23-06-2008
Alex en Geert Jan werken op de afdeling Database Marketing. Ze richten zich vooral op klantgegevens, NAW, pakketten. Maandelijks maken zij dumps van hun databases. Ze hebben geen overzicht van trends. Jaarlijks leveren ze een rapport op namelijk de in/uitstroom analyse. In deze analyse staat het aantal verzekerden die ingestroomd/uitgestroomd zijn, naar welke verzekeraar ze gaan, waar ze vandaan komen. Het moment dat ze kiezen voor deze analyse is 1 februari. Dit doen ze omdat dit de einddatum is voor verzekerden om te wisselen van zorgverzekeraar. Ook worden er dumps gemaakt van kleine AV-modules (reis en uitvaart). Met behulp van houtje-touwtje technieken worden er databases aan elkaar gekoppeld. Verzekerdennummer is hier de primaire sleutel. De kwaliteit van de data waarin dit verzekerdennummer ontbreekt is discutabel. Er wordt dan een check gedaan op gebied van postcode, woonplaats, geslacht, huisnummer. Probleem is dat tweelingen niet uit elkaar gehouden kunnen worden. Dit is echter een klein probleem. (maar het is er wel ´e´en!)
Ze vertellen ook dat er een plateauplanning is. Deze planning bestaat uit prioriteiten die afgehandeld dienen te worden. De constructie van een data warehouse staat hier op maar heeft een t´e lage prioriteit en wordt hierdoor nooit afgewerkt. Software (SQL Server / Business Objects) is aanwezig maar de kennis hiervan is t´e beperkt en niemand weet w´at te vragen.
Alex en Geert Jan zeggen dat er geen data definities zijn. Zij doen de analyse toevallig op 1 februari maar dit ligt nergens vast. Sommige collega’s hebben gegevens nodig van de verzekerdenstanden op 31 december en op 1 januari. Toevallig maakt Geert Jan hier een dump van maar dit staat nergens vast. Geert Jan vergelijkt cijfers uit de Vektis rapportage om te kijken of er grote afwijkingen ontstaan zijn in de afgelopen maanden. Zo blijken de ziekenhuizen nog achter te lopen op het gebied van declaraties. Het VeCoZo-systeem zou dit opgepakt moeten hebben maar dit is niet gebeurd. Ook vergelijkt hij
steekproefgegevens met cijfers van het CBS.
Alex vertelt dat er zijns inziens veel dubbel gedaan wordt. Zorggebruik vraagt gegevens van database marketing en andersom. Als die gegevens allemaal centraal zouden staan, zou dit veel tijd en moeite schelen.
De controle van gegevens in de database van Zorggebruik (Polaris) wordt gedaan op basis van gegevens uit de Gemeentelijke Basis Administratie (GBA). Gegevens worden geleverd door Marloes Drost van de afdeling Klant en Service. Zij heeft de gegevens van de verzekerden (historie). Grote verschuivingen zijn volgens Alex niet aanwezig omdat het switchgedrag erg klein is binnen De Friesland. Alleen de benodigde informatie wordt gegeven aan de afdeling database marketing.
Analyse van verzekerdengroepen wordt gedaan op basis van wijk
(achterstandswijk) en leeftijd maar nog niet op basis van zorggebruik. Als dit vanuit zorggebruik zou gebeuren, zou De Friesland op individueel gebied zorg kunnen aanbieden (bijvoorbeeld rollator gebruikers een goedkopere rollator aanbieden). Op deze wijze kunnen er betere deals gesloten worden met leveranciers van zorggoederen.
Alex geeft aan dat er ook een spanningsveld aanwezig is tussen de
kosten per verzekerde zo laag mogelijk houden terwijl de commercieel directeur zoveel mogelijk verzekerden wil hebben. (bejaarden aanspreken is voor de commercieel directeur aantrekkelijk maar voor de accountmanager niet.) Een kostenafweging ontbreekt ook omdat de formulering van een doelstelling ontbreekt. Voorbeeld hiervan is het verzenden van mailing. Database marketing zegt om een bepaalde groep aan te schrijven met een slagingspercentage van 98%. Commercieel directeur geeft echter de opdracht om iedereen te mailen met een slagingspercentage van 60%. Dit soort verschillen ontstaan en een kosten / batenplaatje ontbreekt. Een mogelijke oplossing om kosten te drukken is om analysen te maken van zorggebruikers en deze een groepsbehandeling bij een instelling te geven. (soort bulkafspraak). De acties van projectmanagers worden gefinancierd uit een budget. Dit budget moet opgemaakt worden omdat er anders het idee bestaat dat er volgend jaar minder budget beschikbaar is.
C INTERVIEWS 101
C.7 Gesprek met Jan Otto Dijkstra en Taeke Riemersma
op 24-06-2008
Beiden zitten op de afdeling TPO. Deze afdeling houdt zich bezig met controle, spiegelen van informatie, het houden van steekproeven en querying. De afdeling TPO bestaat uit 80 man, verdeeld over 6 teams. Procesbeheersing en risicobeheersing vallen ook onder de taken van TPO. Formele controle is de controle of alles wettelijk wel goed afgehandeld wordt op het gebied van declaraties. Verhaalschade (is de behandeling ook daadwerkelijk uitgevoerd), fraude opsporing/bestrijding en analyse worden ook gedaan.
De database van TPO zorggebruik is volgens Jan Otto voor 95% goed en heeft 5% foutieve informatie in de database. Volgens Jan Otto wegen de kosten niet op tegen de baten om de database 100% juist te maken. De fouten in de data komen doordat zorgleveranciers en medewerkers fouten maken. Vorig jaar bleek er na een steekproef, 1% foutieve data te zijn. Er is 85% - 90% externe integratie. Dit betekent dat er een controle is op ingekomen data. Fouten worden geweigerd en vervolgens gaat het hele proces geautomatiseerd. De afdeling Zorginkoop heeft na de invoering van de zorgverzekeringswet informatie nodig. Een stroomlijn tussen zorginkoop en zorggebruik mist maar is wel wenselijk. Veel informatie die Zorginkoop gebruikt komt uit het
grootboek. Dit grootboek wordt gemaakt door de data uit de zorggebruik database om te sleutelen. Doordat er omsleuting plaats vindt, verschilt de data uit de databases met elkaar. Medewerkers moeten kennis hebben van deze omsleuteling zodat ze weten dat de gegevens niet kloppen. In het
grootboek staan de gegevens die nodig zijn voor de accounts en dienen voor de verantwoording van de financi¨ele situatie. Accountmanagers willen informatie uit de database van zorggebruik in plaats van uit het grootboek. Er is een interne audit geweest naar de omsleuteltabellen.
Jan Otto vertelt dat processen gedefinieerd zijn in KPI’s, Business Balance Scorecard etc. Als er echter gevraagd wordt in welke mate deze
managementprincipes gebruikt worden, is het antwoord: zelden. De processen dienen eerst op orde te zijn. Taeke verschaft informatie op managementvragen die eigenlijk door het management z´elf geformuleerd dienen te worden in plaats van dat Taeke ze aanlevert.
Voor het defini¨eren van begrippen is het belangrijk dat er zowel vanuit de klant als De Friesland Zorgverzekeraar gekeken moet worden. Voorbeeld hiervan is het begrip kwaliteit. Kwaliteit volgens DFZ is zorg leveren met zo min mogelijk kosten. Vanuit de klant is het begrip kwaliteit veel minder specifiek. Een groot bed, een snelle behandeling, vriendelijke arts. Dit zijn allemaal zaken die kwaliteit volgens de klant kunnen defini¨eren.
Pro-activiteit wordt door middel van persberichten geprobeerd te bereiken. Door goede resultaten in de pers te laten verschijnen, hoopt DFZ klanten te werven. De focus van De Friesland Zorgverzekeraar ligt ook op Friesland. Er wordt wel vergeleken met Nederland maar dit wordt niet vaak gedaan omdat de focus op Friesland ligt. Een beter inzicht in de kosten binnen de provincie Friesland zou dus wenselijk zijn.
C.8 Gesprek met Auke Marra op 25-06-2008
Auke Marra vertelt dat er tien jaar geleden gewerkt is met de OLAP-tool Gentia. De problemen met deze tool waren:
1. slechte support
2. accountmanagers konden er niet mee overweg 3. moeilijk aan te passen
4. kosten waren hoog
De implementatie van het Gentia-pakket kwam nadat er een studie gedaan was door Arthur Overlack van Cap Gemini (13 jaar geleden). Er is daarom besloten om af te stappen van een OLAP-tool en dit via Access / Excel te doen. De queries worden gedaan door via een ODBC-koppeling verbinding te maken met de verschillende databases. Twee week geleden heeft Auke een ”cursus” SQL Server gehad samen met een groep collega’s. Dit duurde twee dagen maar Auke had het gevoel dat hij het veel sneller kon. Het niveau van de cursus werd aangepast aan de zwakste schakel. Er werd tijdens de cursus weinig geleerd en het was meer een praatje over SQL Server en de
mogelijkheden hiervan. In september volgt er een tweede cursus en dan wordt SQL Server toegepast op databases van De Friesland Zorgverzekeraar.
Auke zegt dat er vanuit het management te weinig vragen worden gesteld. De vragen die gesteld worden zijn reactief en zouden naar pro-actief moeten. De datadefinities zijn niet bekend bij de medewerkers (niet-technisch). Data is voor hen dus meestal abracadabra. De veldbeschrijvingen van de tabellen in een database zijn wel beschreven. (te vinden op L-schijf Schade Data Model Access) Auke doet veel op ervaring. Hij doet dit het werk van statistisch medewerker nu ongeveer tien jaar. Documenteren van acties die hij
onderneemt, gebeurt weinig. Vragen die hij van medewerkers krijgt, noteert hij in een Excel-bestand en deze deelt hij met TPO. Dit voorkomt dubbel werk. Auke doet ook periodieke queries waar niet naar gevraagd wordt maar die voor management w´el handig blijken te zijn. Hij bewaart de uitkomsten van de queries die hij opstuurt voor het geval dat mensen deze gegevens kwijt raken. Mensen raken deze alleen zelden kwijt (bewaren zelf waarschijnlijk veel en verwijderen weinig). Databases zijn op verschillende manieren te queryen. Elke query geeft een ander resultaat. Het type query is dus verantwoordelijk voor het uiteindelijke antwoord. Vaak verschilt dit niet veel maar het verschil is er wel. Waarom er een bepaalde query wordt gebruikt, wordt niet
vastgelegd. Fouten in velden komen voor en er wordt aan gewerkt om deze eruit te halen. De fouten komen in de tabellen door foute of incomplete invoer van medewerkers of zorgaanbieders (ziekenhuizen). Een voorbeeld hiervan is het veld Voorschrijver. Veel zorgaanbieders voeren hier datgene in dat door het systeem geaccepteerd wordt. Dit kan dus een huisarts zijn die al met pensioen is. Fouten die gebounced worden door het systeem en teruggezet worden in het VeCoZo-systeem als geweigerd, moesten vroeger (Auke weet niet of het nog steeds zo is) vervolgens handmatig ingevoerd worden. Dit kost meer tijd. Auke heeft toegang tot de verzekerdendatabase. De invoering van de Zorgverzekeringswet in 2006 zorgt ervoor dat data van v´o´or 2005 verschilt met de data van n´a 2005. Er is moeilijk een analyse te maken van trends met
C INTERVIEWS 103
behulp van deze data. Vragen komen binnen van medewerkers maar ook van afdeling verkoop. Als deze een vraag krijgen die geschikt is om door Auke beantwoord te worden, wordt deze doorgestuurd. Auke heeft geen toegang tot de collectieven database. Hij mist het collectievennummer. Auke gebruikt Mapinfo om grafische weergaves te maken en deze te tonen aan management. Dit wordt gewaardeerd. Auke vindt dat er een basis moet zijn en dat er breder gekeken moet worden dan alleen data mining. Data mining is een keer
geroepen door de directeur en vervolgens overgenomen door medewerkers. Impact van data is bekend maar concept data mining is bij velen onbekend. Het woord data mining moet niet gezien worden als toverwoord. Een Business Intelligence-pakket heeft een meerwaarde volgens Auke omdat de cijfers die beschikbaar zijn dan meer worden gebruikt. De gebruikersvriendelijkheid is toegenomen en OLAP-tools moeten makkelijker te gebruiken zijn dan vroeger (Gentia). Een presentatie zoals de SQL Server presentatie kan management meer inzicht verschaffen in de mogelijkheden van BI / DM voor DFZ. Ook stelt Auke een organisatiebrede invoering in plaats van een afdelingsbrede implementatie van BI software voor. Een ander probleem dat bestaat is het gebruik van meerdere bronnen. Voor financi¨ele data wordt er gekeken in het Grootboek. Dit is gemaakt op basis van de schadedatabase en omgesleuteld. Het updaten van fact books gebeurt volgens Auke ook niet. Er wordt weinig gebruik van gemaakt.
Conclusies / aanbevelingen op basis van interview:
• Documenteren kan beter. Er wordt veel op ervaring gedaan. Als iemand wegvalt, kan dit gevolgen hebben.
• Procesbeschrijving voor databronnen (1 bron gebruiken voor alle zaken en hoe de gegevens hieruit te krijgen).
• Indien softwarebedrijf ingeschakeld wordt, zo onafhankelijk mogelijk om juiste geschiktheid te krijgen van BI/DM binnen DFZ.
• Data definities verbeteren. Op tabelniveau aanwezig maar alleen beschrijving. Er ontbreekt informatie over de data. (vb. Hulpmiddelen: schoenen. Is dat 1 schoen of 2 schoenen? Termijn definities ontbreken ook)
• Onderzoek van Arthur Overlack moet eens doorgelezen worden. • Beschrijving komen hoe management de juiste vragen kan stellen. • Data kwaliteit wordt verminderd door foutieve invoer bij zorgaanbieders.
Dit zorgt voor vertraging. Extra toevoegen van controle op
voorschrijver. Vb.: Als voorschrijver al met pensioen is dan bounce. • Handig om in september mee te kijken met SQL Server cursus.
• Tabelnamen kunnen duidelijker maar is waarschijnlijk veel werk vanwege queries die aangepast moeten worden. (als dit standaard aangepast kan worden, wordt het makkelijk. Is dit echter ook wenselijk?)
• Kijken in een fact book van 2005, 2006, 2007, 2008 en kijken of er verschillen zijn. (copy paste werk).
years
Figure 14: History of DFZ
E Query Statistical employee
Figure 15: Query screenshot Stat. Employee
SELECT dbo_F01.BEDDEKL, dbo_F01.DATIN, dbo_F01.HON_KEY, [codes vraag].OMSCHR1, [codes vraag].x, dbo_F01.MDWUITV, dbo_F01.TALFAK INTO [codes vraag decl1]
FROM [codes vraag]
INNER JOIN dbo_F01 ON [codes vraag].HON_KEY = dbo_F01.HON_KEY WHERE (((dbo_F01.DATIN)>=20080101 And (dbo_F01.DATIN)<20080701));
SELECT [codes vraag decl1].BEDDEKL, [codes vraag decl1].DATIN, [codes vraag decl1].HON_KEY, [codes vraag decl1].x,
[codes vraag decl1].MDWUITV, dbo_MDW03.NM1, dbo_MDW03.PSTK, dbo_MDW03.SPECIAL, dbo_MDW03.WNPLTS, [codes vraag decl1].TALFAK INTO [codes vraag decl2] FROM [codes vraag decl1]
INNER JOIN dbo_MDW03 ON [codes vraag decl1].MDWUITV = dbo_MDW03.MDW_KEY;
SELECT TabelDatum2006.jaar, TabelDatum2006.maand, [codes vraag decl2].MDWUITV, [codes vraag decl2].x, [codes vraag decl2].SPECIAL, Sum([codes vraag decl2].TALFAK) AS SomVanTALFAK INTO [codes vraag decl3]
FROM [codes vraag decl2]
INNER JOIN TabelDatum2006 ON [codes vraag decl2].DATIN = TabelDatum2006.datum GROUP BY TabelDatum2006.jaar, TabelDatum2006.maand,
[codes vraag decl2].MDWUITV, [codes vraag decl2].x, [codes vraag decl2].SPECIAL;
SELECT [codes vraag decl3].x, [codes vraag decl3].SPECIAL, [codes vraag decl3].maand, Sum([codes vraag decl3].SomVanTALFAK) AS SomVanSomVanTALFAK
FROM [codes vraag decl3]
GROUP BY [codes vraag decl3].x, [codes vraag decl3].SPECIAL, [codes vraag decl3].maand;
E QUERY STATISTICAL EMPLOYEE 107
First:
SELECT dbo_F01.MDWDKL, dbo_F01.MDWUITV, dbo_F01.MDWAANV,
VertaalHerhalingsrecept.HON_KEY, dbo_F01.DATIN, dbo_F01.TALFAK,
TabelDatum.EEJJMM, dbo_F01.KRD_KEY, dbo_F01.KRD_KEY_CR INTO DataCONSULT
FROM (dbo_F01 INNER JOIN VertaalHerhalingsrecept ON dbo_F01.HON_KEY = VertaalHerhalingsrecept.HON_KEY)
INNER JOIN TabelDatum ON dbo_F01.DATIN = TabelDatum.EEJJMMDD WHERE (((VertaalHerhalingsrecept.HON_KEY) Like "512*")
AND ((dbo_F01.DATIN)>20080000) AND ((VertaalHerhalingsrecept.x) Like "C*"));
Second:
TRANSFORM Sum(DataCONSULT.TALFAK) AS SomVanTALFAK
SELECT NawMdw1.CATMDW, NawMdw1.[(Niet)Friesland], DataCONSULT.EEJJMM
FROM ((DataCONSULT INNER JOIN VertaalHerhalingsrecept ON DataCONSULT.HON_KEY = VertaalHerhalingsrecept.HON_KEY) LEFT JOIN NawMdw1 ON DataCONSULT.MDWUITV = NawMdw1.MDW_KEY) LEFT JOIN VertaalAHA_NAHA ON
NawMdw1.SPECIAL = VertaalAHA_NAHA.Special
WHERE (((NawMdw1.CATMDW)=1) AND ((DataCONSULT.EEJJMM)<200807)
AND ((NawMdw1.[(Niet)Friesland]) Like "f*") AND ((DataCONSULT.KRD_KEY_CR)="0")) GROUP BY NawMdw1.CATMDW, NawMdw1.[(Niet)Friesland], DataCONSULT.EEJJMM
PIVOT VertaalAHA_NAHA.SrtPrkt;
F QUERY TPO 109
HON KEY OMSCHR1 OMSCHR2 x
50300010 HERHALINGSRECEPT NietAanwezig
50302010 HERHALINGSRECEPT /PRAKTIJKONDERST
EUNING TOESLAG NietAanwezig 50304010 HERHALINGSRECEPT, INCLUSIEF MODULE
PRAKTIJKONDERSTEUNING
NietAanwezig 50500010 HERHALINGSRECEPT
DIENSTENSTRUCTU
REN NietAanwezig
512012000 CONSULT HUISARTS Consult
512012001 CONSULT HUISARTS LANGER DAN 20
MIN. Consult
512012004 TELEFONISCH CONSULT HUISARTS
Consult 512012005 HERHALINGSRECEPT HUISARTS HerhRec
512012007 E-MAILCONSULT HUISARTS Consult
512012110 CONSULT POH GGZ Consult
512012111 consult POH GGZ langer dan 20 minuten Consult
512112100 CONSULT POH Consult
512112101 CONSULT POH LANGER DAN 20 MIN.
Consult
512112104 TELEFONISCH CONSULT POH Consult
512112105 HERHALINGSRECEPT POH HerhRec
512212200 CONSULT ANW NIET HAP/HDS Consult
512212201 CONSULT LANGER DAN 20 MIN. ANW
NIET HAP/HDS Consult 512212204 TELEFONISCH CONSULT ANW
NIET HAP
/HDS Consult
512212205 HERHALINGSRECEPT ANW NIET HAP/HD
S HerhRec
512312300 CONSULT HAP/HDS Consult
512312302 TELEFONISCH CONSULT HAP/HDS
Consult
512312303 HERHALINGSRECEPT HAP/HDS HerhRec
512412400 CONSULT INCIDENTELE EN ACUTE
HULPVERLENING Consult 512412401 CONSULT LANGER DAN 20 MIN.
INCID ENTELE EN ACUTE HULPVERLENING Consult 512412404 TELEFONISCH CONSULT INCIDENTELE EN ACUTE HULPVERLENING Consult 512412405 HERHALINGSRECEPT INCIDENTELE EN ACUTE HULPVERLENING HerhRec
F QUERY TPO 111
VertaalAHA NAHA table
SPECIAL Vertaling
0 Unknown
1 AHA
9 NAHA
F QUERY TPO 113