Als start is het van belang te komen tot een goede afbakening van de zorgvraag en het vaststellen van de niveau’s waarop we deze willen bepalen. Vervolgens dienen we alle beschikbare data te ontsluiten en te inspecteren op kwaliteit en bruikbaarheid voor het doel. We voeren de nodige kwaliteitsverbeteringen door en vullen de data aan met relevante databronnen.
Zo komen we tot een goede analyse-database waarmee we voorspellende modellen kunnen bouwen.
Om voorspellende modellen te maken beschikken we over unieke state of the art software, die het verschil maakt ten opzichte van reguliere statistische pakketten als SPSS en SAS. Deze is ontwikkeld door specialisten die zich uitsluitend met voorspellen bezighouden en waar alle kennis op dit gebied is samengebracht. Te denken valt aan hoe om te gaan met missing data, outliers en de detectie van causaliteit. Maar ook kwaliteitscriteria van Zorg kunnen in de modellen worden betrokken.
De software biedt tevens rijke mogelijkheden voor scenario-benadering ofwel de uitvoering van what-if analyses.
De voorspellingen van de Zorgvraag moeten leiden tot een betere inkoop van kwalitatief goede Zorg. Dit genereert weer praktijkdata die de organisatie in staat stelt de modellen te optimaliseren.
Waar nodig helpen we de onderneming om zelf met de software en de implementatie van de modellen te werken. Dat kan zijn het verder verbeteren van de data-huishouding en –infrastructuur, met mensen met de juiste kennis en skills en met een passende werkwijze. We maken de organisatie wendbaar om snel in te kunnen spelen op veranderingen en incidenten.
20 juli 2021
MIC en Cmotions slaan de handen ineen om fondsenwervende goede doelen en culturele organisaties te helpen... lees meer
2 juni 2020
De coronacrisis zorgt bij goede doelen voor enorme uitdagingen. De jaarlijkse huis-aan-huis collecte is een belangrijke... lees meer