Video: 3 Perspectives to Better Apply Predictive & Prescriptive Models in Healthcare 2025
For at sikre en vellykket implementering af den prædiktive model, du bygger, vil du nødt til at tænke på implementering meget tidligt. De forretningsmæssige interessenter bør have en mening om, hvordan den endelige model ser ud. Således skal du i starten af projektet være sikker på, at dit team diskuterer den påkrævede nøjagtighed af den påtænkte model og hvordan man bedst kan fortolke sine resultater.
Datamodellerne bør forstå de forretningsmål, modellen forsøger at opnå, og alle holdmedlemmer skal være fortrolige med de beregninger, som modellen vil blive bedømt om. Tanken er at sikre, at alle er på samme side, arbejder for at nå de samme mål og bruger de samme beregninger til at vurdere fordelene ved modellen.
Husk at modelens driftsmiljø sandsynligvis vil være forskelligt fra udviklingsmiljøet. Forskellene kan være signifikante, fra hardware- og softwarekonfigurationerne, til dataernes natur, til selve fodaftrykket. Modellerne skal kende alle de krav, der er nødvendige for en vellykket implementering i produktionen, før de kan bygge en model, der rent faktisk vil fungere på produktionssystemerne. Implementeringsbegrænsninger kan blive hindringer, der kommer mellem modellen og dens implementering.
Forståelse af begrænsningerne i din model er også afgørende for at sikre dens succes. Vær særlig opmærksom på disse typiske begrænsninger:
- Den tid modellen tager for at køre
- De data, modellen har brug for; kilder, typer og volumen
- Platformen, som modellen ligger på
Ideelt set har modellen større chance for at blive implementeret, når
- det afslører nogle mønstre inden for de tidligere ukendte data.
- Det kan let fortolkes til de berørte parter.
- De nyligt afdækkede mønstre giver rent faktisk mening, og giver en operationel fordel.
