Kimola olarak birçok sektörde faaliyet gösteren markaların yaptıkları araştırmalarda hedef kitlelerini daha iyi tanıyabilmeleri, motivasyonlarını daha derin bir şekilde anlayabilmeleri ve araştırmanın sonuçlarına daha hızlı bir şekilde ulaşabilmeleri için teknolojiler geliştiriyoruz.
Veri toplama, veri sınıflandırma ve içgörülere ulaşma adımlarının her birinde destek verdiğimiz sektörlerden biri de sağlık sektörü. Konu bazlı sınıflandırmalarda daha derinlemesine kategoriler kullanarak, kaynak bazlı yaptığımız sınıflandırmaları konu bazlı sınıflandırmalarla ilişkilendirerek ve bu süreçte makine öğreniminden de faydalanarak, sağlık sektöründeki araştırmaları daha etkili hale getiriyoruz.
Dilerseniz Kimola’nın sağlık sektörü için makine öğrenimini nasıl kullandığını ve Cognitive ürünümüzün benzerlerinden hangi noktalarda ayrıldığını daha detaylı inceleyelim.
Sağlık sektöründe faaliyet gösteren firmalar, ürün ve hizmetlerini iyileştirmek için araştırma şirketleriyle uzun zamandır işbirliği yapıyorlar. Ne var ki birçok şirket, makine öğrenimini kullansın ya da kullanmasın, konu bazlı araştırmalara odaklanıyor. Örneğin, sosyal medyadan veya diğer kaynaklardan topladığı verilerin hangilerinin akciğer kanseri ile ilgili olduğu, akciğer kanseriyle ilgili hangi konuların ne sıklıkta dile getirildiği gibi bilgileri sağlayabiliyor.
Ne var ki özellikle sağlık gibi sektörlerde çoğu zaman verinin ne hakkında olduğu kadar hangi kaynaktan geldiği de büyük önem taşıyor. Örneğin akciğer kanseri ile ilgili ulaşılan konuşmaların hastalar tarafından mı hasta yakınları tarafından mı yoksa hekimler tarafından mı dile getirildiği bilgilerini elde etmek ve verileri bu şekilde sınıflandırabilmek, araştırmanın amacına ulaşabilmesi için çok kritik bir koşul.
Kimola olarak biz, sağlık sektörü araştırmalarınızda gerek Analytics ürünümüz ile dijitalde topladığımız verileri gerekse sizin sağladığınız verileri kaynaklarına göre de sınıflandırıyoruz. Örneğin ülseratif kolit ile ilgili bir araştırma yaparken, bu hastalıkla birlikte en çok konuşulan konulardan birinin “beslenme tavsiyeleri” olduğunu ortaya çıkarmakla kalmıyor, “beslenme tavsiyeleri” sınıfındaki datanın ne kadarının hastalar ne kadarının hekimler tarafından oluşturulduğunu da görmenizi sağlıyoruz. Bu sayede “Ülseratif kolit hastaları yoğun bir biçimde beslenme tavsiyesine ihtiyaç duyduklarını söylerken, hekim kaynaklı beslenme tavsiyesi içerikleri çok düşük kalıyor” şeklinde bir içgörüye ulaşabiliyoruz. Bu da sektörün, beslenme tavsiyesi konusunda arz ile talep arasında bir uçurum olduğunu görüp, bu boşluğu doldurma yönünde stratejiler geliştirmesinin önünü açıyor.
Öte yandan, makine öğrenimini kullanan Cognitive ürünümüzde sisteme tanımladığımız Sağlık Modeli gibi modeller, kaynak bazlı sınıflandırma yaparken yüksek hacimli veriyi yüksek doğruluk oranıyla kısa sürede işlemenizi sağlıyor ve böylece hasta, hasta yakını sınıflandırmasını otomatize ederek size vakit kazandırıyor.
Kimola olarak sağlık sektörünün verilerini az sayıda konu başlığına göre sınıflandırmakla yetinmiyoruz. Örneğin akciğer kanseri hakkındaki bir araştırmada bu hastalıkla ilgili verileri bir araya getirmekle kalmıyor, tüm bu verileri “Soru”, “Bilgilendirici içerik”, “Deneyim”, “Yorum” gibi ana konu başlıklarına ayırıyoruz. Bu noktada makine öğrenimini de kullanarak, on binlerce satır veriyi kısa sürede ve pratik bir şekilde sınıflandırabiliyoruz. Makine öğrenimi ve makine öğreniminin kalitatif araştırmalarda nasıl kullanıldığına dair daha detaylı bilgiye ulaşabilmek için ilgili sayfalara da göz atabilirsiniz.
Kimola’yı veri sınıflandırması ve analiz aşamalarında benzerlerinden ayıran ve öne çıkaran en önemli faktörlerden biri de derinlemesine sınıflandırma yapmamız. Verileri yukarıda saydığımız ana kategorilere göre sınıflandırmakla kalmıyor, “Teşhis/Tedavi/Alternatif Tedavi Yöntemleri” şeklinde alt sınıflandırmalar da yapıyoruz. Kimola’da bir sağlık araştırması, ortalama 6 ana, 30 alt kategoriden oluşuyor. Bu sınıflandırmalar ile yine hastaların en çok hangi konularda soru sorduğundan, en çok hangi konularda şikayet ettiğine, hastalığın toplum üzerindeki algısından, hangi tedavi hakkında ne düşündüklerine kadar detaylı veri ve içgörüler elde etmiş oluyoruz.
Bu alt sınıflandırmaların yanında, sağlık sektörü araştırmalarımızda, Analytics ürünümüzün gücünden de faydalanıyoruz. Kimola Analytics, belirlenen hekimlerin sosyal medya paylaşımlarını anonim olarak toplamakla kalmıyor, aynı zamanda demografik yapılarından ilgi alanlarına, ilgilendikleri TV yayınlarından etkileşime girdikleri haber kanallarına kadar yaşam stilleri hakkında veri sağlıyor.
Analytics ve Cognitive ürünlerimizin bize sunduğu avantajları kullanarak sağlık sektörü için sağlayabileceğimiz sınıflandırma ve analizler hakkında bazı somut örnekler vererek devam edelim:
Makine öğreniminden faydalanarak, elde ettiğimiz verileri “Hastalık”, “Hasta yakını” ve “demografi” gibi sınıflandırmalara tabi tuttuğumuzda, belirli bir hastalık için hastanın bakımını üstlenen kişilerin hangi yaş aralığında olduğunu ve hatta hastayla yakınlık derecesini rahatça görebiliyor ve buna göre bir strateji geliştirmenizi sağlayabiliyoruz. Varsayalım, A hastalığı bulunan çocukların bakımlarının ebeveynleri, yaşlıların bakımlarının ise torunları tarafından yerine getirildiğine dair bir sonuca ulaştık. Böylece daha ileri yaşlardaki insanlarda görülen bir hastalık için hasta yakınlarına yönelik bir strateji geliştirmek istediğinizde, dijitaldeki hedef kitlenizin gençlerden oluştuğunu bilmek, onlarla iletişimde hangi mecraları veya nasıl bir dili tercih etmeniz gerektiği konusunda çok değerli içgörüler sağlamış oluyor.
“Hastalık”, “Hasta”, “Demografi” ve “Sorular” kategorilerini sınıflandırdığımızda ise, belirli bir hastalığı bulunan insanların ne tip tecrübeler yaşadıklarını öğrenebiliyoruz. Yine bir örnek üzerinden gidelim; farz edelim ki B hastalığına sahip insanların en çok hangi konular hakkında kaygılandıklarını öğrenmek istiyoruz. Elimizdeki veriyi belirlediğimiz etiketlere göre sınıflandırdığımızda ve analiz ettiğimizde, B hastalığı için 18-24 yaş arasındaki erkek hastaların, hastalıklarının askerde onları nasıl etkileyeceğine dair sorular sorduğunu fark ediyorsak, bu konuya odaklanan bilgilendirici içerik sağlamak gibi bir iletişim stratejisi önerebiliyoruz. Türkçe dilinde hazırladığımız, bir metnin hastaya mı yoksa hasta yakınına mı ait olduğunu otomatik işaretleyen Hasta ve Hasta Yakını Makine Öğrenimi Modeli'mizi deneyimlemek için buraya tıklayabilirsiniz.
Yukarıdaki iki örnekte olduğu gibi doğru sınıflandırmaları bir arada kullandığımızda hedef kitlenizi doğru anlamakla kalmıyoruz, aynı zamanda ilk bakışta göze çarpmayan gizli içgörüleri de fark edebiliyoruz.
Kimola olarak sunduğumuz veri sağlama, veri sınıflandırma ve analiz hizmetiyle ulaşabileceğiniz içgörüler arasında aşağıdaki gibi örnekler de yer alıyor:
X hastalığına dair soruların %60’ı Y ve Z hastalığı bulunduğunu söyleyen ve bu durumda X hastalığı için yüksek risk grubunda olup olmadığını merak eden insanlardan gelmiş. X hastalığı için ilaç ya da aşı geliştiren bir firmanın, Y ve Z hastalıkları hakkında da bilgi sahibi olması gerekir.
(Not: Örneklerdeki veriler sadece fikir vermesi açısından seçilmiştir, gerçek araştırma sonuçlarını yansıtmamaktadır.)
Sağlık sektörünün önemli aktörleriyle yıllardır iş birliği yaparak edindiğimiz tecrübelerden faydalanmak ve makine öğrenimi kullanarak sağladığımız veri toplama, veri sınıflandırma ve veri analizi gibi hizmetler hakkında daha fazla bilgi edinmek isterseniz buradan bizimle iletişime geçebilir ya da Calendly üzerinden bir görüşme randevusu talep edebilirsiniz.
Ayrıca, Kimola Cognitive’i daha yakından tanımak ve %89’luk doğruluk oranıyla çalışan Sağlık Modeli gibi modellerimizi kullanarak verilerinizi nasıl pratik bir şekilde sınıflandırabileceğinizi görmek için bu sayfayı ziyaret ederek üye olabilir ve Cognitive’i ücretsiz deneyebilirsiniz.