Sağlık sektöründe müşteri kayıp analizi ve veri madenciliği ile bir uygulama

Abstract

İşletmeler süreklilikleri için yeni müşteriler edinirken, müşteri portföylerini de tutundurmaya çalışmaktadırlar. Ağızdan ağıza pazarlamanın, sosyal medyanın mutsuz-kayıp müşterilere kazandırdığı etki alanı, yeni bir müşteri edinmenin mevcut müşterileri elde tutmaktan 5 ila 10 kat daha maliyetli oluşu, Müşteri Kayıp Analizinin (MKA) önemini arttırmıştır. MKA çalışmaları, müşteri aboneliği, sürekliliği bulunan sektörler için sıkça yer alırken sağlık sektöründe uygulamaları pek görülmemektedir. MKA’nın sağlık sektöründe yapılabilmesi için öncelikle, hizmet alıcılarının hangi durumlarda devamlı ve kayıp kabul edildiğini belirleyecek ölçütler gereklidir. Çocuk hastalar üzerine yapılan bu çalışmada, yıllık yaklaşık 5.000.000 hasta başvurusu olan bir özel sağlık kurumunun 2011-2018 yılları arasındaki 496.847 çocuk hastaya ait 3.400.000 başvurusu incelenmiştir. Öncelikle, ilgili yazın ve sağlık kuruluşunun büyük veri tabanı incelenmiş, kuruluşun uzmanları ile yarı yapılandırılmış mülakat yöntemi ile görüşmeler yapılmış, seçilen çocuk hastalar grubu için devamlı ve kayıp hasta kabul edilme ölçütleri yapılan nitel çalışma sonucunda belirlenmiştir. Veri madenciliği uygulama kısmında; çocuk hastaların yaşları, sosyal güvenceleri ve başvuru sıklıkları ile kayıp hasta kabul edilme durumu, ilgili hastaların sisteme kayıtlı şikâyetleri ile kayıp hasta kabul edilme durumları arasındaki örüntüler Karar Ağacı algoritmalarından CHAID ve CART ile analiz edilmiş ve tahminleme modelleri kurulmuştur. Anket sorularında Net Tavsiye Skorunu (NPS) etkileyen soruya verilen puanlandırma ile kayıp hasta kabul edilme durumu arasındaki örüntüler Ki-Kare testi ile incelenmiştir. Yaş, sosyal grup ve başvuru sıklıklarına göre kayıp hasta tahminlemesinde kullanılan Veri Madenciliği teknikleri sonuçları karşılaştırılmış ve yaş gruplarına göre 0-1, 1-2 yaş grubunda CHAID algoritmasının, 2-6 ve 6-10 yaş gruplarında CART algoritmasının, şikâyetler ve kayıp hasta tahminlemesinde ise CHAID algoritmasının daha başarılı sonuçlar verdiği gözlenmiştir. Ayrıca, en yüksek Kayıp hasta (churn) oranına sahip 2-6 yaş çocuk hasta grubunu en iyi açıklayan/bölünmeyi veren değerin çocuk hastaların 5-6 yaş aralığındaki başvuruları arasındaki maksimum gün farkı olduğu ve ilgili farkın 177 günden fazla olması durumunda kayıp hasta oranının çok daha belirgin olduğu saptanmıştır.

While businesses aim to acquire new customers, they also focus maintaining existing customers. With increased impact of word-of-mouth and social media on unhappy-churned customers and as acquiring new customers costs 5-10 times more than retaining existing ones, increased the importance of churn analysis. While churn prediction is frequently used in sectors with customer subscription basis, examples in healthcare are very limited. To apply churn analysis in healthcare, firstly criteria for profiling regular and churned patients need to be defined. 3,400,000 visits of 496,847 pediatric patients between 2011-2018 in a private hospital chain, which has approximately 5,000,000 patient-visits annually, were examined. Firstly, literature and database of the hospital were reviewed, subsequently, via qualitative techniques / semi-structured interviews were conducted with the experts to define criteria for regular and churned patients. In the data-mining; patterns between age, social security and admission frequency of the pediatric patients and churned-patient status, the complaints of the same patients registered in the system and the churned- patient status were analyzed with decision tree algorithms CHAID, CART and predictive models were established. The patterns between the question affecting Net Promoter Score in surveys and churned-patient status were examined via Chi-Squre Test. The results of the techniques were compared and it was observed that CHAID in the 0-1, 1-2 age groups, CART in 2-6 and 6-10 age groups for social security, age groups, frequency of visits vs. churn and CHAID for complaints vs. churn showed better results in predicting churned patients. Also, 2-6 years old group which has highest churn rate is explained best by maximum day difference between admission on the 5-6 years old, it was seen that when the maximum difference between 2 visits are more than 177 days, churn rate has a significant increase.