|
一、选手简介
1.1选手介绍
本人目前从事于临床试验全流程业务数字化、可视化及商业决策数据分析领域，负责事业部临床试验智能决策分析平台构建，是事业部数字化转型项目倡导者与负责人。个人感兴趣方向：为传统制造企业实施数字化转型提供可快速落地方案，涉及数据获取、数据汇聚、数据仓库构建、数据指标体系搭建、数据分析等。
1.2 参赛初衷
传统制造业转型数字化驱动势在必行，临床试验数字化正处于起步阶段。目前只是借助于各应用系统，如IRT、EDC、CTMS等，并未将临床试验整个数据链条整合。事业部成立数据BI团队，以整合临床试验完整数据链条为基础，借助数据仓库，构建临床试验智能决策分析平台，以发挥临床试验数据巨大的商业价值。
二、作品介绍
2.1 业务背景/需求痛点
开展临床试验，需要面临多方面挑战。作为产品负责人需全方面统筹一个产品所涉及的所有临床试验。每一个临床试验涉及研究中心选取、受试者入组、里程碑规划、质量把控、财务风险规避等。产品负责人希望能够将多方面的数据汇总到一张看板，这样能够实时把控临床试验各方面情况，快速定位相关问题，找到相关负责人，进而快速解决问题，使临床试验健康推进。这张看板也因此需求而诞生。
2.2 数据来源
本次参赛，使用企业数据。相关数据已做脱敏处理，最终确定使用DM层10张数据表。涉及：试验基础信息、入组进度、里程碑、质量、财务等。
本参赛作品针对某一个产品开展的所有临床试验，做全方位的信息整合，涉及以下几个方面：
1)临床试验进度(里程碑进度、入组进度)；
2)临床试验质量(重点突出稽查)；
3)临床试验财务(重点突出研究中心费用)。
2.3 分析思路
2.3.1 分析框架
图1-1:临床试验分析框架
临床试验最为核心的3个模块分别为：进度、资金、质量。如何评测试验进度、财务花费、试验质量最为关键；如何构建临床试验健康度/风险控制两大评测模型也是现阶段的工作重点，此处不深入讲解。本次参赛只涉及简单的数据展示，后边若有机会可深入探讨。
2.3.2分析思路
图1-2:临床试验分析思路
本次参赛分析思路如上图所示，选取了10个层面的数据；因篇幅有限，不再详述应用场景、业务流程、核心指标梳理、指标体系构建等。若有兴趣，可以参考去年参赛作品《临床试验与BI结缘》，网址为：【2021夏季挑战赛】临床试验与BI结缘-帆软社区 (fanruan.com)，也可私下共同探讨。
图1-3 临床试验分级管理
临床试验运营管理分为3级，分别为：产品、试验、中心，相关角色分别为：产品负责人、PM、CRA。检测问题需从高维度(试验)向低维度(中心)去拆解，然后再左右比对(试验、中心)；再从低维度回到高维度，判断检测结果的正确性。方案执行从下到上。
2.3.3仪表板模块结构
图1-4:仪表板沙盘
本次参赛作品看板共分为2个部分：KPI指标卡7个；正文中章节10个。每个章节涉及相关分析维度、度量值、分析模型，此处不做详述。
2.4 数据处理
2.4.1 DM层数据集
由ODS层数据、EDW层数据制作用于看板使用的DM层数据集。ODS层存储通过接口程序从多个应用系统抽取基础数据，在EDW层对数据进行清洗、转化、筛选、连接、汇总等操作，生成目的数据集。
数据处理过程均使用MySQL数据库，编写存储过程，自动化运行生成目的数据集，并存放在数据仓库DM层。
2.4.2 维度与度量值
根据上文的看板模块构成，确定明确的数据指标及相关维度。
差值=实际入组-计划入组；
金额支付比例=已付金额/总金额；
入组进度=已入组数/合同签订入组数；
质量KPI=例次/发现项数。
合同主体(供应商/医院)；
财务风险分析主体(试验/中心/合同)；
地理纬度(大区、省份、中心)；
里程碑维度(里程碑/关键节点/状态/开始标识/结束标识/耗时标识)。
通过多维度交叉、联动，观察相关指标变化趋势，分析背后原因，为相关人员制定合理的应对策略，快速落地。高效、高质量、成本合理控制，推进临床试验。
2.5 可视化报告
2.5.1 看板整体布局
模块1为看板第1部分
(1)模块1，宏观指标展示
图2-1:宏观指标模块
宏观指标默认显示为总量，比如总中心数、计划入组数，已入组数，总的试验数等。
模块2-11为看板第2部分，从图2-2可以看出，主题为药物临床试验，从Content可以看出正文可分为10个层面，分别为模块2-11。
图2-2:正文目录结构
(2)模块2，试验基础信息
图2-3:试验基础信息
左侧重点关注试验级别与试验分期；右侧突出问题点。
(3)模块3，试验中心信息
图2-4:试验中心信息
左侧重点关注中心所处状态及占比，中心所处地域，单个中心平均分配率；右侧突出问题点。
(4)模块4，试验入组信息
图2-5:试验入组信息
第1部分使用Tab组件，同时使用漏斗分析，展示了筛选-入组-脱落这一流程，以及对应明细数据；第2部分使用波士顿矩阵，将研究中心分为4大类；第3部分使用Tab组件，同时使用TOP10，突出重点关注数据。同时需关注每一部分对应的问题点。
(5)模块5，入组达成信息
图2-6:入组达成信息
本模块是去年参赛获奖作品的核心，维度：所属试验、年度、月度、大区、省份、中心，度量值：计划数、入组数、差值。其中年份倒序展示，突出最近一年计划与入组达成情况；中心分布放在最后，因中心名称较长，故选取中心ID作为横轴标签，中心名称作为提示出现；中心入组达成累计分布图使用帕累托模型；因领导更看重差值，故用差值替代达成率，且使用颜色变化体现在入组柱状图中。各维度间通过数据联动，能够从多维度进行分析，同时需关注右侧问题点。
(6)模块6，单产品当前里程碑分析
图2-7:单产品当前里程碑分析
该模块关注各试验所处里程碑，该里程碑开始标识/结束标识；同时需关注问题点。
(7)模块7，单个试验整体里程碑分析
图2-8:单个试验整体里程碑分析
该模块展示X试验整体里程碑进度、各里程碑开始标识/结束标识/耗时标识，并对各里程碑耗时数据进行展示(瀑布图)，同时需关注问题点。
(8)模块8，单产品单关键节点分析
图2-9:单个试验单关键节点分析
该模块展示了X关键节点各试验的完成状态/开始标识/结束标识/耗时标识；各试验计划与实际耗时，使用差值标识是否延时完成，同时需关注问题点。
(9)模块9，单个试验关键节点分析
图2-10:单个试验关键里程碑分析
该模块展示了X试验各关键节点的开始标识/结束标识/耗时标识/明细数据，明细数据设置预警，查看相关节点详情；同时需关注问题点。
(10)模块10，产品稽查质量分析
图2-11:产品稽查质量分析
该模块使用Tab组件，从试验/中心/问题级别维度汇总了发现项；使用散点图对问题主类别/试验维度汇总了发现项、例次；同时需要关注问题点。
(11)模块11，产品财务分析
图2-12-1:产品财务分析
图2-12-2:产品财务分析
该模块从合同主体/试验分期/所属试验维度，展示了合同额/已付金额；从试验/研究中心/合同展示了付款进度风险与已付款金额风险；使用瀑布图展示各中心亏损情况；明细数据预警，查看相关详情；同时需关注问题点。
2.5.2 可视化分析
本次参赛作品几大亮点：
1)信息高度浓缩(去年参赛获奖作品作为本作品一个分析模块出现)
2)模块内(2-11)通过数据联动进行多维度分析
3)问题点提炼(为中高层领导解读仪表板)
4)多种数据分析模型应用(波士顿矩阵、帕累托分析、漏斗分析、描述性分析等)
2.5.2.1 概况
宏观数据：本产品包含13个试验、137个中心、325计划入组数、412已入组数、涉及合同金额6534万，已支付金额3530万、支付比例已达54%。
产品负责人最为关注入组进度与费用，入组与花费均会分摊到各研究中心，故选取以上宏观指标。
2.5.2.2 试验信息
图3-1:试验基础信息
问题点解读了饼状图/堆积柱状图，使用描述性统计分析方法，应关注重点推进实验、暂停试验，且清楚暂停原因。
图3-2:试验中心信息
问题点解读了饼状图/堆积柱状图/中心地域分布地图，使用描述性统计分析方法，应重点关注激活中心数及占比、中心区域分布，考虑入组进度与成本因素，评估样本量与中心数是否合理。
实例分析：点击柱状图中Pro01-ECL试验，通过数据联动可从饼图中看出：激活中心数及占比，同时可从地图中查看各中心分布；核实该实验所需受试者是否与中心分布一致，受试者存量是否充足，以验证中心选取是否合理。
2.5.2.3 试验入组信息
图3-3:试验入组信息
(1)第一部分
依据漏斗分析模型，重点关注各试验筛选量/入组量/脱落量；依据警戒线(平均入组率/平均脱落率)，评估各试验情况是否在于期内，并给出相应解决方案；借助第二部分散点图，通过数据联动，可查看X中心在各试验情况对比。
(2)第二部分
依据波士顿矩阵模型，使用入组率均值/脱落率均值将研究中心分成4类，并针对每一类中心提出相关策略解决相应问题(详见问题点)，以推进试验整体入组进度。
(3)第三部分
使用TOP10/TOP5对筛选量/入组量/脱落量做了红榜/黑榜展示，以突出需要重点关注的中心；同时使用雷达图展示了筛选量TOP10中心入组率/脱落率，借助警戒线对各中心优劣进行综合评估，并给出改善举措。
实例分析(1-3部分)：从柱状图中可直接看出各试验入组率/脱落率，若入组率较低，则需分析原因并落地相关措施，提升受试者质量，以保证入组人数；若脱落率较高，则需分析原因并落地相关措施，防止后续受试者脱落，以降低脱落率，提升试验数据质量。点击柱状图中Pro01-ECL试验，通过数据联动，可从散点图中看到该试验各研究中心被划分为4类。理想状态是第四象限分布较多且气泡较大(高入组率、低脱落率、入组量高)，若其它象限分布较多，则需要提出相关措施，来扭转局面。点击散点图中的圆圈，可以通过柱状图查看该中心在各试验的表现，用来分析入组率/脱落率是否稳定，是否可作为新开展其它同类别试验的备选，以降低新试验研究中心选择的风险(资源、时效、花费)；通过数据联动，可以实时观察Pro01-ECL试验筛选量/入组量/脱落量TOP排名，对相关负责人予以相应奖励，同时可以根据雷达图，分析各中心的优劣，最终实现该试验整体入组进度。
2.5.2.4 入组达成信息
图3-4:试验达成信息
本部分是去年参赛获奖作品核心，使用Tab组件，将地理纬度(大区/省份/中心)；时间维度(年/月)；项目维度(试验)。3大维度，6个细分，依据排列组合，共有63种查询方案。最后一个Tab，使用帕累托分析模型，展示累计计划入组/累计实际入组80%所涉及的中心，依据入组进度需求调整对各中心的财务投入。
实例分析：试验维度点击Pro01-P-001，可查看该试验各年度入组达成情况；继续点击2021年，可查看21年各月度达成情况；继续点击04月份，可进一步看该实验21年4月份入组情况，结合大区、省份、中心。重点关注未达成大区、省份、中心。结合其它月份、年度，综合分析未达成原因，是偶然还是已持续很久，是人为原因还是资源不足等。然后落地相关举措，保证试验整体入组进度。
2.5.2.5 里程碑分析
图3-5:单产品当前里程碑分析
使用描述性统计分析方法，问题点解读了饼状图/堆积柱状图；应重点关注各试验当前里程碑，及其开始标识/结束标识，以判断当前里程碑进度是否可控，并给出相关措施。
图3-6:单个试验整体里程碑分析
使用描述性统计分析方法，问题点解读了饼状图/堆积柱状图；应重点关注X试验提前启动/不能正常启动里程碑及原因。及时复盘总结，落地相关策略，推进试验整体进度。
实例分析：Part 6中选取Pro01-P-003试验，从4个饼图中，可查看各里程碑的启动、结束及耗时情况，结合瀑布图综合分析。如点击第2个饼图中延迟启动，有5个里程碑是耗时小于计划，2个耗时等于计划，1个耗时大于计划。可分析出，延迟启动没有对这些里程碑造成大影响，只需要分析延迟启动原因，并做好复盘，应用于其它试验，则可能会提升其它试验的试验进度。
2.5.2.6关键节点分析
图3-7:单个试验关键节点分析
使用描述性统计分析方法，问题点解读了饼状图/柱状图；应重点关注X关键节点中，哪些试验已完成，提前启动/延误启动/提前结束/延误结束/提前完成/延误完成及相关原因；通过柱状图比对各试验计划与实际耗时，对新开展试验评估更加合理的工时消耗。
图3-8:单个试验关键里程碑分析
使用描述性统计分析方法，问题点解读了瀑布图/明细数据；应重点关注X试验提前启动/延误启动/提前结束/延误结束/提前完成/超时完成的关键节点及原因，及时复盘，总结经验教训，为新开展试验制定更为合理的工时。
实例分析：通过Part 7中筛选框变换，从4个饼图中查看每一个关键节点各试验的完成状态/启动状态/结束状态/耗时状态的个数统计，并对每一个关键节点查看各节点耗时，柱状图中，显示第一个关键节点在Pro01-P-001试验中超时，需分析超时原因，以便在其他试验避免同类原因；同时可以借助Part 8查看该试验所有关键节点耗时情况，已完成的2个关键节点均延误，此时产品负责人需找到相关试验负责人了解情况，找出具体原因，同时需要落地一些举措，保证后续关键节点进度，以降低对该试验整体试验进度的影响，避免对临床试验递交CFDA及审批上市造成影响，进而损失市场份额，影响集团收益。
2.5.2.7产品稽查质量分析
图3-9:产品稽查质量分析
使用了描述性统计分析方法，问题点解读了堆积柱状图/气泡图；应重点关注重大/严重发现项及占比；根据数据联动，同一个试验各中心对比，同一中心各试验对比；气泡图中,重点关注大气泡，气泡越大表明该发现项问题应尽快解决。
实例分析：点击试验-发现项，选择Pro01-ECL，通过数据联动，可查看中心-发现项：上海02医院/河南02医院有重要发现项，点击上海02医院，散点图中最大的圆圈表明问题主类8影响比较大，需要重点解决。当然也可从散点图开始，然后通过数据联动，分析中心及试验。
2.5.2.8产品财务分析
图3-10-1:产品财务分析
图3-10-2:产品财务分析
问题点解读了饼状图/柱状图/散点图/瀑布图/明细数据；使用波士顿矩阵分析模型，应重点关注2个财务风险：已支付比例/已支付金额；后期可将这两个风险点与其他风险点共同考虑，加入权重，组合为合理的风险模型，促进财务风险精准把控。
实例分析：通过饼图查看医院费用占据90%以上，I期占比40%，结合试验基础信息，分析出每类分期，单个试验费用值。通过柱状图，可分析各试验费用比重。第一个Tab图，点击最大圆圈(整体不存在已支付比例风险)，查看研究中心，发现部分研究中心为红色，存在风险，同时查看相关合同，可看出本试验中，哪些中心、哪些合同存在已支付比例风险。然后跟相关负责人沟通，分析是中心选择原因，还是工作不到位，还是合同金额虚高等，需落地相关举措，解除相关风险，若不能解除，则需报告上级负责人，共同制定后需解决方案。
模块2-11，可单独看每一部分，也可多部分综合查看，分析视角非常丰富；因篇幅有限，上文也仅仅是简单列举几个实例分析，如有兴趣，可在评论区共同探讨。
 PDF格式.pdf (2.2 M)
2.5.3 总结
综述，此次制作仪表板，信息高度浓缩，分析层面较多；模块内可实现数据联动，多视角分析；分析模型较为丰富；问题点提炼精准，能够深入解读报告，降低中高层用户学习成本，快速定位问题。
看板结构虽简单，但是为产品负责人提供了实时、准确且全面的数据查阅与分析平台，实现了对某个产品所有临床试验的精准把控。
在中心筛选方面提供数据依据，精准选择最佳研究中心，时效整体缩短15%；针对各类研究中心，原因定位迅速，落地相关策略后，使得入组率提升近20个百分点、脱落率降低5个百分点；针对入组达成，原因定位快且精准，落地相关策略到位，整体达成率相比之前提升了近10个百分点；质量稽查方面，可迅速定位主要问题点，整改目的性较强，进而推至其他研究中心，后续稽查工作量有望降低30%；财务风险方面，可以从试验、中心、合同，逐级定位，迅速查找风险点，进而落地规避措施，粗略统计，规避风险金额可达数百万元。
该看板可以实时为产品负责人提供丰富的数据参考，以便及时从中心筛选、中心管控、入组进度、质量稽查、财务、整体试验进度方面发现问题，分析原因，落地相关策略，最终能够及时完成临床试验向CFDA递交，最终完成上市，为公司产生巨大效益。但仍有许多提升空间，希望能在此次大赛中继续提升个人及团队整体能力，同时为构建临床试验健康度/风险控制评测等模型起到抛砖引玉的功效。
三、参赛总结
3.1 Fine BI工具
(1)Tab组件，能够很好地控制看板的长度。
(2)联动功能，能够很容易实现各组件之间的数据联动。
(3)复用/复制功能，能够很大程度上节省看板设计时间。
(1)警戒线不能自定义函数构造公式，期待后边可实现自定义函数作为警戒线。
(2)简道云(数据工厂)模块可尝试集成到BI，增强BI的ETL功能。
(3)提示信息有覆盖，比如气泡图，大气泡覆盖小气泡，则小气泡提示信息不能展示。
3.2 参赛总结
对数据分析能力的理解：数据分析思维是道，数据分析方法是术，数据分析工具是器；如何感悟自己的道(功法)，如何修炼自己的术(招式)，如何选择自己的利器(兵器)，是我们提升数据分析能力时时刻刻需要思考的问题。
对数据分析的理解：洞察数据背后的问题，用简单的形式表述出来，用能够落地的策略去执行，产生可观的改善效果与价值，能够结合实际情况不断迭代与完善。
牢记：大道至简。 | 
