Przykładowy raport operacyjny przygotowany Power BI dla małej przychodni medycznej, oczywiście z możliwościami dalszej rozbudowy. Starałem się pokazać,  jak za pomocą prostego dashboardu można zobrazować najważniejsze obszary działalności takiej placówki. Mamy tutaj podstawowe KPI operacyjno-finansowe wraz z porównaniem za poprzedni miesiąc, przychodu, wizyty i rentowność w czasie oraz przekrojowe wizualizacje wizyt i usług medycznych. Wykres słupkowy posiada dodatkowe podpowiedzi po najechaniu myszką na wybrany słupek, które wzbogacają wizualizację o dodatkowy kontekst. W końcu możemy zagłębić się w poszerzoną analizę przepływów pacjentów w podziale na płeć, grupę wiekową i zdiagnozowane schorzenie. Wszystko możemy dodatkowo filtrować w podziale na fikcyjnego lekarza zatrudnionego w placówce oraz za wybrany miesiąc. Druga karta przedstawia macierz najczęściej skorelowanych ze sobą schorzeń wg liczby pacjentów. Celem było pokazanie, w jaki sposób można na bazie prostych danych źródłowych dodatkowo wzbogacić raport o elementy eksploracji danych.   

Celem projektu było pokazanie, w jaki sposób można zindywidualizować raport dla małej przychodni i pokazać o wiele bogatszy kontekst w porównaniu ze standardowymi systemami zarządzania małą placówką medyczną. 

Wykorzystałem model danych opracowany przez AI Copilot w oparciu o podobne modele dla małych placówek medycznych, raportujących wg standardów Elektronicznej Dokumentacji Medycznej. Schemat bazy danych zaimplementowałem później w bazie on-prem SQL Server. 

Power BI Desktop (główne środowisko), Power BI Service (zarządzanie), SQL Server Management Studio 21 (relacyjna baza danych), konektor Power BI do SQL Server, Power Query (modelowanie danych), AI Copilot (testowanie miar DAX)

Największym wyzwaniem było zaprojektowanie i zaimplementowanie fikcyjnej bazy danych w taki sposób, aby potem zasymulować w raporcie działalność małej przychodni 10 lekarzy, 500 pacjentów i 5000 wizyt w ciągu roku. Podczas przygotowania danych niektóre transformacje były specyficzne dla niektórych wizualizacji np. podwójny sankey chart z przepływem pacjentów wymagał kilku join-ów i przekształceń pośrednich tabel. Mapa korelacji zaś wymagała dodatkowej pośredniej tabeli i kilku przekształceń w celu zidentyfikowania najczęstszych par schorzeń. Starałem się też zaimplementować kilka miar DAX specyficznych dla branży medycznej np. średni przychód na pacjenta lub marża na wizytach prywatnych.