公共部门 — 社会服务需求评估

利用高级分析技术洞悉社会服务需求，更有针对性地提供社会关怀

社会关怀需求评估流程有助于识别和洞察面临生理、精神以及社会性挑战而需要帮助的人们的需求，在保障居民个人福祉和精准提供社会支持方面发挥着重要作用。通过评估生理、情绪和社会性需求，社会关怀专业人员可以更全面、更细致地了解每一位居民的境况，进而创建个性化的关怀计划来解决每一位居民的独特挑战，构建一种更有效且更加以人为中心的社会关怀方法。

社会关怀需求评估流程的重要意义主要体现在以下方面：

• 促进和保障个人独立：通过评估和洞悉每位居民需要哪些帮助，关怀人员可以专注于帮助其自主生活。这一般包括实施适当的支持系统来增强居民个人的日常生活能力，促进个人自立，培养个人尊严感。
• 在提供个性化支持的同时控制成本：社会关怀需求评估流程有助于关怀人员及早干预。通过在早期阶段就识别问题和挑战，关怀人员可以及时、有针对性地介入，防止问题恶化和升级。这不仅能提高关怀服务的整体质量，还可以避免后续投入更多成本来进行更大规模干预，进而节约成本。
• 促进医疗卫生系统中的各个利益相关方紧密协作：社会关怀需求评估流程能够促进医疗卫生专业人员、社会工作者以及其他相关方沟通与协作。这种协作式方法可确保社会关怀覆盖居民个人福祉的所有方面，有助于构建更全面、集成度更高的关怀计划。
• 高效、公平、公正地分配资源：通过精准衡量居民个人和群体需要何等水平的支持，社会关怀政策制定者可以聚焦需求更高的领域，更高效地分配资源。这不仅有助于更合理地利用可用资源，还可以防止社会关怀服务供应过度或供应不足，最终提高整个社会关怀系统的可持续性和响应能力。

社会关怀资源通常是有限的，必须高效分配到最有需要的人群。对此，数据分析驱动的需求评估流程可以精准识别需求最迫切的个人和社区，确保将社会关怀资源分配到可发挥其最大影响力的人群。在社会关怀领域，及早识别需求十分重要，它有助于及时干预和提供支持，能够避免问题恶化和消耗更多成本。此外，通过分析各种干预措施的结果及其对个人福祉的影响，社会关怀人员还可以持续优化工作方法，更好地提供更高质量的社会关怀服务。

近年来，数据和数据分析已成为社会关怀领域的一股革命性力量，它们为提高社会关怀需求评估的效率和有效性带来了宝贵的机会。集二者合力，社会关怀专业人员可以获得一个强大的工具集来洞悉、预测和响应多样化的居民需求，捕获基于事实的可靠洞察，制定明智决策。

通过数据驱动的社会关怀需求评估，社会关怀专业人员可以制定翔实、精确、个性化的干预策略，提高社会关怀的准确性和有效性。关怀团队不仅可以聚合各种来源（包括健康记录、社会互动和人口统计信息）的数据，全面了解每个居民的境况和需求，还可以运行高级分析来开发预测性模型，识别健康和社会福祉存在恶化风险的居民。预测性模型能够分析历史数据和模式，帮助关怀团队及早发现问题并及早干预，进而避免问题恶化、防范危机、降低社会关怀服务负担。

数据和高级分析技术还有助于关怀团队采取主动式方法，这不仅有益于居民个人，更有益于整个社会关怀系统。例如，机器学习算法可以高效分析海量数据集，识别对人而言并非即时可见的数据模式和关联，随后关怀人员可以采取既能满足当下需求，又有助于解决未来挑战的个性化干预措施，构建一个更有活力、更具响应力的社会关怀系统。

此外，来自可穿戴装置和智能家居传感器等设备的实时数据流可以提供宝贵的居民日常活动和关怀状态洞察，这使关怀团队能够实时、持续监视个人需求和干预措施的有效性，实施反应式干预和自适应计划方法，基于现实变化来调整干预措施。

在一个全面的数据平台上识别社会关怀需求，提供优化、有针对性的社会关怀服务

一个可摄取、整理、处理以及分析关怀需求和关怀服务交付数据的数据平台，可帮助社会关怀领域的各个利益相关方捕获基于数据的可靠洞察，更好地识别、评估以及满足居民个人和社区的多样化、不断变化的需求。它能够利用数据分析、人工智能以及机器学习技术优化资源分配，增强关怀服务交付过程，最终改善针对弱势群体的关怀成果。下图展示了如何利用 Oracle 组件构建一个覆盖完整数据分析生命周期，可帮助社会服务提供方更好地识别客户需求的分析架构。

此图展示了面向公共部门的 Oracle Data Platform 如何优化社会服务需求评估，推动基于需求洞察的主动式干预。

1. 1. 数据源和数据发现
2. 2. 摄取、转换
3. 3. 持久化存储、整理、创建
4. 4. 分析、学习、预测
5. 5. 评估、行动

“数据源和数据发现”支柱共涉及 4 类数据。

1. 1. 应用数据，包括社会服务记录、教育记录、客户访谈和案例记录以及儿童福利数据。
2. 2. 业务记录数据，包括就业数据、税务数据、公共卫生数据、社区调查数据以及人口分析数据。
3. 3. 技术输入数据，包括社交数据。
4. 4. 第三方数据，包括人口普查和人口统计数据以及环境数据。

“摄取、转换”支柱共涵盖 4 项功能。

1. 1. 批量摄取，基于 OCI Data Integration、Oracle Data Integrator 以及数据库工具。
2. 2. 批量传输，基于 OCI Fast Connect、OCI Data Transfer、MFT 以及 OCI CLI。
3. 3. 变更数据捕获，基于 OCI GoldenGate 和 Oracle Data Integrator。
4. 4. 流式摄取，基于 Kafka Connect。

所有这 4 项功能都单向连接到“持久化存储、整理、创建”支柱下的伺服数据存储和云端存储。

此外，流式摄取功能还连接到“分析、学习、预测”支柱下的流式处理。

“持久化存储、整理、创建”支柱共涵盖 5 项功能。

1. 1. 伺服数据存储，基于 Oracle Autonomous Data Warehouse、Oracle Exadata Database Cloud Service 以及 Oracle Exadata Cloud@Customer。
2. 2. 托管式 Hadoop，基于 Oracle Big Data Service。
3. 3. 云端存储，基于 OCI Object Storage。
4. 4. 批处理，基于 OCI Data Flow。
5. 5. 数据治理，基于 OCI Data Catalog。

这些功能在支柱内互联。云端存储不仅单向连接至伺服数据存储和托管式 Hadoop，还双向连接至批处理。

托管式 Hadoop 单向连接到伺服数据存储。

两项功能连接到“分析、学习、预测”支柱，其中伺服数据存储连接到分析和可视化功能，还连接到数据产品及 API 功能，云端存储连接到机器学习功能。

“分析、学习、预测”支柱共涵盖 4 项功能。

1. 1. 分析和可视化，基于 Oracle Analytics Cloud、GraphStudio 以及 ISV 工具。
2. 2. 数据产品和 API，基于 Oracle Autonomous Data Sharing、OCI API Gateway 以及 OCI Functions。
3. 3. 机器学习，基于 Oracle Machine Learning 和 Oracle ML Notebooks。
4. 4. 流式处理，基于 OCI Goldengate Stream Analytics 和第三方工具。

“评估、行动”支柱聚焦于如何将数据分析结果付诸实践，它分为“人与合作伙伴”、“社会关怀分析师”和“干预预警”三部分。

“人与合作伙伴”部分包括社会分析（人口统计、社会经济指标以及健康卫生相关数据）、风险评估、社会趋势分析以及群组分析。

“社会关怀分析师”部分包括根因分析、模式识别、自然语言处理、舆情分析、分类建模、聚类以及异常检测。

“干预预警”连接至流式处理。

“摄取、转换”、“持久化存储、整理、创建”和“分析、学习、预测”这三个支柱有赖于基础设施、网络、安全性和 IAM 的强大支持。

连接、摄取和转换数据

Oracle 解决方案由三大支柱组成，每个支柱负责特定的数据平台功能。第一个支柱提供数据连接、摄取和转换功能。

Oracle 主要通过三种方式将数据注入数据平台架构，帮助社会服务提供方识别和评估社会关怀需求。

• 第一步是高频、实时（或近乎实时）地从运营系统（例如案例管理、干预管理以及教育记录系统）中提取数据，这些数据对于识别特定事件和干预需求必可不少。对此，Oracle 使用 Oracle Cloud Infrastructure (OCI) GoldenGate 从案例管理、HCM/资源以及服务系统中摄取数据。为了确保社会关怀提供方及时识别和交付必要的服务，事件、服务可用性和资格要求数据在摄取上必须是近乎实时的 — 这也被称为“适时”摄取。它们通常属于关系型数据，来源于企业应用。首先，OCI GoldenGate 使用变更数据捕获功能从运营流程系统底层架构中检测变更事件（例如案例创建、客户问题标注、干预等等），实时将数据发送到一个持久层和/或数据流层。它能够处理已完成操作/事务的日志文件，将所捕获的变更存储到独立于数据库的外部轨迹 (Trail) 文件，由此非侵入式地处理源变更。随后，变更数据将被可靠存储到一个中转数据库。这一过程中，Journaling Knowledge Module (JKM) 使用 Oracle Data Integrator 托管的元数据生成所有 OCI GoldenGate 配置文件；处理暂存区中 OCI GoldenGate 捕获的所有变更。最后，Oracle Data Integrator 的声明性转换映射功能会将变更数据加载到目标数据仓库。这一架构除了将数据加载和转换到分析数据仓库表，还支持单独、实时地报告归一化的暂存表数据。
• 第二步，Oracle 将批量传输历史运营事务数据，为模型训练和服务交付分析做准备。当首次将大量数据（例如来自现有本地分析存储库或其它云端的数据）移动到 Oracle Cloud Infrastructure 时，Oracle 建议使用批量传输服务，具体使用哪种批量传输服务取决于数据的位置和传输频率。举例来说，我们可以使用 OCI Data Transfer 服务或 OCI Data Transfer Appliance 从历史计划或数据仓库存储库中加载大量本地数据。当需要持续移动大量数据时，Oracle 建议使用 OCI FastConnect，它可以在客户数据中心与 OCI 之间提供高带宽的专用网络连接。
• 在当下，实时分析多种来源的社区、群组和客户数据对于识别早期干预机会越来越重要。对此，Oracle 通过流式摄取来摄取来自移动端互动、IoT、机器对机器通信以及其他渠道的所有客户和所有内部事件数据。具体而言，数据流来源包括内部系统（例如远程信息处理和监视）和外部系统（社交媒体），数据类型包括位置数据、客户互动数据、运动数据以及社交媒体数据。数据（事件）摄取完成后，Oracle 将执行一些基本的转换/聚合操作，然后将数据存储到 OCI Object Storage。另外，Oracle 还支持进一步开展流式分析来识别相关的位置事件，启动客户干预等行动；支持（手动）反馈所识别的任意模式 — 以便使用 OCI Data Science 检查原始数据。
• 虽然实时需求时刻处在变化之中，绝大多数来自案例、事务、资源计划、客户、人口统计以及风险和合规管理系统的数据依然要通过 ETL 流程进行批量摄取。批量摄取适用于从不支持数据流式处理的系统（例如绝大多数传统案例管理系统和登记系统）导入数据。对于这些数据，虽然摄取频率通常高达每 10 或 15 分钟一次，但它们本质上仍然属于批量数据，因为每次提取和处理的是一组​​而不是单个事务。OCI 提供多种服务来执行批量摄取，例如基于 OCI Compute 实例运行的原生 OCI Data Integration 服务和 Oracle Data Integrator。客户无需考虑技术问题，可基于自身偏好按需选择。

持久化存储、处理和整理数据

数据持久性和数据处理有赖于三个组件，有些客户会使用所有组件，有些客户则仅使用其中一部分组件。视数据规模和数据类型不同，数据既可以加载到对象存储，也可以直接加载到一个结构化关系数据库以进行持久存储。当预计可能使用数据科学功能时，从数据源以原始形式（未处理的本机文件或提取数据）检索的数据更多时候会被从事务系统捕获和加载到云端存储。

• 云端存储是 Oracle 数据平台最常用的数据持久性层，它适用于结构化和非结构化数据，基本构件块包括 OCI Object Storage、OCI Data Flow 和 Oracle Autonomous Data Warehouse (ADW)。具体而言，以原始格式从数据源检索的数据将被捕获并加载到 OCI Object Storage，以 OCI Object Storage 作为主要的数据持久性层，以 OCI Data Flow 中的 Spark 作为主要的批处理引擎。批处理涉及多项活动，包括基本噪声处理、缺失数据管理以及基于所定义出站数据集的数据筛选。根据所需处理操作和所使用的数据类型，批处理结果将写回对象存储的各个层或一个持久化的关系存储库。
• 现在，Oracle 将使用伺服数据存储来持久化存储整理后的优化数据，以此提高查询性能，构建一个全面的社会服务关怀需求视图。伺服数据存储可提供一个持久化的关系层，支持最终用户通过基于 SQL 的工具直接获取整理后的高质量数据。在这一解决方案中，Oracle Autonomous Data Warehouse 被实例化为企业数据仓库或更专业的域级数据集市（如有需要）的伺服数据存储。此外，它还可以为数据科学项目提供数据源，为 Oracle Machine Learning 提供存储库。实践中，伺服数据存储可表现为多种形式，包括 Oracle MySQL HeatWave、Oracle Database Exadata Cloud Service 以及 Oracle Exadata Cloud@Customer。

分析数据、学习和预测

分析、学习和预测功能系通过三种技术方法实现。

• 高级分析功能对于识别当下和未来的社会服务需求至关重要。在这一使用场景中，Oracle 通过 Oracle Analytics Cloud 提供分析和可视化功能。借助该解决方案，企业将能够运行描述性分析（使用直方图和图表描述当前趋势）、预测性分析（预测未来事件、识别未来趋势以及探索非确定性结果的发生概率）和规范性分析（提出适当的行动建议，从而做出理想决策）。
  
  对历史数据运行预测性模型，可从以下方面优化社会关怀需求评估：
  • 预测未来需求：预测性分析算法可分析社会关怀资源利用、人口统计趋势和社会经济指标等方面的历史数据，预测未来各种服务的需求。基于预测结果，社会关怀组织可以提前制定计划和分配资源，高效满足社区需求。
  • 识别风险人群：服务提供方可运行预测性分析，基于年龄、收入水平、健康状况和过往服务使用模式等一系列因素来识别风险水平较高（即更需要社会关怀）的个人和社区。随后，通过聚焦风险人群，社会服务组织可以有针对性地采取干预措施来防范危机，主动在早期阶段就提供支持来缓解潜在挑战。
  • 个性化干预：社会服务组织可以运行预测性分析，基于客户的具体需求和特征来识别最适当和最有效的干预方法，优化社会关怀服务交付。通过为个人和群体提供个性化服务，社会关怀提供方能够最大限度发挥干预措施的影响力，取得更出色成果，提高社会关怀计划的成本效率。
  • 优化资源分配：社会关怀工作人员可以运行数据分析，识别哪些领域的需求最为迫切，进而制定更明智的资源分配决策和战略计划。通过优先在高需求领域投入，社会服务组织可以确保高效、有效地分配资源，切实有效地解决最严峻的社区挑战。
  • 持续响应不断变化的关怀需求：预测性分析支持社会服务组织持续监视并基于实时数据和反馈优化干预措施。通过分析干预结果，基于需求和现实变化调整干预策略，社会关怀组织可以随着社区变化，始终实施有效且富有响应性的社会关怀计划。
• 除了高级分析和流式分析，数据科学、机器学习和人工智能如今也越来越广泛地被应用于异常检测、流程延迟预测以及客户体验/结果优化。例如，机器学习模型适用于客户上下文识别、人口分析和结果细分，它们能够持续学习新数据，适应新情况并逐步增强性能，提高运营效率并改善决策。在这一领域，OCI Data Science、OCI AI 服务和 Oracle Machine Learning 均可在数据库中使用。
  
  Oracle 使用机器学习和数据科学方法来构建和训练预测模型，然后通过 API 来部署机器学习模型以进行评分，或者将机器学习模型嵌入 OCI GoldenGate 流式分析管道。在某些情况下，这些模型甚至可以藉由 Oracle Machine Learning Services REST API 部署在数据库中（为此，模型需采用开放式神经网络交换格式）。此外，伺服或事务数据存储中也能部署面向 Jupyter/Python 笔记本的 OCI Data Science 或面向 Zeppelin 笔记本和机器学习算法的 Oracle Machine Learning。同样，无论是单独使用还是搭配使用，Oracle Machine Learning 和 OCI Data Science 都可以用于开发建议模型/决策模型。这些模型可以作为服务部署在 OCI API Gateway 后面，作为“数据产品”和服务进行交付。构建后，机器学习模型可以部署到运营决策系统的应用中（如果允许）。
• 最后一个也十分关键的组成部分是数据治理，它基于 OCI Data Catalog 实现。OCI Data Catalog 是一项免费服务，能够为数据平台生态系统中的所有数据源提供数据治理和元数据（包括技术和业务元数据）管理支持。OCI Data Catalog 还是一个从 Oracle Autonomous Data Warehouse 到 OCI Object Storage 的重要查询组件，它支持快速定位数据，无论数据存储方式如何。这允许最终用户、开发人员和数据科学家在架构中的所有持久数据存储中使用通用访问语言 (SQL)。

全面洞悉社区需求，制定基于事实的前瞻决策

数据驱动式方法意味着通过高级分析来洞悉社会关怀需求，它有助于更好地开发和提供更加个性化的社会服务，精准满足个人和社区需求。得益于数据驱动式分析，社会服务提供方可以更全面了解一个社区内各种人口统计群体的需要，不仅能从多样化的数据源（包括健康记录、社区调查结果、社会援助计划数据、人口普查数据）中捕获关于健康指标、社会经济决定因素、人口统计趋势以及服务利用模式的宝贵洞察，还能从整体角度出发来更好地识别服务交付缺口，聚焦于弱势群体，更明智地分配资源来满足最迫切的需求。

现代数据平台能够从以下方面帮助社会服务组织增强社会关怀需求评估和社会关怀服务交付的质量、效率和有效性。

• 整合各种来源的多样化数据，包括人口普查数据、公共卫生记录、社会援助计划数据以及社区调查数据。在将这些数据整合到一个集中式存储库后，社会服务组织可以更轻松地分析所有信息，识别各种变量之间的关联。
• 高级分析功能（例如预测性建模和数据可视化工具）可为决策者揭示社会关怀需求趋势、模式和差异，例如预测性建模技术能够基于人口统计和社会经济因素，预测未来人们对特定社会服务的需求。
• 机器学习算法可高效分析大量数据，识别在传统分析方法下难以发现的隐藏数据模式和数据关系。它们能够检测具有类似社会关怀需求的人群，还能提前预测某一个体即将遭遇特定挑战，进而实施主动干预策略。
• 地理空间分析工具能够在地图上可视化展现社会关怀服务需求，帮助决策者识别哪些地理区域中弱势群体数量更多或更难以获取社会服务。这种空间视图有助于优化资源分配和社会服务规划。
• 实时监视社会关怀指标，从而及时干预和调整服务交付策略。得益于持续反馈循环，社会服务提供方可以评估干预措施的有效性，优化和完善社会关怀计划。
• 采取多种措施确保数据的收集、存储和分析符合严格的道德规范和隐私法规要求，保护个人敏感信息。凭借可靠的安全措施和匿名化技术，现代数据平台能够帮助社会服务组织在充分利用数据来评估社会关怀需求的同时严格保护个人隐私。