“健康大数据+保险”是相对可靠的盈利模式

本文涉及的产品
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介:

“在移动医疗领域,可穿戴装置是实现有效的健康管理、移动医疗的关键,但目前乱象明显。”在11月12日举行的大数据时代精准预防与健康促进高峰论坛上,清华大学健康传播研究所副所长苏靖认为,在目前的移动医疗服务水平下,“健康大数据+保险”是相对可靠的盈利模式。

据苏靖介绍,截至今年三季度,清华大学健康传播研究所采用定量定型方法,搭建了一个数据平台,收集了近900万的用户数据,再结合公开的行业数据,对健康医疗大数据行业发展现状和趋势进行了分析和研判。他们认为,健康医疗大数据属于朝阳行业,未来有千亿级的市场,行业潜力巨大,但目前还处于起步阶段,存在不少的问题,其中一个主要问题是盈利模式不清,很多时候是在烧资本的钱,又没有真正改变公众的医院消费习惯,盈利模式或商业模式需要进一步改进和努力。

苏靖说,健康医疗大数据应用目前可分为移动医疗、医生工具、医药电商、健康保险、健康管理等11类。移动医疗是最早受资本青睐的,2014年被称为移动医疗元年,火起来后,最近发展遇到瓶颈,比如覆盖低、没有办法解决用户粘性问题,当用户需要挂号看病,下载了APP,但病好了就删除,因为APP容易让人想到生病时的难受。用户活跃度难以再进一步增高,覆盖率难以进一步扩大。同时,预约挂号平台等新玩法,政策壁垒多且复杂,效果也不令人满意。

健康管理这一块,虽然可穿戴设备是实现健康管理的必要条件,但目前良莠不齐,各种数据支持不一,没有办法形成云端统一、与社区打通,这是非常重要的问题。未来的发展方向,是健康管理、健康险与社区医疗相联系。

而最近受到越来越多资本关注的运动管理同样存在盈利模式拓展问题,比如医药健康通过游戏功能留存用户,变现方式大多数是提供销售线索,让用户跟线下的机构比如医美的诊所导流,这个可能不是长久之计,没有触及真正的健康医疗大数据的核心。

另外,政策壁垒也制约了健康移动大数据的发展和应用。健康医疗大数据是新领域,政策在这部分非常的审慎,有很多的顾忌。当前医疗信息化是从单个医院的场景中生发出来的,信息孤岛现象严重,导致大数据多元异构,大数据应用高度碎片化,服务水平低,行业壁垒多,各种利益纠葛复杂。

目前,健康大数据应用比较好的是医生工具类,这块的人群是刚需,虽然用户群相对较小,但未来的需求和发展前景比较大。大数据辅助医生诊疗、用药,提高了医生的工作效率,是有高需求的市场。医疗信息化也是较早的一个领域,今天医疗信息化的玩法是高价值高门槛,医疗影像系统、肿瘤受到关注,这个门槛在不断抬高。

应用市场上,值得关注的是健康保险。一些保险公司雄心勃勃,加上强大的资本势力,从去年开始,加快布局“健康管理+保险”,创新了险种、销售模式,开始从行业下游转到行业上游。

苏靖认为,在目前的移动医疗服务水平下,“健康大数据+保险”是相对可靠的盈利模式。传统观念里,保险是整个医疗行业、健康行业的最末端,人生病了再让保险公司付费。在行业的最下游,保险业开始介入大数据领域,主要通过大数据设计保险产品、提供决策依据。但保险公司的野心不止于此,现在大量的保险,比如平安保险、阳光保险等正大力借助资本进入互联网+领域中,希望通过前端的健康管理、医疗服务的各种接口接入,使得他们从行业下游转到上游,从保险控费到健康管理服务。保险的介入将产生一连串的效应,给目前非常纠葛的移动医疗或者移动健康行业,带来更多好玩的未来前景。

本文转自d1net(转载)

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
目录
相关文章
|
1月前
|
SQL 存储 算法
基于对象 - 事件模式的数据计算问题
基于对象-事件模式的数据计算是商业中最常见的数据分析任务之一。对象如用户、账号、商品等,通过唯一ID记录其相关事件,如操作日志、交易记录等。这种模式下的统计任务包括无序计算(如交易次数、通话时长)和有序计算(如漏斗分析、连续交易检测)。尽管SQL在处理无序计算时表现尚可,但在有序计算中却显得力不从心,主要原因是其对跨行记录运算的支持较弱,且大表JOIN和大结果集GROUP BY的性能较差。相比之下,SPL语言通过强化离散性和有序集合的支持,能够高效地处理这类计算任务,避免了大表JOIN和复杂的GROUP BY操作,从而显著提升了计算效率。
|
2月前
|
存储 分布式计算 druid
大数据-152 Apache Druid 集群模式 配置启动【下篇】 超详细!(一)
大数据-152 Apache Druid 集群模式 配置启动【下篇】 超详细!(一)
44 1
大数据-152 Apache Druid 集群模式 配置启动【下篇】 超详细!(一)
|
2月前
|
SQL 存储 算法
基于对象 - 事件模式的数据计算问题
基于对象-事件模式的数据计算是商业中最常见的数据分析任务之一。这种模式涉及对象(如用户、账户、商品等)及其相关的事件记录,通过这些事件数据可以进行各种统计分析,如漏斗分析、交易次数统计等。然而,SQL 在处理这类任务时表现不佳,特别是在有序计算方面。SPL 作为一种强化离散性和有序集合的语言,能够高效地处理这类计算,避免了大表 JOIN 和大结果集 GROUP BY 的性能瓶颈。通过按 ID 排序和分步计算,SPL 能够显著提高计算效率,并支持实时数据处理。
|
2月前
|
分布式计算 大数据 分布式数据库
大数据-158 Apache Kylin 安装配置详解 集群模式启动(一)
大数据-158 Apache Kylin 安装配置详解 集群模式启动(一)
55 5
|
2月前
|
资源调度 大数据 分布式数据库
大数据-158 Apache Kylin 安装配置详解 集群模式启动(二)
大数据-158 Apache Kylin 安装配置详解 集群模式启动(二)
51 2
|
2月前
|
消息中间件 分布式计算 druid
大数据-152 Apache Druid 集群模式 配置启动【下篇】 超详细!(二)
大数据-152 Apache Druid 集群模式 配置启动【下篇】 超详细!(二)
45 2
|
2月前
|
存储 消息中间件 druid
大数据-151 Apache Druid 集群模式 配置启动【上篇】 超详细!
大数据-151 Apache Druid 集群模式 配置启动【上篇】 超详细!
92 1
|
2月前
|
存储 机器学习/深度学习 分布式计算
大数据技术——解锁数据的力量,引领未来趋势
【10月更文挑战第5天】大数据技术——解锁数据的力量,引领未来趋势
|
1月前
|
存储 分布式计算 数据挖掘
数据架构 ODPS 是什么?
数据架构 ODPS 是什么?
348 7
|
1月前
|
存储 分布式计算 大数据
大数据 优化数据读取
【11月更文挑战第4天】
53 2