CN112182371B - 健康管理产品组合及定价方法及介质 - Google Patents
健康管理产品组合及定价方法及介质 Download PDFInfo
- Publication number
- CN112182371B CN112182371B CN202011004534.3A CN202011004534A CN112182371B CN 112182371 B CN112182371 B CN 112182371B CN 202011004534 A CN202011004534 A CN 202011004534A CN 112182371 B CN112182371 B CN 112182371B
- Authority
- CN
- China
- Prior art keywords
- data
- health management
- sample data
- score
- pricing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000036541 health Effects 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000011156 evaluation Methods 0.000 claims abstract description 47
- 238000013136 deep learning model Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000013139 quantization Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000008451 emotion Effects 0.000 claims description 50
- 230000006399 behavior Effects 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000013441 quality evaluation Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000005802 health problem Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000011002 quantification Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000009193 crawling Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000001303 quality assessment method Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 239000000047 product Substances 0.000 description 89
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 239000008186 active pharmaceutical agent Substances 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 230000001737 promoting effect Effects 0.000 description 5
- 206010020772 Hypertension Diseases 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 208000017667 Chronic Disease Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 201000001421 hyperglycemia Diseases 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 108010015780 Viral Core Proteins Proteins 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000021196 dietary intervention Nutrition 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 235000013402 health food Nutrition 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 201000009032 substance abuse Diseases 0.000 description 1
- 231100000736 substance abuse Toxicity 0.000 description 1
- 208000011117 substance-related disease Diseases 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000037221 weight management Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
Abstract
本发明涉及一种健康管理产品组合及定价方法及介质的技术方案，包括：构建样本数据库，样本数据包括指定人群的多维度样本数据；对样本数据库的维度数据进行量化及标准化处理，进而进行目标用户筛选和分类；构建目标用户分类的深度学习模型，通过深度学习模型对样本数据进行训练；根据目标用户对应的量化数据及评价指标，生成目标用户的评分表，根据评分表确定用户需求；根据用户需求，以及，根据用于健康管理的产品价格、设备价格及服务价格，进行对应的定价计算，并向目标用户进行推送。本发明的有益效果为：通过大数据采集及量化，实现健康管理产品的组合及定价，解决健康管理服务各步骤量化难、标准化难的技术问题。
Description
技术领域
本发明涉及计算机领域，具体涉及了一种健康管理产品组合及定价方法及介质。
背景技术
健康管理服务主要包括健康评估、健康教育、营养及胆固醇水平干预、高血压管理、体重管理、运动管理、生活行为矫正、工作压力管理、控制物质滥用等，一般为护士、健康教育工作者、心理学家、营养师和运动生理学家共同实施。该项健康服务具有健康管理产品无形性、健康管理师与服务购买者不可分割性、健康管理服务质量评价不稳定性、健康指标的易逝性、客户的满意标准不同、客户的参与程度不同等特性，该类特性都使得健康管理产品的制定在标准化和量化的过程中呈现极大的挑战与困难，确定健康管理服务实现过程主要包括以下步骤：确定目标客户、分析评价需求、选择和利用资源、确定个性化健康管理服务产品组合、确定产品价值、促进客户购买、调整产品资源与健康管理实现方式以及实现客户价值。其中康管理服务产品组合的确定是健康管理个性化实现的核心，该组合主要包括以下要素：产品、价格、渠道、促销、有形展示、过程和人员。其中产品在此处主要指健康维护产品、健康服务及健康管理仪器。
现有技术无法解决健康管理服务各步骤量化难、标准化难的问题。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一，提供了一种健康管理产品组合及定价方法及介质，通过大数据采集及量化，实现健康管理产品的组合及定价，解决健康管理服务各步骤量化难、标准化难的技术问题。
本发明的技术方案包括一种健康管理产品组合及定价方法，其特征在于，该方法包括：S100，构建样本数据库，所述样本数据包括指定人群的多维度样本数据；S200，对所述样本数据库的维度数据进行量化及标准化处理，进而进行目标用户筛选和分类；S300，构建目标用户分类的深度学习模型，通过所述深度学习模型对所述样本数据进行训练；S400，根据目标用户对应的量化数据及评价指标，生成目标用户的评分表，根据所述评分表确定用户需求；S500，根据用户需求，以及，根据用于健康管理的产品价格、设备价格及服务价格，进行对应的定价计算，并向目标用户进行推送。
根据所述的健康管理产品组合及定价方法，其中S100包括：从若干不同数据库获取指定人群的不同维度的数据，数据库存储的数据包括健康档案数据、病例数据、收入数据、受教育程度数据，以及涉及健康管理的一项或多项数据。
根据所述的健康管理产品组合及定价方法，其中S200包括：其中所述样本数据的所述量化包括：对样本数据划分至[0,1]范围内，其中0表示不存在样本行为，大于0且小于等于1表示样本行为程度低高；其中所述样本数据的所述标准化包括：通过z-score、min-max、log函数转换、atan函数转换、Decimal scaling小数定标标准化、Logistic/Softmax变换、模糊量化模式的其中一种或多种对样本数据进行标准化处理。
根据所述的健康管理产品组合及定价方法，其中S200中的目标用户筛选和分类包括：根据所述样本数据的所述量化及所述标准化，通过信息熵的方法实现健康管理评价指标的统计计算，其计算方式如下，
dj＝1-Hj (3)
Ci,j＝Wi,j×x′ij (5)
其中x′ij为正则化的样本数据，Pi,j为指标数值权重，Hj为信息熵，dj为信息熵冗余度，Wj为指标权重，Ci,j为单个健康管理评价相关指标分数，C′i,x为样本数据健康管理接受程度分数；样本数据的目标用户筛选包括：设置阈值其中/>筛选分数大于阈值的样本数据标记为目标用户∪，对不大于阈值的样本数据则标记为非目标用户；样本数据目标用户分类包括：将非目标用户标记为0，针对上述目标用户∪，按照目标用户分类、分类条件及分类标记，对样本数据库n个指标数据设置对应的n个阈值，/>各阈值满足
根据所述的健康管理产品组合及定价方法，其中S200包括：样本数据目标用户筛选主要包括设置阈值其中/>筛选分数大于阈值的样本数据标记为目标用户∪，其他则标记为非目标用户；样本数据目标用户分类主要包括，将非目标用户标记为0，针对上述目标用户∪，按照以下表格方法，对样本数据库n个指标数据设置对应的n个阈值，/>各阈值满足/>
根据所述的健康管理产品组合及定价方法，其中S300包括：所述深度学习模型包括样本数据训练及验证，包括将样本数据以设定比例随机抽取，作为训练数据和验证数据集输入到所述深度学习模型中，自动选取准确率最高且损失值最低的一组参数。
根据所述的健康管理产品组合及定价方法，其中该方法还包括：对所述深度学习模型进行评价及优话，包括将样本数据重新随机抽取设定比例数据作为测试数据，计算测试数据集准确率、混淆矩阵、精确率、召回率、平均精度、IoU、ROC、非极大值抑制等指标，循环增加样本数据，训练数据集并重新选择参数组合，进行模型优化。
根据所述的健康管理产品组合及定价方法，其中S400包括：分析评价需求，根据已确定的目标用户，创建细分评价表，细分评分表包括有健康问题总和的健康风险指数，将健康风险指数超过设定值的目标用户作为推送对象，确定需求结果；根据现有的用于健康管理的产品、设备及服务的数据表进行匹配和定价计算，得到定价结果；根据目标用户、需求结果及定价结果采用需求导向定价法，进行组合定价，得到根据目标用户分类的制定价格方案。
根据所述的健康管理产品组合及定价方法，其中S500还包括对所述制定价格方案进行评判，包括可通过问卷、爬取社会媒体网络对制定价格方案的评价信息做以情感分析得出分数调用情感分析接口对文本数据进行情感分数统计，得到顾客满意度，并进行产品价值分数的计算，计算方式为其中Pv产品价值分数，Ps为对应产品的顾客满意度。
根据所述的健康管理产品组合及定价方法，其中S500包括：对用户反馈的信息进行情感分析，并根据情感分析进行推送，包括：调用sklearn情感分析API，对反馈文字数据进行情感分数统计，处理结果为[0,1]，0为消极情感，1为积极情感；对推送的健康产品的组合采用one-hot进行标记，将浏览项目时间采用z-score、min-max、log函数转换、atan函数转换、Decimal scaling小数定标标准化、Logistic/Softmax变换及模糊量化模式的一项或者多项，对其进行标准化处理，处理结果为[0,1]，其中1表示时间最长；采用以下公式求得推送质量评价分数：推送质量评价各项分数＝标准化浏览时间*情感分数，
选取各项分数最大的作为该顾客二次推荐的组合，累计推荐结果，采用但不仅限于Apriori算法，计算各项子项目与推送质量评价总分数的相关性，设定阈值，并确定正向影响推送质量评价总分数大于阈值的若干项组合产品，按照Apriori支持率大小正向排序，进行下次的推送。
根据所述的健康管理产品组合及定价方法，其中S500还包括：One-hot编码，采用但不仅限于Apriori算法，计算各项产品服务与健康干预效果评估的相关性，将行为按照Apriori相关性结果大小负向排序。
根据所述的健康管理产品组合及定价方法，其中S500还包括：阶段性从数据库搜集顾客评价反馈文本，采用但不仅限于调用sklearn情感分析API，对顾客评价文本数据进行情感分数统计，0为消极情感，1为积极情感；将各项组合产品中顾客的行为改变采用One-hot编码，采用但不仅限于Apriori算法，计算顾客自身行为改变与顾客阶段性自评的相关性，将行为按照Apriori相关性结果大小正向排序。
本发明的技术方案还包括一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现任一所述的方法步骤。
本发明的有益效果为：通过大数据采集及量化，实现健康管理产品的组合及定价，解决健康管理服务各步骤量化难、标准化难的技术问题。
附图说明
下面结合附图和实施例对本发明进一步地说明；
图1所示为根据本发明实施方式的总体流程图；
图2所示为根据本发明实施方式的目标用户分类深度学习系统结构图；
图3所示为根据本发明实施方式的健康管理服务产品组合布局图；
图4所示为根据本发明实施方式的产品组合定价流程图；
图5所示为根据本发明实施方式的介质框图。
具体实施方式
本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。
在本发明的描述中，对方法步骤的连续标号是为了方便审查和理解，结合本发明的整体技术方案以及各个步骤之间的逻辑关系，调整步骤之间的实施顺序并不会影响本发明技术方案所达到的技术效果。
本发明的描述中，除非另有明确的限定，设置等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
图1所示为根据本发明实施方式的总体流程图。该流程包括：S100，构建样本数据库，样本数据包括指定人群的多维度样本数据；S200，对样本数据库的维度数据进行量化及标准化处理，进而进行目标用户筛选和分类；S300，构建目标用户分类的深度学习模型，通过深度学习模型对样本数据进行训练；S400，根据目标用户对应的量化数据及评价指标，生成目标用户的评分表，根据评分表确定用户需求；S500，根据用户需求，以及，根据用于健康管理的产品价格、设备价格及服务价格，进行对应的定价计算，并向目标用户进行推送。
康复评定过程为，建立样本数据、样本数据量化及标准化、计算样本数据健康管理接受程度分数、样本数据目标用户筛选、样本数据目标用户分类、建立目标用户分类深度学习模型、深度学习模型样本数据训练及验证、评价及优化目标用户分类深度学习模型。
图1目标用户分类深度学习系统结构图，参考图1，图2提出了详细的实施方式，具体包括：
建立样本数据库主要包括：选取某些场景及场景下的特定人群，该场景包括：工作场所、社区、学校等，其中工作场所为健康管理服务效果最优也是必要和首选场景。通过调取人员健康管理档案、医院就诊及现病记录、志愿者抽样调查、访谈、问卷等形式，搜集该人群的健康管理档案数据、医院就诊及现病记录数据、经济收入数据、教育程度数据、健康管理专业知识、个性分类(理智型、非理智型)、历史健康管理行为发生时间(发生健康问题前、中、后)、是否有固定健康管理师/机构/健康管理相关咨询者、时长及地点(健康管理服务场所、非健康管理服务场所)、健康管理评价相关指标数据(例如：对健康管理的评价数据)、健康管理产品消费月均值等目标确定因素数据。
样本数据量化及标准化主要包括，将上述数据进行量化及标准化处理，及将数据量化到[0，1]范围内，其中0表示程度最低，1表示程度最高。其中量化标准包括但不限于one-hot法则，例如是否有糖尿病，是则为1，不是则为0。有关性格数据采用但不仅限于九型人格评判表，对人员性格进行衡量，其中理智型记为1，其他记为0。有关历史健康管理行为发生时间(发生健康问题前、中、后)，发生健康问题前存在健康管理行为记为1，发生健康问题时存在健康管理行为记为0.5，发生健康问题后存在健康管理行为记为0。有关“是否有固定健康管理师/机构/健康管理相关咨询者”，是则记为1，否则记为0，有时会咨询则酌情记分在[0,1]。有关对健康管理的评价数据主要处理方式为采用但不仅限于调用sklearn情感分析API，对文本数据进行情感分数统计，0为消极情感，1为积极情感。标准化方法采用但不仅限于z-score、min-max、log函数转换、atan函数转换、Decimal scaling小数定标标准化、Logistic/Softmax变换、模糊量化模式。
计算样本数据健康管理接受程度分数主要包括，基于上述量化及标准化样本数据，采用信息熵的方法实现健康管理评价相关指标的统计计算。计算公式如下，其中x′ij为正则化样本数据，Pi，j为指标数值权重，Hj为信息熵，dj为信息熵冗余度，Wf为指标权重，Ci，j为单个健康管理评价相关指标分数，C′i，x为样本数据健康管理接受程度分数。
dj＝1-Hj (3)
Ci,j＝Wi,j×x′ij (5)
样本数据目标用户筛选主要包括设置阈值其中/>筛选分数大于阈值的样本数据标记为目标用户U，其他则标记为非目标用户。
样本数据目标用户分类主要包括，将非目标用户标记为0，针对上述目标用户U，按照以下表格方法，对样本数据库n个指标数据设置n个阈值，各阈值满足假设健康管理专业知识分值阈值为/>教育程度分数与职位/>“是否有固定健康管理师/机构/健康管理相关咨询者”阈值为/>经济收入阈值为/>健康管理产品消费阈值为/>分类结果若出现同时属于两个类，则选区分值与阈值差别最大的一类，如下表1所示的目标用户分类规则表。
表1目标用户分类规则表
建立目标用户分类深度学习模型主要包括采用但不仅限于Python编程语言的keras分类模型，例如VGG、Inception、ResNet，建立深度学习分类模型。
深度学习模型样本数据训练及验证主要包括将样本数据以一定比例随机抽取，作为训练数据和验证数据集输入到该模型中，自动选取准确率最高、损失值最低的一组参数。
评价及优化目标用户分类深度学习模型主要包括将样本数据重新随机抽取一定比例数据作为测试数据，计算测试数据集准确率、混淆矩阵、精确率、召回率、平均精度、IoU、ROC、非极大值抑制(NMS)等指标，在此基础上不断收集增加样本数据，训练数据集并重新选择参数组合，实现模型优化。
分析评价需求
针对上述的确定目标用户，结合健康管理学、医学及统计学的相关理论知识，基于上述中建立数据库中用户的健康管理档案数据、医院就诊数据及其他相关数据，设置健康管理需求细分评价表，例如现有慢病(高血压、高血糖等)为1，则需要慢病(高血压、高血糖等)专项管理。细分评分表上各健康问题总和为健康风险指数。或者输入到现有的健康风险评估软件，进行评价，将健康风险较高的若干专项作为目标用户健康管理需求的重点，风险指数较高的人群作为重点干预对象。
选择和利用资源
将健康管理服务单位现有的资源制作资源库，将资源容纳人数与时间段与上述细分需求评价表，做匹配，例如：针对慢病(糖尿病、高血压疾病患者)的健康服务资源配套，服务单位现有资源：定期健康体检的资源、开具健康处方的权威软件、检测运动耗能的工具、检测血压、血糖的家庭专用仪器、能够及时获取患者健康数据的通讯资源、有效的营养干预产品等，与目标管理人群在特定时间内进行匹配并提供到位。
确定个性化健康管理服务产品组合，具体参考图3。
如图3所示确定个性化健康管理服务产品组合共分为7个方面，分别为产品、价格、渠道、促销、有形展示、过程和人员。
1)产品在此处主要指健康维护产品、健康服务及健康管理仪器。
其中，健康维护产品主要分为保健食品、保健用品、健身产品和医疗器械。
其中，健康服务主要分为：中医药医疗保健服务、健康养老服务、健康保险服务、健康咨询服务、健康体检服务、体育健身服务、健康旅游服务、就以绿色通道服务、慢病管理服务和母婴健康管理服务。其中，健康咨询服务主要分为集体咨询、一对一指导和电话咨询和随访。
其中，健康管理仪器设备主要包括健康监测设备、健康评估设备、干预设备和智慧医疗平台。其中，健康检测设备主要包括一般检查检测设备(体温计、BMI检测仪等)、实验室检查设备(全自动生化分析仪、TCT检测仪等)、辅助检查设备(X线成像仪、脑电图仪等)、中医检查设备(中医体质辨识仪、中医四诊仪等)、特殊检查设备(亚健康测定仪、动脉硬化测定仪等)；智慧医疗平台主要包括智慧医院系统(医院信息系统、实验室信息管理系统等)、区域卫生系统(社区医疗信息系统、科研机构管理系统等)、移动医疗平台(医联、就医160等)
产品定价的标准如下：1.产品使用资源为现有资源；2.最大限度的利用资源；3.最大限度的满足评价需求
2)价格主要基于成本导向定价法、竞争导向定价法和需求导向定价法求取定价P，此外，选取需求导向定价中得出的产品服务时间成本、顾客感受成本和心理成本作为该组合相关方面的非货币成本和利益参考：
成本导向定价法公式如下，该项定价方法以整套产品组合为单位予以定价，决定不含税价格P1。
P1＝直接成本+间接成本+(边际)利润
竞争导向定价法公式如下，该项定价法至少选取3家较优秀其他公司的同质化服务产品价格,即(n≥3),求取不含税价格P2。
调整计算P1时的(边际)利润使得P1≥P2,/>
根据目标用户类型、分析评价需求结果、选择和利用资源、结合上述定价结果，采用需求导向定价法，实现组合定价，步骤如下：
1、计算产品组合的资源利用率Pr，选择和利用资源，计算公式如下,其中
2、计算产品组合的需求覆盖度Pn，结合分析评价需求结果，计算公式如下：
3、根据目标用户类型制定价格方案，结合目标用户类型及上述结果，计算产品定价，计算公式为：P＝Pr*Pn*P1
表1目标客户分类需求定价表
参考图4的产品组合定价步骤图，具体如下：
3)渠道，表示健康管理产品及服务的提供方式，分为：直销(门店等固定场所直接面向客户提供服务)、分销(通过社区卫生服务机构和医院体检中心等为客户间接提供服务)、网络营销(通过网络电子设备对顾客提供咨询、健康提醒等服务)。
渠道的选择由产品类型及顾客意愿决定。
4)促销，是推动健康管理产品及服务产业的最主要核心手段，在健康产品组合中，促销代表：该顾客是否能够成为本产品的促销核心代言人及典型案例，若是，则可酌情调整定价及产品的组合设定。
该指标主要决定于顾客的意愿与健康管理结果预期。
5)有形展示，主要包括服务流程、健康监测工具、健康监测工具、服务终点和收益评价，该指标在健康产品组合中主要判定，该顾客是否能够实现在服务流程、健康监测工具、健康监测工具、服务终点和收益评价方面，成为该产品服务有形展示的代言人。
该指标主要决定于顾客的意愿与各项指标的预期结果。
6)过程，主要包括发散式服务和集中式服务。
该指标主要决定于顾客的意愿、健康管理服务机构的资源条件，以及健康管理结果预期。
7)人员，主要包括医护人员、健康管理人员和其他人员。
该指标主要决定于顾客的意愿、健康管理服务机构的资源条件，以及健康管理结果预期。
确定产品价值
产品价值分数Pv计算法则如下,其中，Ps为该类产品的顾客满意度，可通过问卷、爬取社会媒体网络对同质产品服务的评价信息做以情感分析得出分数，采用方法不仅限于调用sklearn情感分析API，对文本数据进行情感分数统计，0为消极情感，1为积极情感。此外，对于产品或者服务中多项子项目或子产品，求取其均值作为该项产品服务的顾客满意度。0≤Ps≤1，0≤Pv≤100,100分为满分。
促进客户购买
促进客户购买是推动该健康管理产品及服务行业发展及促进健康管理理念发展的最重要的步骤之一。该过程主要包括两种：促进初次购买和再购买。
促进初次购买主要针对人群为非目标用户，再购买主要针对目标用户。
促进方法主要包括，通过推送健康管理服务单位的资源信息、产品服务组合信息(产品、价格、渠道、促销、有形展示、过程和人员)、预期产品价值(Pv)实现顾客初次购买意愿促进。并通过顾客浏览时间、浏览项目、反馈文字，对n个推送项目进行调整。
具体调整方式主要包括，采用方法不仅限于调用sklearn情感分析API，对反馈文字数据进行情感分数统计，0为消极情感，1为积极情感。推动项目采用one-hot进行标记，将浏览项目时间采用但不仅限于z-score、min-max、log函数转换、atan函数转换、Decimalscaling小数定标标准化、Logistic/Softmax变换、模糊量化模式，对其进行标准化处理，处理结果为[0,1]，其中1表示时间最长，采用以下公式求得推送质量评价分数：
推送质量评价各项分数＝标准化浏览时间*情感分数；
选取各项分数最大的作为该顾客二次推荐的组合，以此类推。
最终当推荐结果数据足够多时，采用但不仅限于Apriori算法，计算各项子项目与推送质量评价总分数的相关性，设定阈值，并确定正向影响推送质量评价总分数大于阈值的几项推送产品，按照其Apriori支持率大小正向排序，实现下次的推送。
调整产品资源与健康管理实现方式
整产品资源与健康管理实现方式主要包括阶段性提供健康干预结果、分析原因及调整产品资源与健康管理实现方式。
健康干预结果主要来源于分析评价需求中有关顾客健康问题各项指标的改善情况，采用“析评价需求”步骤中同款健康风险评估软件对顾客进行阶段性健康干预效果评估。
将各项产品服务采用One-hot编码，采用但不仅限于Apriori算法，计算各项产品服务与健康干预效果评估的相关性，将行为按照Apriori相关性结果大小负向排序，重点对负向促进结果所对应的产品服务项目进行调整产品资源与健康管理实现方式。
在顾客购买健康管理产品后，阶段性搜集顾客评价反馈文本，采用但不仅限于调用sklearn情感分析API，对顾客评价文本数据进行情感分数统计，0为消极情感，1为积极情感，该情感分数作为顾客对自身健康管理服务后的阶段性自评。此外，将各项产品服务中顾客的行为改变采用One-hot编码，采用但不仅限于Apriori算法，计算顾客自身行为改变与顾客阶段性自评的相关性，将行为按照Apriori相关性结果大小正向排序，相关性排序最大所对应的顾客行为表示最能够实现客户价值，以此形成报告与顾客分享。
图4所示为根据本发明实施方式的介质框图。装置包括存储器100及处理器200，其中处理器200存储有计算机程序，计算机程序用于执行：构建样本数据库，样本数据包括指定人群的多维度样本数据；对样本数据库的维度数据进行量化及标准化处理，进而进行目标用户筛选和分类；构建目标用户分类的深度学习模型，通过深度学习模型对样本数据进行训练；根据目标用户对应的量化数据及评价指标，生成目标用户的评分表，根据评分表确定用户需求；根据用户需求，以及，根据用于健康管理的产品价格、设备价格及服务价格，进行对应的定价计算，并向目标用户进行推送。其中，存储器100用于存储数据。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (10)
1.一种健康管理产品组合及定价方法，其特征在于，该方法包括：
S100，构建样本数据库，所述样本数据包括指定人群的多维度样本数据；
S200，对所述样本数据库的维度数据进行量化及标准化处理，进而进行目标用户筛选和分类；
S300，构建目标用户分类的深度学习模型，通过所述深度学习模型对所述样本数据进行训练；
S400，根据目标用户对应的量化数据及评价指标，生成目标用户的评分表，根据所述评分表确定用户需求；
S500，根据用户需求，以及，根据用于健康管理的产品价格、设备价格及服务价格，进行对应的定价计算，并向目标用户进行推送；
其中，所述S200中的目标用户筛选和分类包括：
根据所述样本数据的所述量化及所述标准化，通过信息熵的方法实现健康管理评价指标的统计计算，其计算方式如下，
dj＝1-Hj (3)
Ci,j＝Wi,j×x′ij(5)
其中x′ij为正则化的样本数据，Pi,j为指标数值权重，Hj为信息熵，dj为信息熵冗余度，Wj为指标权重，Ci,j为单个健康管理评价相关指标分数，C′i,x为样本数据健康管理接受程度分数；
样本数据的目标用户筛选包括：设置阈值其中/>筛选分数大于阈值的样本数据标记为目标用户∪，对不大于阈值的样本数据则标记为非目标用户；
样本数据目标用户分类包括：将非目标用户标记为0，针对上述目标用户∪，按照目标用户分类、分类条件及分类标记，对样本数据库n个指标数据设置对应的n个阈值，各阈值满足/>
所述S200包括：
样本数据目标用户筛选主要包括设置阈值其中/>筛选分数大于阈值的样本数据标记为目标用户∪，其他则标记为非目标用户；
样本数据目标用户分类主要包括，将非目标用户标记为0，针对上述目标用户∪，按照以下表格方法，对样本数据库n个指标数据设置对应的n个阈值，各阈值满足
所述表格为：
所述S500包括：
对用户反馈的信息进行情感分析，并根据情感分析进行推送，包括：
调用sklearn情感分析API，对反馈文字数据进行情感分数统计，处理结果为[0,1]，0为消极情感，1为积极情感；
对推送的健康产品的组合采用one-hot进行标记，将浏览项目时间采用z-score、min-max、log函数转换、atan函数转换、Decimal scaling小数定标标准化、Logistic/Softmax变换及模糊量化模式的一项或者多项，对其进行标准化处理，处理结果为[0,1]，其中1表示时间最长；
采用以下公式求得推送质量评价分数：
推送质量评价各项分数＝标准化浏览时间*情感分数；
选取各项分数最大的作为顾客二次推荐的组合，累计推荐结果，采用但不仅限于Apriori算法，计算各项子项目与推送质量评价总分数的相关性，设定阈值，并确定正向影响推送质量评价总分数大于阈值的若干项组合产品，按照Apriori支持率大小正向排序，进行下次的推送。
2.根据权利要求1所述的健康管理产品组合及定价方法，其特征在于，所述S100包括：从若干不同数据库获取指定人群的不同维度的数据，数据库存储的数据包括健康档案数据、病例数据、收入数据、受教育程度数据，以及涉及健康管理的一项或多项数据。
3.根据权利要求1所述的健康管理产品组合及定价方法，其特征在于，所述S200包括：
其中所述样本数据的所述量化包括：对样本数据划分至[0,1]范围内，其中0表示不存在样本行为，大于0且小于等于1表示样本行为程度低高；
其中所述样本数据的所述标准化包括：通过z-score、min-max、log函数转换、atan函数转换、Decimal scaling小数定标标准化、Logistic/Softmax变换、模糊量化模式的其中一种或多种对样本数据进行标准化处理。
4.根据权利要求1所述的健康管理产品组合及定价方法，其特征在于，所述S300包括：
所述深度学习模型包括样本数据训练及验证，包括将样本数据以设定比例随机抽取，作为训练数据和验证数据集输入到所述深度学习模型中，自动选取准确率最高且损失值最低的一组参数。
5.根据权利要求1所述的健康管理产品组合及定价方法，其特征在于，该方法还包括：
对所述深度学习模型进行评价及优话，包括将样本数据重新随机抽取设定比例数据作为测试数据，计算测试数据集准确率、混淆矩阵、精确率、召回率、平均精度、IoU、ROC、非极大值抑制，循环增加样本数据，训练数据集并重新选择参数组合，进行模型优化。
6.根据权利要求1所述的健康管理产品组合及定价方法，其特征在于，所述S400包括：
分析评价需求，根据已确定的目标用户，创建细分评价表，细分评分表包括有健康问题总和的健康风险指数，将健康风险指数超过设定值的目标用户作为推送对象，确定需求结果；
根据现有的用于健康管理的产品、设备及服务的数据表进行匹配和定价计算，得到定价结果；
根据目标用户、需求结果及定价结果采用需求导向定价法，进行组合定价，得到根据目标用户分类的制定价格方案。
7.根据权利要求6所述的健康管理产品组合及定价方法，其特征在于，所述S500还包括对所述制定价格方案进行评判，包括
通过问卷、爬取社会媒体网络对制定价格方案的评价信息做以情感分析得出分数调用情感分析接口对文本数据进行情感分数统计，得到顾客满意度，并进行产品价值分数的计算，计算方式为
其中Pv产品价值分数，Ps为对应产品的顾客满意度，P1为成本导向定价法计算的不含税价格，P2为竞争导向定价法计算的不含税价格，Pn为产品组合的需求覆盖度。
8.根据权利要求1所述的健康管理产品组合及定价方法，其特征在于，所述S500还包括：
One-hot编码，采用但不仅限于Apriori算法，计算各项产品服务与健康干预效果评估的相关性，将行为按照Apriori相关性结果大小负向排序。
9.根据权利要求1所述的健康管理产品组合及定价方法，其特征在于，所述S500还包括：
阶段性从数据库搜集顾客评价反馈文本，采用但不仅限于调用sklearn情感分析API，对顾客评价文本数据进行情感分数统计，0为消极情感，1为积极情感；
将各项组合产品中顾客的行为改变采用One-hot编码，采用但不仅限于Apriori算法，计算顾客自身行为改变与顾客阶段性自评的相关性，将行为按照Apriori相关性结果大小正向排序。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-9任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011004534.3A CN112182371B (zh) | 2020-09-22 | 2020-09-22 | 健康管理产品组合及定价方法及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011004534.3A CN112182371B (zh) | 2020-09-22 | 2020-09-22 | 健康管理产品组合及定价方法及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112182371A CN112182371A (zh) | 2021-01-05 |
| CN112182371B true CN112182371B (zh) | 2024-05-14 |
Family
ID=73955893
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011004534.3A Active CN112182371B (zh) | 2020-09-22 | 2020-09-22 | 健康管理产品组合及定价方法及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112182371B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116324861A (zh) * | 2021-04-27 | 2023-06-23 | 株式会社日立制作所 | 健康安全支援装置、系统及方法 |
| CN113849730A (zh) * | 2021-09-06 | 2021-12-28 | 北京妙医佳健康科技集团有限公司 | 一种健康管理服务中用户价值分层的方法和相应的画像装置 |
| CN114139883B (zh) * | 2021-11-10 | 2024-03-29 | 云南电网有限责任公司信息中心 | 一种电力企业物资域评价指标的计算方法 |
| CN114493802A (zh) * | 2022-02-16 | 2022-05-13 | 平安科技（深圳）有限公司 | 服务产品推送方法、装置、设备和计算机可读存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107767959A (zh) * | 2017-11-15 | 2018-03-06 | 平安健康保险股份有限公司 | 基于性格特征的健康风险评估方法、装置及设备 |
| CN108205575A (zh) * | 2016-12-20 | 2018-06-26 | 北京国双科技有限公司 | 数据处理方法和装置 |
| CN108922623A (zh) * | 2018-07-12 | 2018-11-30 | 中国铁道科学研究院集团有限公司 | 一种健康风险评估和疾病预警信息系统 |
| CN109147949A (zh) * | 2018-08-16 | 2019-01-04 | 辽宁大学 | 一种基于分类回归树来用于检测教师亚健康状态的方法 |
| CN109285075A (zh) * | 2017-07-19 | 2019-01-29 | 腾讯科技（深圳）有限公司 | 一种理赔风险评估方法、装置及服务器 |
| CN109934615A (zh) * | 2019-01-22 | 2019-06-25 | 中信银行股份有限公司 | 基于深度稀疏网络的产品营销方法 |
| CN110415831A (zh) * | 2019-07-18 | 2019-11-05 | 天宜(天津)信息科技有限公司 | 一种医疗大数据云服务分析平台 |
| US10489388B1 (en) * | 2018-05-24 | 2019-11-26 | People. ai, Inc. | Systems and methods for updating record objects of tenant systems of record based on a change to a corresponding record object of a master system of record |
| WO2019233297A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 数据集的构建方法、移动终端、可读存储介质 |
| CN111128380A (zh) * | 2019-12-24 | 2020-05-08 | 郑州科技学院 | 模拟医生诊断和精准干预策略的慢性病健康管理模型的构建方法及系统 |
| CN111400597A (zh) * | 2020-03-16 | 2020-07-10 | 中国平安人寿保险股份有限公司 | 基于k-means算法的信息归类方法及相关设备 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140081652A1 (en) * | 2012-09-14 | 2014-03-20 | Risk Management Solutions Llc | Automated Healthcare Risk Management System Utilizing Real-time Predictive Models, Risk Adjusted Provider Cost Index, Edit Analytics, Strategy Management, Managed Learning Environment, Contact Management, Forensic GUI, Case Management And Reporting System For Preventing And Detecting Healthcare Fraud, Abuse, Waste And Errors |
| US20180165757A1 (en) * | 2016-04-15 | 2018-06-14 | Arthur Morris GELBER | Purchase health care system |
| US20170372028A1 (en) * | 2016-06-22 | 2017-12-28 | Xerox Corporation | System and method for scoring the performance of healthcare organizations |
| US20180108430A1 (en) * | 2016-09-30 | 2018-04-19 | Board Of Regents, The University Of Texas System | Method and system for population health management in a captivated healthcare system |
| US10956630B2 (en) * | 2017-03-30 | 2021-03-23 | TheConnectedGrip, Inc. | Activities data modeling in human internet of things platforms |
-
2020
- 2020-09-22 CN CN202011004534.3A patent/CN112182371B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108205575A (zh) * | 2016-12-20 | 2018-06-26 | 北京国双科技有限公司 | 数据处理方法和装置 |
| CN109285075A (zh) * | 2017-07-19 | 2019-01-29 | 腾讯科技（深圳）有限公司 | 一种理赔风险评估方法、装置及服务器 |
| CN107767959A (zh) * | 2017-11-15 | 2018-03-06 | 平安健康保险股份有限公司 | 基于性格特征的健康风险评估方法、装置及设备 |
| US10489388B1 (en) * | 2018-05-24 | 2019-11-26 | People. ai, Inc. | Systems and methods for updating record objects of tenant systems of record based on a change to a corresponding record object of a master system of record |
| WO2019233297A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 数据集的构建方法、移动终端、可读存储介质 |
| CN108922623A (zh) * | 2018-07-12 | 2018-11-30 | 中国铁道科学研究院集团有限公司 | 一种健康风险评估和疾病预警信息系统 |
| CN109147949A (zh) * | 2018-08-16 | 2019-01-04 | 辽宁大学 | 一种基于分类回归树来用于检测教师亚健康状态的方法 |
| CN109934615A (zh) * | 2019-01-22 | 2019-06-25 | 中信银行股份有限公司 | 基于深度稀疏网络的产品营销方法 |
| CN110415831A (zh) * | 2019-07-18 | 2019-11-05 | 天宜(天津)信息科技有限公司 | 一种医疗大数据云服务分析平台 |
| CN111128380A (zh) * | 2019-12-24 | 2020-05-08 | 郑州科技学院 | 模拟医生诊断和精准干预策略的慢性病健康管理模型的构建方法及系统 |
| CN111400597A (zh) * | 2020-03-16 | 2020-07-10 | 中国平安人寿保险股份有限公司 | 基于k-means算法的信息归类方法及相关设备 |
Non-Patent Citations (5)
| Title |
|---|
| Big data in health care：using analytics to identify and manage high-risk and high-cost patients;David W. Bates 等;Health Affairs;第33卷(第7期);1123-1131 * |
| 从用户体验出发的移动健康应用评价研究;杜阔 等;第十四届（2019）中国管理学年会论文集;62-70 * |
| 基于大数据分析的列车健康度诊断方法;王维;齐玉玲;;电力机车与城轨车辆;20181119(第06期);82-84 * |
| 基于深度学习的虚假健康信息识别;於张闲 等;软件导刊;第19卷(第03期);16-20 * |
| 社区卫生服务绩效管理信息系统的功能设计;胡红濮 等;中国全科医学;第18卷(第01期);34-37 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112182371A (zh) | 2021-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112182371B (zh) | 健康管理产品组合及定价方法及介质 | |
| Tipton | Stratified sampling using cluster analysis: A sample selection strategy for improved generalizations from experiments | |
| Boehmke et al. | State policy innovativeness revisited | |
| US8805759B1 (en) | System and method for psychographic profiling of targeted populations of individuals | |
| Li et al. | Dynamic mapping of design elements and affective responses: a machine learning based method for affective design | |
| CN109582875B (zh) | 一种在线医疗教育资源的个性化推荐方法及系统 | |
| Chen et al. | A Pro-performance appraisal system for the university | |
| US20120271612A1 (en) | Predictive modeling | |
| Magidson | Some common pitfalls in causal analysis of categorical data | |
| US20190065550A1 (en) | Query optimizer for combined structured and unstructured data records | |
| Heyes et al. | Underemployment and well-being in Europe | |
| Ming et al. | Managing patient satisfaction in a blood-collection room by the probabilistic linguistic gained and lost dominance score method integrated with the best-worst method | |
| Swenson et al. | Healthcare market segmentation and data mining: A systematic review | |
| Magnus et al. | Item response modeling of multivariate count data with zero inflation, maximum inflation, and heaping | |
| Sayyadi Tooranloo et al. | Assessing the risk of hospital information system implementation using IVIF FMEA approach | |
| Von Schrader et al. | Employer characteristics associated with discrimination charges under the Americans with Disabilities Act | |
| Cassidy et al. | Analyzing variation in prior record penalties across conviction offenses | |
| Schochet | Analyzing grouped administrative data for RCTs using design-based methods | |
| Falangis et al. | Heuristics for feature selection in mathematical programming discriminant analysis models | |
| KR20160149990A (ko) | 신용등급 및 심리측정 데이터를 결합한 개인 신용평가 방법 및 컴퓨터 프로그램 | |
| Kroner et al. | The Council of State Governments Justice Center approach to increasing risk-level consistency in the application of risk assessment instruments | |
| US20230342693A1 (en) | Methods and apparatus for natural language processing and governance | |
| Wiley et al. | A Monte Carlo simulation study of two approaches for aggregating conjoint data | |
| Reimann et al. | Typicality effect in data graphs | |
| Terhanian | The possible benefits of reporting percentage point effects |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |