区,智慧教育,智慧政务等同样适用。

智慧养老概述

对于智慧养老可以先看下百度上的一个简单定义如下:

智慧养老是面向居家老人、社区及养老机构的传感网系统与信息平台,并在此基础上提供实时、快捷、高效、低成本的,物联化、互联化、智能化的养老服务。

如果在这个定义上做下扩展,则:

智慧养老应该是充分利用当前的物联网,大数据,5G,云计算等技术,面向居家老人或养老社区的,为老人提供生活,娱乐,饮食,健康起居全方位方便快捷,低成本,实时高效,自服务,无打扰,可预测的养老服务能力的平台或系统。

其中最基础的传统信息化软件和工具基本基本的自动化,自服务等问题;而对于物联网和泛终端的高效快捷,无打扰和实时快捷问题;大数据分析解决可预测等智能化问题。

今天谈智慧养老,并不是谈一个智慧养老平台需要提供哪些业务功能,而是希望从前面谈到的连接,数据,智能三要素来分析如何抓住智慧养老平台构建的一些关键核心内容。

连接-万物互联和业务协同

当谈到连接这个词的时候,很容易一下就跳跃思维到需要采用哪些物联网技术,哪些硬件终端设备,但是这个思路实际上并不太好。思考连接的时候仍然应该从业务角度出发,即首先应该思考清楚业务场景下的连接问题,其次再考虑如何通过物联网技术或硬件来解决连接的固化,实时化,自服务化等问题。

我们还是拿一个养老院或养老社区,要规划建设智慧养老解决方案谈起。

我们先不思考外部协同,那么对于养老社区来讲,实际上你会看到本身分为三大类,一类是管理人员,一类是服务人员,最后是实际入住的老人。在服务人员中本身可能又包括了护工清洁类,健康保健类,后勤服务类等。

简单画下,即如下:

入住的老人提出具体的养老需求,管理人员规划和安排,具体的服务人员按计划执行,形成一个完整的闭环业务协同,解决了最基本的人和人的连接问题。

在这个过程中可以看到类似基础设施管理,日常健康检查管理,后厨用品采购和追溯,清洁管理,娱乐活动安排,外出管理等全部都可以纳入最基本的信息化范畴。对于最传统的,一个养老院如果想建设一套MIS系统,基本就是上面这个思路,实现最基本的业务活动的信息化,流程化和自动化管理。

当在谈数字化和智慧城市的时候,实际上连接有两个重点。

其一是连接范围:就是这个连接不要局限在企业或社区内部,应该打破传统的边界来看待连接,形成一种无边界的协同能力。也就是说连接的范围应该更加广泛。

还是上图,一个养老社区实际上一定涉及到了老人家庭子女,医疗保健机构,政府部门,物流后勤服务商,其它第三方服务结构间的协同,通过协同后构建了一个完整的去边界化的大连接生态。

也就是说以后的业务信息流应该是和外界之间无边界触达的,业务活动要协同,数据也要协同和集成,不能出现应用孤岛或数据孤岛。

老人的子女原来是定期电话询问老人的情况,以后是直接可以实时地查看到老人的日常起居,健康指标情况,整个信息流应该完全贯通。包括类似养老社区的餐饮提供,从内部的餐饮管理,延伸到外部的后勤和物流提供商,形成全业务链协同和可追溯。

对于外部医疗机构同样道理,老人出现什么病症的时候,医生可以实时,动态地查阅老人在养老社区的饮食情况,生活情况,历史用药情况,历史类似血压血糖测量情况等。

所有上面的内容都需要打破传统边界进行业务协同。

其二是连接的类型:也就是我们经常谈的物联网和移动终端的引入。其中终端包括了自助式的服务一体机,可移动穿戴设备和健康检查设备,监控设备,各种自动化检测设备,自动化采集设备等。

各种物联网设备的引入解决了两个层面的问题,一个是我原来谈过的数字化中的时间和空间位移的高度统一。其二是数据采集的自动化,自服务,无干扰等。

举个简单的例子,你带了一个可穿戴设备,你每天的血压,血糖,血氧浓度等都可以自动采集并上传,方便后续的监控和数据分析。而这个过程全部对你没有大的干扰。不会影响到你日常的生活起居。

特别是对于老人活动,提供无干扰的解决方案,同时通过下沉的终端设备自动完成数据采集和录入,是方案是否能够落地的关键。

在很多传统的信息化解决方案里面,都是提供大量的表单,需要人工去录入,去跟踪,这本身就是对规则和人的强要求,导致执行一段时间很难落地。而智慧化方案的思路应该是,你在不知不觉中就把数据采集和形成了,而不是你特意去手工录入。

解决外部连接协同关键-云平台

在智慧城市,智慧社区等项目规划建设里面,一定会谈到云服务平台。为何一定谈到云平台,这不仅仅是简单的智慧社区IT系统上云的问题,而是通过云平台真正来实现了内外间的协同交互能力。

简单来说,内部和外部之间不是直接连接交互,而是通过云平台作为核心的枢纽和中心来完成业务和数据的协同和交互。

还是拿上面的连接来说,整个架构变为如下:

当到这里后,常说的智慧方案里面的关键点就出来了。核心的IT应用和数据中心都在云平台上,在智慧养老社区配置了物联网各种设备和边缘端网关或服务器,在用户端形成PC端,自服务机,手机端的泛终端应用。

数据-承上启下的关键

在前面谈数字化转型的时候实际就在谈,在通过业务系统建设,系统间集成解决了基本的连接问题,解决了核心业务价值链的业务流转后。后续的重点就会转移到数据驱动的持续优化改进上面。

即数据驱动的业务运作,数据驱动运营。

先谈一下传统信息化建设的思路。

传统的信息化建设更多的是我有哪些业务流程和业务流程需要电子化或自动化,那么根据这个需求开发了应用和业务功能,在功能的使用过程中逐步形成了业务数据,然后再来考虑这些数据如何进一步加工整合,用于后续的决策分析。

即常说的业务驱动的思路。

那么数据驱动的业务运作,整体思路就发生了改变。即我首先考虑的是我们需要什么样的数据来解决我们当前的运营或决策,其次再考虑数据如何通过业务或物联网设备材料落地。

比如我们提出一个目标,希望能够在早期就预测出老人可能发生的潜在疾病,并给出合理的膳食,活动调整方案。你要做这个事情,那么就需要对老人日常的饮食,包括摄入的具体食物,热量数据进行采集;对老人本身的血压,血糖等数据进行采集;对老人每天的活动量数据进行采集。只有采集了这些数据你才能够进行最基本的分析。

那么如何来采集这些数据,有些是需要传统的业务活动或业务表单填写来完成,有些是通过配套可移动穿戴设备完成,有些是通过和原材料厂家供应链打通来完成等。

那么我就需要按分解后的任务要求逐个去落地实施。

这就是典型的数据驱动业务。并不是说老人自己提出了我需要每天都采集血压,我需要你每天记录我的活动量,但是从我们最终的服务目标,我们需要这些数据。

其次就是数据驱动运营。简单来说,同样的道理,你的业务运作流程,业务的优化不是用户提出的需求,同样是你在数据分析和运营中发现了问题,需要改善。

还是拿前面例子来说,你会发现你最终监测的指标和数据分析结果不一致,比如血糖指标提升了很多,最终调查可能才发现是老人自己在一日三餐外摄入了大量的糖果等高热量零食。那么这个时候你就需要去优化你的业务运作。

包括我们可能给老人一个每天的活动量建议,但是这个活动量实际并不应该是一个所有老人都统一的KPI指标,而实际应该是基于数据的分析,给出适合每个人的活动量建议。或者给出每个人的差异化饮食建议。

对于数据的问题,首先你解决的是数据采集,集成和存储问题。

但是在很早以前在谈6Sigma方法论的时候就谈到,当你要使用数据的时候首先要确保你的数据本身是正确和合理的。即数据的度量系统,要先验证数据是正确的,其次才是分析和应用。即错误的数据用于分析只能得到错误的结论。

因此解决了数据采集和存储问题后,还不是马上的数据应用,而是数据的加工,清洗整理,数据的规范化和标准化等。即对应我们经常说到的数据管控治理规范,标准和流程等。

在前面国资委发布的《关于加快推进国有企业数字化转型》一文就专门谈到了数据治理的内容,而是单独拿出一个部分来谈,如下:

加快集团数据治理体系建设,明确数据治理归口管理部门,加强数据标准化、元数据和主数据管理工作,定期评估数据治理能力成熟度。加强生产现场、服务过程等数据动态采集,建立覆盖全业务链条的数据采集、传输和汇聚体系。

简单来说就是构建数据治理体系是数据应用分析的大前提。

没有好的数据治理体系,你有再多的数据也是白搭。没有好的数据管控治理体系,那就无法形成基于数据的持续采集,处理,分析,运营的持续优化和改进机制。

在前面我专门写过一篇文章,结合DCMM数据成熟度模型和各大IT咨询公司的数据管控框架,重新给出了一个完整的数据治理框架模型,如下:

对应这篇文章详细内容,可以参考:

从数据治理到数据资产管理-数据治理框架再思考

也就是说当把最基础的数据管控治理问题解决后,你才能够说如何构建进一步的大数据平台,进行数据建模,算法建模和大数据分析。

当然,不论是当前谈到的数据湖,数据中台,还是大数据平台。首先都在解决一个问题就是数据需要采集,集成,首先形成一个统一的数据存储库。

其次即对数据进行加工和清洗,形成可用的基础数据信息。

也就是说业务运作,物联网应用等都可以有自己的数据库,但是最终还是需要对数据按需求进行采集和集中化存储,形成一个大的数据中心,作为后续数据建模和分析的基础。这个和传统的BI系统建设思路并没有太大的区别。

只是传统的数据库ODS或数据仓库,变成了当前主流的数据湖。

我们在这里还是沿用数据湖的思路,但是要意识到数据在采集和集成中,要同时体现两个方面的作用。其一是数据支持业务运作和运营;其二是数据支持分析决策。

如下图:

可以看到大数据平台或数据中心的构建本身就是一件相当独立的事情。

不是你把业务类应用的数据库统一管理起来就是数据中心或大数据平台。同时更加不是你给一个Hadoop的技术架构就是一个大数据平台。

当你真正思考数据这个层面的事情的时候,实际是两个层面。

其一是数据如何支撑业务运作和运营

其二是数据如何支撑预测和决策

所以你在谈到数据层面的时候,必须要去回答上面两个问题。这两个问题不是简单的大数据技术平台能够回答的,技术平台仅仅是工具和手段。

要回答这两个问题,最重要的就是你的目标是什么?围绕这个模板你需要构建什么样的数据模型,然后你构建的数据模型为何能够支撑你完成你的目标。

简单总结就是基于目标驱动的数据建模。

强大目标驱动的原因是,你前期的大数据技术平台可以构建得大而全,但是你的数据集成,存储和分析一定不要大而全,而是要围绕你的核心目标驱动逐步演进。

你越是希望构建一个大而全的数据中心和能力库,就越是无法用起来。

智能-从大数据分析到人工智能

什么叫大数据?

拿智慧养老社区来说,如果仅仅是一个社区,你即使积累很多年,包括了结构化,视频,图像各种类型的数据,哪怕是达到PB级甚至更高,你也无法叫大数据。

大数据的关键特征里面还有一个点,即你需要采集足够多的样本数据。我们希望采集尽量多的数据来进行分析,解决传统概率方法中通过抽样采集方式带来的偏差问题。

如果你的数据仅仅局限在单个的智慧养老院,那么你永远无法达到智能和智慧的范畴。

当拿到数据后,实际我们可以做两个方面的事情。

其一是从横向维度进行对比,进行相关性分析。比如A社区和B社区的数据分析,60岁年龄段数据和70岁年龄段数据分析;山区数据和平原地区数据分析等等。

这些都需要大量数据采集获取,才有相关性分析的基础。

其二是动态时间维度分析,即我们持续地采集一个长周期数据后,进行数据的发展趋势分析,进行相关的预测和建模。这个单一社区本身也可以做,不太受数据样本量的影响。

第一种方式更多的是得出相关性,在你不清楚根源的情况下,给出了一些建议。而对于第二种方式则是希望对未来结果可预测,进行模型化表达,即:

y = f(x1,x2,x3....xn)

我们希望构建一个模型来表达,当影响因子明确的时候,y值本身是可以计算和预测的。这个就需要大量的数据采集,长周期的数据积累,否则无法进行建模。

还是回到智慧养老这个话题。可见的智能化应用场景有哪些呢?

比如我们前面谈到的通过数据采集和分析,自动化地调整老人的饮食搭配和运动量建议。这个就是典型的应用场景,需要进行数据采集,并基于已有模型进行分析给出建议。

而对于智慧养老里面经常会谈到的智能穿戴设备使用,自动健康数据采集,远程问诊,跌倒预警等等都不能算做智能化场景,仅仅是自动化场景。

智能化场景的重点一定是数据+模型驱动。

当从最基本的大数据分析,模型预测后,又会转到人工智能的高级阶段。但是到了人工智能阶段并不是去执行已有的模型预测,这个模型本身隐性化了,从精确模型变成了统计学思维。

即计算机只会告诉你某个建议,但是并不告诉你基于哪个模型得出这个建议,或者说计算机本身也无法拿出一个精确模型。

还是前面的例子,我们希望将老人的血压和血糖控制在某一个范畴里面。当某天计算机给出的建议是要增加某个维生素药片的摄入,如果是医生,从你以往的看病经验逻辑,你完全搞不清为何要增加这个维生素,从微量元素检测也不缺这个维生素,但是最终AI给出了这个结论。

当前我们谈论智慧养老的时候,实际上更多的仍然是停留在大数据分析和决策层面,但是这个层面如果能够应用好,已经可以解决很多问题。

真正要做好这个层面,需要专门的数据建模,数据分析,统计学人员,而不是要计算机类的技术人员。也就是说数据分析和智能化,技术平台不仅仅是工具,更加重要的是数据模型和数据算法的研究。

基于数据的持续分析和决策

任何一个平台,搭建完成后更加重要的是运营,而运营核心思路是数据驱动。对于智慧养老这类应用同样的道理。搭建平台的目的就是为了采集和整合数据,然后在数据积累到一定量后充分利用大数据积累,进行数据分析和决策。

比如你能够给出老人最佳的饮食和活动建议方案。其核心原因是你拥有上千万乃至更大量的老人5年以上,乃至更长时间的数据积累。我的样本数据足够多,那么我们最终的分析预测才可能足够有效。

任何一个平台要想持续发挥活力,最终拼的都是数据,基于数据产生的增值服务。

今天先谈到这里,希望能够结合这个场景真正将三大核心要素连接起来。

 

 
   
3263 次浏览       16
相关文章

手机软件测试用例设计实践
手机客户端UI测试分析
iPhone消息推送机制实现与探讨
Android手机开发(一)
相关文档

Android_UI官方设计教程
手机开发平台介绍
android拍照及上传功能
Android讲义智能手机开发
相关课程

Android高级移动应用程序
Android系统开发
Android应用开发
手机软件测试

最新活动计划
MBSE(基于模型的系统工程)4-18[北京]
自然语言处理(NLP) 4-25[北京]
基于 UML 和EA进行分析设计 4-29[北京]
以用户为中心的软件界面设计 5-16[北京]
DoDAF规范、模型与实例 5-23[北京]
信息架构建模(基于UML+EA)5-29[北京]
 
 
最新文章
简述Matplotlib
Python三维绘图--Matplotlib
Python数据清洗实践
PyTorch实战指南
Python爬虫与数据可视化
最新课程
Python应用开发最佳实践
Python+数据分析+tensorflow
Python 编程方法和应用开发
人工智能+Python+大数据
Python及数据分析
更多...   
成功案例
某通信设备企业 Python数据分析与挖掘
某银行 人工智能+Python+大数据
某领先数字地图提供商 Python数据分析与机器学习
北京 Python及数据分析
某金融公司 Python编程方法与实践培训
更多...