Azure和砖启用个性化体验的CVS客户和患者健康吗

视频记录

——嘿,每一个人。欢迎来到火花峰会。我的名字叫米歇尔。今天,我们将谈论我们的旅行之旅带来个性化CVS客户和患者的健康。

我已经与CVS,不到5年,目前领先的数据工程团队药房个性化倡议,在我的团队支持productionalization机器学习模型的个性化和改善对零售药店病人的经验。在CVS工作之前,我曾在公共政策,非营利部门,但总是激情的使用数据来解决具有挑战性的问题。我今天在这里,拉Nakka也会自我介绍。——大家好。我很兴奋来到这里。我的名字是拉Nakka我带领工程团队CVS零售数据,CVS健康零售和存储业务我已经在CVS卫生在过去的七年。之前,我曾作为大型医疗和金融顾问机构。为CVS工作一直是一个非常令人满意的经验对我个人而言。我喜欢,我可以做我喜欢的,这是致力于创新科技产品,使用尖端技术,实现我们公司,医疗任务,就是帮助人们在他们的道路更好的健康,在CVS的健康。我建立了自己的平台、云基础设bob体育客户端下载施和大规模机器学习。 I typically, my typical day would involve solving challenges of handling big data in healthcare space. Today. We’re going to cover seamless serious personalization journey and the lessons we learned during the process and challenges posed by constant growth and ever changing technological space. And finally, we’re going to give a sneak peek on how we are going to tackle these challenges in future using new tools. We are currently exploring, exploring to strengthen our data architecture. – Great, so before we jump to into the personalization, I just want to give everyone a little bit of background on CVS health as an enterprise. So CVS has a diverse set of assets, all, all focused first driving, our mission of becoming a healthcare innovation company, with the goal of making quality care , more affordable, accessible, and simple for customers and patients. And so at the core of that, we have advanced analytics to help drive and improve the customer experience, across the enterprise, whether that’s from CVS pharmacy, the PBM caremark business, MinuteClinic Retin-A. So today’s focus for the presentation will be on the front store and pharmacy, businesses, before Raghu and I, support, support on the pharmacy and front store businesses. We have about 10,000 retail locations across The country. And so our focus will be on, the journey to drive personalization within, within, those areas. – with all of those business lines that Michelle has mentioned earlier.

理解CVS客户行为

它构成了一组独特的问题,任何一个机器学习的项目。对于任何个性化项目,了解客户行为是关键。所以,理解,CVS客户行为是非常独特的。我们有一个独特的客户,因为我们有不同的,大量的微段,其中理解口头提出了挑战客户的行为。因为我们有明确的,像米歇尔所提到的,我们已经像全美10000家门店,和我们药店的病人,卫生需求是多种多样的,有时难以预测。所有的这些挑战,使我们的客户真正独特和我们的数据是独一无二的。我们不处理典型的杂货店的顾客。真的很难预测客户的行为,方便顾客,因为顾客可以去便利店只是因为他忘了牛奶,或者他可以去便利商店像CVS捡起他的处方和停止的去抓糖果。所以这是行为的预测可能是不可预知的,,这就是为什么我们的数据稀疏和维度,导致过拟合问题的机器学习模型和第三。我猜,我想指出的是我们通常处理的情况下保留存储。 For example, the covid situation, will instantly make, or has instantly Made our stactic machine learning model. either outdated or invalid because the customer foot traffic, has significantly decreased or their purchase action has significantly changed. So all of the historical behavior, that, that, that we use to, to model the customer behavior is completely used as, so these are the, these are these, three, unique, things that we would like to point out. And, before, before, before we jump into the personalization, goals of CVS, we thought it is really important to understand the CVS customer B when it comes to, personalization goals of CVS, see a personalization is delivering the right individual experience in the right channel at the right time.

在CVS个性化

所以,我们必须提供,客户体验。我们必须提供正确的经验向客户耐心,是否,是否,是否它是一个药店产品或是否,是否,奖励或我们提供优惠券,或是否,是否一分钟clinc服务或健身俱乐部或他们是否参加订婚忠诚计划,如额外的病历卡。所以这都是提供正确的经验。同样重要的是,我们了解渠道客户或客户会更好,不管它是一条短信或一个电话,或者一个在商店提供。所以优化我们的流程定义,提出正确的通道,一个客户或病人会对我们也很重要。和提供的时间,对吗?如果一个病人,可能,可能是处方更新,这可能是一个正确的时间,发送报价给客户,而不是客户已经填补了处方,并没有理由客户挑剔,对吧?这是一个例子,为客户正确的时机的重要性,然后向客户定制的消息对我们来说总是重要的。这是一个重要的目标,因为一个客户首选语言可能不同于我们互动。所以我们,我们定义这些目标,我们使用测试实验框架,我们将涵盖在后面的幻灯片,这些不同的属性,这将帮助我们定义一个客户的360度视图。

技术支持个性化

为了支持这些目标,这是一个快速概述现有的文本文本时间,我们开始建造任何领域在过去八年半,正确的。任何传统的公司一样,我们有我们的传统数据,关系数据库的房子,,我们有一些绝望火灾过来,POS销售和,其他几个地方。我们已经使用这些云技术来摄取所有的数据,在这种情况下。我们整个车间是在微软Azure,我们,我们的整个范围砖上运行。当然这是sparke Apache火花。,我们使用气流,得到实验室为我们编排和开发行动。我们使用Tablo、报告我们的操作和财务指标。

所以我们可以看到右上角,我们穿越列表是非常难以表达典型的机器学习,项目。我们创建一个独特的数据层,我们,给饲料喂养品位和过程我们将创建功能的方式。然后我们要创造机会。所以肯定接触可以绑成任务学习模型。然后我们会发送这些提供PRS BT每日根据节奏。

个性化的旅程

——所以,正如拉提到,我们个性化的旅程开始于2018年代中期。初始用例开发开始的地方。我们能够建立我们的第一个试验从实际上Hadoop环境仅仅几个月前,第一个意念,我们第一次推出个性化提供了1%的客户几个月,几个月后。我们马上就遇到了一些障碍,当我们试图扩大规模,从1%提高到5%,实际上有一个实际的约束能够构建额外的硬件支持的规模,我们希望它。所以决定,我们做了,在这一点上,我们决定过渡到基于云的环境中使用Azure Azure砖作为拉提到过。所以,在2019年初过渡。从那里,我们可以扩展用例的数量我们可以支持个人个性化产品的数量增加一倍,最终规模提供个性化,个性化提供患者在2020年底。并行,我们也被特别关注,建筑,测试和实验框架,这样我们可以快速迭代和测试的很多不同的迭代,给病人的基础上的,不同的经历,病人方面逐步迭代,做出改进,我们提供给病人和客户的经验。所以,正如你所看到的,这个红线显示,团队的规模,我们一开始用一个很小的团队只有少量的数据工程师,数据科学家,很快的,正如伟大使用用例和大量的产品,我们提供个性化应用程序组的资产,我们的团队规模,幸运的是,云计算、基础设施能够支持和帮助我们扩大规模。我们会更晚些时候表示,这看起来像什么。

个性化的影响

为了给更多的上下文,在CVS个性化到底意味着什么。我要给一个快速概述的一些用例,用例和解决方案,个性化方式方法。然后我们将深入介绍两个特定的用例,一个药店,然后在前面的商店。所以几个,几个例子就在前面提到的,我认为拉。所以,我们有很多,临床产品,正如,我们可能有很多优惠券提供,我们可以提供保护你照顾病人。我真的,所以它是稀缺资源,我们要优先考虑吗?所以,有什么更好的方法比使用机器学习来确定优先的倾向病人接受某种可能性的报价吗?但实际上开始,你知道了,我们发送非常规则驱动的。所以每个人都有同样的信息在同一时间通过相同的频道。实际上没有大量的数据,我们在处理使这些预测。 So start it off with, randomization, testing, testing, different channel assignments for timings, so that we can, collect information about patients preferences and their behaviors, then from there, move to support both kind of from an experimentation perspective, but also from a, a machine learning perspective. So, we can use the data that we’ve collected to implement, different experiences or different experiments, segmenting off different populations, maybe, age and gender, or, agent engagement with channel, and then customize the experience within, kind of those, those segments. That’s kind of the concept of experimentation that we’re trying to drive as well, as, as we were able to collect more and more information like, can use some more, advanced analytics, like machine learning, propensity models, as well as, looking for, really, to find, opportunities where we can, like, provide an offer that, where the patient is likely to engage with. And so some of those, some of the, outcomes that we’re trying to drive really are centered around healthcare. And, at least from the pharmacy side, around medication adherence, which I’ll I’ll speak to in the next slide, goal is to, increase engagement with products that we have. But also to just create a better experience for patients, through both the person and the pharmacy.

示例用例:药店

所以更深入到用例的一个例子在药房的空间,就像我提到的,药店的问题之一是,解决和支持患者服药不依从。所以CVS有不同的产品,我们的产品和服务,我们可以提供病人,帮助,障碍患者可能面临药物依从性。所以障碍可能包括健忘或成本或访问,特别是现在,Covid。,这些服务可能的例子,提醒病人来填补他们的药物或提醒患者选择药物,提供咨询时,我们可能会看到迹象表明病人,有副作用,是治疗,实际上,提供补充或获得新的处方当病人已经耗尽,填补处方。然后现在也喜欢在Covid,祭,交付,甚至免费提供药物是一个伟大的服务,病人可能有某种访问障碍。所以我们能够,理解,所以目标是首先理解病人的资料。他们是什么,坚持资料吗?他们是真正的不依从的病人,或者他们,可能他们是真正的一个不依从病人或者是可能的,可能对于他们来说,也许他们的处方,或者他们不再需要药物或处方医生,让他们起来,较低剂量。所以他们不需要到药店经常。所以,这些都是在我们的条件,在我们的数据中,我们可以利用更好地理解。 the timing of when patients need to come to the pharmacy so that we can better prompt them, in the way that’s most meaningful and relevant for the patient. And then I think once we know for the patient, the, the kind of, service or intervention that they might need, we also want to package that for the patient in a way that, that makes the most sense to them. So things like, choosing the best channel that we can reach out to the patient, like Raghu mentioned, like customizing the messaging so that we’re, like, reaching a patient in the language that they prefer and using content that’s, kind of speak to the patient and really help them to engage. And then a lot of this work has also just been about kind of streamlining, creating a, a longer term of, approach for streamlining, and offering a more omnichannel experience for patients. So, we’ve partnered very closely with, the, the IT systems at CVS (mumbles) The delivery channels to ensure, to ensure a more streamlined, delivery System, as well as, increasing the personalized content through these channels. – So, here’s an example of a typical retail front store, use case, right?

示例用例:零售商店前面

像我们给,我们发送一个通过一个渠道向客户提供我们之前的报道,并影响下一个旅行,到商店。,客户提出了提供兑换优惠券然后还扩展了背包大小在那个篮子。这是一个典型的零售客户的旅程。

问题声明,就像我们有增长,增长我们的最有价值的客户的参与是非常重要的,正确的。任何零售组织,让失效的客户,并与所有活动产品顾客真的是问题的核心,对吧?,那是,那是,这就是我们想解决利用我们建立的个性化。所以我们提出的解决方案是,好吧,我们需要个性化的沟通并提供相关和最激动人心的提供使用数据从客户档案,客户的360度视图配置文件我之前谈过。那么我们如何做呢?对吧?所以我们首先,跟踪客户行为在过去的一年,根据交易,我们理解病人的行为基于品牌和类别客户回购已经和我们算出了客户的亲和力不同其他品牌和类别现在确定最近的购买模式,在确定绝对品牌早些时候和你评估,提供什么,完全匹配或与客户行为,我们预测,在前面的步骤中。最后我们把所有的数据,然后使用它来确定客户的概率,购买特定产品或让优惠券使用各种机器学习空心图这是真的我们个性化的核心一般来说,喜欢,预测客户的行为,然后,让我们提供更多的相关和风度翩翩,风度翩翩,风度翩翩。

所以,我们,我们开始使用,linear-ed模型,像逻辑回归,但由于由于性能问题,我们将涵盖在接下来的幻灯片,我们改用exubles模型,非线性实际执行的很好。最后我们把所有这些输出和优化,我们基于约束优化的提供者,我们的预算约束。显然我们不能给无限的优惠券。我们优化,因此然后发送这些提供给客户。

结果通过个性化

所以通常情况下,在CVS,我们不测量性能使用,使用扫描指标。或任何我们测量路径但作为医疗关注公司,我们总是试图使用卫生保健机构指标,衡量我们的性能,我们看到一个巨大的吸收1.6%,基于onimplement坚持基于各种分析,测量,我们的团队表现。所以,是的,我们,我们总是评估我们的,我们的表现为医疗保健的代理指标诗句任何销售成绩,现在我们给你一个深度,看个性化简历,我们将使用谈论接下来的几分钟,启用了基于云的增长,基于云的环境中,和交通过渡,以及我们面临的一些挑战。

使速度市场

首先,正如我提到的,个性化的旅程,我们如何做,过渡到基于云的环境中,在2019年。像我之前提到的,我认为,这种转变肯定帮助,使我们能够迅速进入市场,但也扩大,扩大应用,作为我们,用例了。通过Azure砖,我们可以灵活地自旋向上的集群,满足,独特的业务需求,独特的需求,我们必须支持各种业务用例。我们也不限制我提到的物理硬件的限制。我们真的不需要花太多的时间去考虑,我们做优化,在那里,我们非常受限。所以也就罢了,我认为另一个叫它是易于使用。

砖,一般来说,集中使用,所有的资产,开发人员需要让他们的工作更容易。互动的笔记本在一个地方,把集群管理性能监控数据元店,真的很容易,车载、机载和快速成长的团队。

只是让,支持,支持,越来越多的用例,更加容易。也就罢了,更少的关注基础设施支持,更关注工作本身。

增长和性能问题

虽然,显然,我们经历的增长在过去的几年中,我们确实遇到了许多挑战。其中许多我们仍然继续解决。我们,所以,即使转换到基于云的环境中,如还有仍一直是挑战,处理大数据。团队探索,不同的优化像三角洲,分区大小,真正专注于优化集群使用。

我们会在这方面继续推进。第二个领域,是一种核心团队已经存在成本管理的焦点。团队的发展很快,你看到的图,我们的云计算成本,所以,有很多的不同,我们这边可以做的事情,,Azure砖有助于使一些事情。所以,我们可以自旋向上不同类型的集群为不同类型的工作。ETL工作可以使用不同的集群和不同数量的计算能力比你的模型训练和功能创造就业机会。还有很多我们可以做从开发人员的角度来看。那么,我们如何促进最佳实践,在我们的开发团队而言,最佳实践代码优化,利用样本数据环境中,我们已经创建了团队的使用以及透支,当我们,汽车,我们有能力自动扩展集群,但是,真正想马克斯集群使用,尽我们最大的能力,然后还有一些很好的特性,由砖和不断补充道。所以集群政策和池,和不同类型的工作和互动集群,我们想继续探索,真正确保我们的大部分,充分利用环境和特性。

然后,另一个,另一个领域,这一直是一个挑战的技术本身的发展性质。因此,尽管基于云技术已经存在多年,它仍然是相对较新的医疗行业内,CVS特别。所以,虽然我们总是想,推动,推动创新的边界在CVS中,我们仍然需要考虑,安全与合规,医疗规定,所有这些都是至关重要的,我们的见面指导方针。想,测试和尝试新服务,但是,确保我们的约束内这样做我们的环境。

然后最后一个挑战区域广泛,他们可能将进入更特定于机器机器学习的一些挑战的旅程本身。它已经存在,发现人才,继续发展的人才队伍。技术是相对,新的和不断变化的,它是很难找到,很难找到一些五人加入团队,尤其是当我们越来越多的超级快速的跨职能的技能,科学数据,数据工程,但也理解开发运维的最佳实践。我们,一直在努力,同时,成长,发展,培训机会,我们现在的团队,同时,给更多的非正式的机会只是玩玩新技术测试以及整个团队分享。拉团队专注于一些,有些人,他会分享一些,新服务,在Azure,或者其他类型的工具和技术,喜欢分享,信息在整个团队的帮助,交叉培训,技能大家都在忙。

机器学习的旅程

谢谢你米歇尔。所以当我们有我们自己的挑战,在建造和性能方面,我们也有我们自己的,设置一些新的挑战,在我们的机器学习的旅程,我要迅速覆盖,在这张幻灯片。

所以我想突出四个地区,我们有我们的,我们自己的挑战和如何我们都出来了,我们将经历什么样的解决方案,这样是很有帮助的,其他组织,实际上,开始他们的机器学习的旅程。

所以在谈到未来工程方面,我们有我们的,我们的,掠夺性的管道,这些你任何特性工程,沉重和复杂的视觉,你需要大量的计算能力。

所以,为了有一个中心的集中特性可以利用在许多用例是真的,真的很有帮助。

否则你会,你会重用,相同的功能或使用更多的功能使用超过需要的特性,这可能导致所有配件问题。和模型训练区像我提到的,我们有很多,部分,微观细分,只有伟大的用例需要许多模型一样,训练和实现平行。

所以这需要,飞行员是管道和我们不能概括这些用例。所以,几乎生产管道是必需的,我们使用一个本地混合工作管道生产管道模型时,选择的过程,也是我们通常与,例如,我们去与k - means物流、入学。但是然而,我们很快意识到,物流监管与稀疏数据没有做好,导致所有配件问题与k - means喜欢同样的问题不适合解决高维度问题。所以我们觉得我前面提到的开关的非线性模型,如额外的刺激,在实现方面,调优,和管道集成,喜欢各种挑战,,,,,我们可以解决。

然后在实现方面,我们非常,最初我们有手动过程,至少我们可以开始探索毫升流动和能够管理我们的机器学习生命周期。

所以实现是关键时,我们作为一个团队的成长。

,当涉及到合作,我们很快识别的事情之一是,人们总是认为,数据科学家和工程师。他们都为一个角色都在,那就是,高钙的作用,,,我们可以快速识别标识的增加,交叉训练去填补这一空白,这显然已经帮助我们更快的规模和行动之间的差距数据工程与工程和数据科学家。

所以记住这些挑战,我想给你一个快速溜峰就像我们,我们是如何解决的挑战,我刚刚解释说,在未来的。

所以,我们,我们,我们,我们很快意识到在回顾我们的挑战,,像我们的核心管道在一组表演,当我们观察到所有这些我们很快意识到,比如,我们知道我们需要管理和使用合适的工具,正确的工作。

找到合适的工作的工具

换句话说,所以,我们有很多工具,探索,就像我,喜欢,我很快就会点一个,一个巨大的变化,在思考,那就是,我们要从使用CPU为基础,基于GPU的机器学习机器学习。所以我们要使用全球定位系统(GPS)的计算资源,这两个我们的培训,然后超越我们探索,急流。然后我们探索的另一个方面是,Kubernetes,。Kubernetes编排,我们可以使用多种工具和多种工具集成到我们的生产管道没有抢到一个,一个工具。这是一个区域,我们探索。从药房,还有,,,用例继续发展,越来越感兴趣,使一些、更实时的用例。所以我们一直在探索诸如Azure事件中心,卡夫卡Azure流分析,Azure功能,尝试,使更实时,个性化的方法对病人。所以我认为,我们希望你,我们希望这个演讲有帮助,提供一些背景如何,个性化,我们如何思考,通过,,医疗保健,零售镜头在CVS卫生。

我想,我们很乐意回答任何问题。