【e医疗原创】衡反修（谈谈BI软肋）【e医疗原创】衡反修：谈谈

衡反修
北京大学肿瘤医院
信息部副主任

BI的概念自从1996年被提出以来，经过在国外企业的摸爬滚打，2000年初传入我国，在互联网和商业领域“攻城掠地”，颇有斩获。但2012年GRANTER调查分析显示，全球BI项目成功率很低，大概有60%到70%都是以失败告终。而在中国，这个数据可能会更高。其中原因有很多，比如标准缺失、管理支持不足、技术偏差等等。在中国的医疗行业，BI起步要晚数年，直到2008年左右才有少数医院涉足商业智能（由于医院不大喜欢“商业”，就改称“决策支持系统”，Decision Support System ，简称DSS）。2011年医院三甲复审文件中第一次明确提出DSS建设要求，于是借着东风，医院BI迎来了建设高峰，并持续发酵，一直延伸到当下的“大数据”。

说来建设几年了，结果如何呢？成功？还是失败？我相信在台前没有说失败的，特别是项目倡议者和BI供应商。但幕后呢？成功的案例我听说过的很少。难道医疗BI也不能摆脱企业低成功率的怪圈吗？

笔者从2004年接触BI，并经历了从试用、设计到医院项目化实施和应用的整个过程，个中滋味自知。我认为，项目之所以不甚成功，核心原因是BI产品和医院需求不能顺利契合。撇开医院业务需求不谈（医院作为传统行业，其业务需求变化甚少），不得不说的是当前BI产品存在的5大软肋。

1. 系统欠稳定：以数据仓库为基础的BI，链接了数据仓库上游的各种异构数据库。数据源的结构稍微有调整或者一个事先无法预知的“脏”数据，都会让BI“发动机”熄火（导致数据导入失败），如果再缺乏监控措施，等用户发现并反馈到信息中心，再派工程师顺藤摸瓜似的排错，可能几个小时、甚至几天就过去了。用户一次能接受，两次能理解，等第三次？对不起，不奉陪了。所以如何让BI健壮起来，无论从技术上还是从方案策略上，都是必须要解决的“战略”问题。

2. 实时性差：对历史数据的一次性清洗和整理，BI大多能够胜任，但由于ETL等技术限制，无法实现对实时业务的处理。即使厂商答应，也会因为ETL的数据抽取频率过高而影响生产系统的稳定性。即使数据能抽取过来，但随后CUBE的再处理也需要时间，所以无法解决医院管理者对BI数据实时性展示和监控的需求。

3. 数据准确性难以把握：医院统计数据的准确性和一致性非常重要，如果口径不一致，可能会带来很多不必要的麻烦。BI的优势是能够将各个数据孤岛关联在一起，从各个维度展示报表，可是，也正是这个优势，常常成为其劣势。由于拥有过多维度，反而失去了依靠，失去了数据准确性。BI项目起码有半数的时间在处理数据和核对数据，好不容易正确了，但随之增量数据的并入，异常数据的干扰，又会使数据准确性发生偏离。所以数据准确性如何保障，是增加人的审查，还是统计口径和规则的进一步规范，依旧是甲、乙双方纠缠最多的话题之一。

4. 分析难以预测：无论是商业智能、医疗智能还是DSS，大家用BI还是希望得到决策数据支持的。无论是驾驶舱还是决策树，或者趋势图、雷达图，不管多花哨，都是对历史数据的展示，哪里有预测呢？是预测下个月的门诊量？还是预测明年某月份的流感强度？可能院长在等到CUBE处理到位之前早就做好决策了。无论医疗管理还是临床研究，本就是极其复杂的学科，无论是何种研究预测分析，BI的确无法承受其重。

5. 非结构化数据无法分析：和传统商业模式不同，真正意义上的医疗数据都是半结构化和非结构化状态，如果想在医疗数据领域得到长足发展，对非结构化数据的处理和分析是当前或者之后数年医疗数据利用领域最迫切的需求和技术瓶颈。因为是难题，本不应该算是BI的错，但毕竟BI是担负数据归集整理和利用责任的主角，所以“责无旁贷”——需求就在那里，您看着办吧。

BI项目成败，因素众多，篇幅有限，不一而足。作为医院要做好基础业务系统数据，把握好管理思路。BI厂商可否搭Big Data的头班车，用新技术“补钙强身”？希望院长们的数据决策梦想不仅仅停留在梦中。