发帖
雷达卡
在最近的博客中，我描述了美国精神病学协会的 《精神疾病诊断和统计手册》 作为本体论参考。我解释了如何将这种类型的资源用于可分发事件的编码，以建立数据库。在一个组织中，尽管围绕“疾病”的思想所处的环境是不同的。尽管如此，检查人们与他们的疾病有关的概念也可以应用于生产环境，即研究生产的疾病。我接受了一种疾病不一定是绝对的而是环境的，并且有可能是通过社会互动和规范的行为而构造的，我在所谓的“致畸性六角事件分布模型”中提供了可分布事件的生态学概念。
一天早上，我在上班途中在听广播。我听说一家医院的首席执行官对其员工进行非正式调查。她对举报的异常行为感到担忧。在生产环境中，这可能更常见地描述为不良或至少非生产性的行为。“畸胎发生”的意思是“制造怪物”。在其他博客中，我解释了如何使用“社会畸变”一词与外部互动的系统或模式如何促进个人的内部转变有关，例如与员工如何对待客户或本例患者有关。
无法跟随 个人员工的问题 级别不仅仅意味着无需复杂的系统来识别，评分和奖励出色的服务；这也意味着无法因服务水平低下或某些情况下的犯罪行为而受到惩罚。由于没有后果的威胁，缺乏监督会招致偏差的思想。然后，例如当执法人员和律师参与进来时，组织内发生的行为就可能成为外部考虑。从某种意义上说，允许偏差继续存在，组织就“补贴”了非生产性行为。一个可靠的起点始终是开始收集数据并跟踪问题的发展。首先，有必要质疑应该收集哪种数据。当甚至连潜在的问题都没有完全阐明时，这不是一件简单的事情。
一个诱人的起点是“需求评估”，我建议只有在最终目标是“建立共识”的情况下才有用。如果这个想法是让人们结成一条链，握手，并在某个时候开始一起唱歌，那是绝对可以考虑这种评估的，因为这是达成协议的一种好方法。但是，在存在根深蒂固的文化偏见的环境中-这些偏见可能首先导致了问题-达成共识可能不是最好的结果。假设最终目标是纠正或缓解，也许更好的方法是简单地开始绘制出有问题的行为。这是一个长期且持续的过程，因为检测到并抑制了这些行为。该组织逐渐发展出对这种疾病的抵抗力。
该模型包含六个主要组成部分（因此为“十六进制”）。我将针对医院描述这些部分：（S） 供应商 是医院本身的组织；（H） 处理 人员是与患者互动的护士，医生或其他雇员；（M） 市场 是互动的外部，尽管它包含影响负载和容量的力量；（C）具体 客户 是做出决定（或为服务付费）的人，尽管并不总是病人；（R）服务 接受者 ，不一定是做出决定（或为服务付费）的人，尽管可能是这样；及（A） 辩护人 可能是对提供服务感兴趣的政府机构或代理商。因此，该模型可以具有三种不同类型的客户端。在这些部门中，可以有多个细分部门：例如，医院中通常有许多类型的处理人员。
此十六进制可以生成不同类型的事件。主要类别如下：疾病，综合症，强迫症和行为（不包括在强迫症中）。出于编纂目的，我以其他人可能不会使用的特定方式使用这些术语。例如，对于编码，我将“综合症”定义为伪造或虚假描绘的模式。保持 与内向角色（讨厌的人）完全不同的外向角色（热爱 工作的人） 该工作）可以被视为综合症。观察者如何知道差异？好吧，这种在角色间切换的能力将是一个信号。一个人躺在一个级别上是否愿意以其他方式在另一个级别上做这个，这是分析的问题。此外，身份差异对企业是正面还是负面的问题是一个单独的问题。如果表达出的做某件事的意愿导致工作未完成，则该综合症在操作层面上会成为问题。可以合理地预期这会导致不良后果，从而迫使必须通过数据收集和分析来解决该综合征。
公平地质疑我为事件分配引入这种复杂本体模式的原因。区分事件分发和解决业务与运营问题很重要。事件分发是达到后者的一种手段。如果缺乏内聚性或准确性，则在分析过程中将很难确定要监视的对象，应如何纠正以及原因。因此，本体论过程是其他所有事物的基础。
与事件相关的致畸作用是什么意思？人们在工作场所表现出某些非生产性行为；这些行为的不利性质可能毫无疑问。例如，从患者那里偷窃是错误的。但是也有许多灰色地带，至少在开始时，确切的影响还不完全清楚。这样就很难接近肇事者要求采取纠正措施。在这些光线昏暗的地区，我个人喜欢产生 人体工程学的 解决方案的想法：通过外部或结构性的工具来制造工人。致畸事件的一种类型是工作的心态不是服务于患者而是主要是获得薪水，即对压力的激进的唯物主义反应。
分发事件后，将有不同的方式来处理分析。可能最传统的方法是对离散时间段内的事件进行计数：例如，每周或每月的病例数。由于这些事件本质上是致畸性的，因此趋势分析可能会指出纯粹从模式中出现的潜在问题。但是，我建议由于事件有时会占据影响尚不清楚的灰色区域，因此趋势分析应伴随算法影响分析。横波差分算法旨在将事件与代表生产指标类型的比例或梯度相关联。如上所示，该算法可以计算与每个现象层次元素关联的事件数。
顾名思义，横波差分算法使用两个横波之间的差。这种差异是“已处理”事件与“未处理”事件之间的差异-并不完全是在科学实验中的自变量意义上。仿真测试表明了该算法的有效性，该算法是我多年前亲自开发的。就计算机处理能力而言，该算法要求很高。因此，我将使用提取的数据样本来使用这种类型的算法。
下图总结了整个过程。我通过主动或被动方式添加了数据收集的第一步。多年来关注我的博客的人可能会意识到，我出于“质量检查”目的收集数据。尽管即使在今天仍然如此（也就是说，我检查了人们所做的工作），但我无法通过常规趋势分析或算法影响分析来跟踪他们的进度。我没有办法使用梯度分布或间隔分布来分布事件。（但是，我在家里有自己编写的事件分发器。）
该博客中描述的方法通常对自动数据记录器或大量编译不友好。这些事件非常复杂，具体，准确且相对不频繁。数据记录器和编辑器更适合于大量的通用事件，例如快餐店出售的汉堡包数量。但是，可以使用质量日志或汇编来制定性能梯度。在诸如“该组织如何提高患者满意度？”之类的问题中 人们很容易将调查的满意度视为提供指导的东西。但是实际上，度量缺乏本体结构。在缺乏结构性数据的情况下，很难知道如何提高满意度。
至少从控制的角度来看，呼叫中心的呼叫数量正在增加或减少这一事实无济于事。有必要进入本体数据库以确定这些调用背后的构造。尝试控制那些事件的趋势可以帮助组织获得对结果的控制。如果一个组织仅检查和参与结果，我相信这会在问题出现时造成问题。改变这些结果变得非常困难。
无论操作的性质如何（无论是呼叫中心，工厂，医院还是男生私立学校），数据的缺乏都意味着自满甚至是同谋。合法性基于数据。但是，重要的不只是任何一种数据。重要的是要在概念上进行一些努力：这允许将与操作结果有关的数据追溯到前身或生产结构。尽管分析领域通常都专注于结果-也许是因为这些指标相对容易收集- 通过集中于本体考虑和处理非参数事件的分布模型，可以更好地完成管理 任务。
关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
