数据分析已经改变了金融、零售和保险行业，为客户的选择和行为提供了无与伦比的洞察力。
在安全方面，将数据科学应用于职业健康与安全 (OHS) 信息是最重要的发展之一。 数据分析已经改变了金融、零售和保险行业，为客户的选择和行为提供了无与伦比的洞察力。 数据分析的进步以及 OHS 数据提供的主要扩展将改变从业人员应用数据科学的方式。
信息丰富，但缺乏洞察力
从历史上看，在该行业的数据使用中，重伤和疾病数据一直占据支配地位，这主要是因为此类信息易于获得。 然而，即使对事件数据进行最佳分析也只能说明一半问题，因为它忽略了潜在的影响因素，例如工作类型、危害或暴露时间的变化。 许多可能影响绩效的因素属于非 OSH 信息，并且许多数据存储在不同的业务系统或外部来源中。 数据源也往往存储在不同的格式和系统中，因此很难访问。 数据科学的进步使我们能够以前所未有的速度和方法访问并挖掘不同的信息源。
进一步完善了的分析技术使其他变量（如生产率、天气或日程计划）能够识别可能影响绩效的系统相关因素。 相反，数据科学也使我们能够识别并评估不同干预措施对 OHS 结果的有效性。 这将使人们能够有一个更为系统的全景，并进行更多的证据干预。
从文字到含意
自然语言处理 (NLP) 是用于转换 OHS 信息的技术之一，它可以将文本信息转换为可以解释和分析的规范化和结构化数据。 OHS 有许多不同类型的数据，但其中许多都是文本数据，例如个人对所发生情况的描述。 传统的分析技术要求使用预先定义的类别（例如事故类型或受伤地点）以结构化的方式收集信息。 然而，有价值的信息都是文本信息，并且对数千份报告进行分析一直都是不切实际的。 这将使先前孤立的信息得以研究，从而使我们能够“体会言外之意”。 自然语言处理 (NLP) 还使语音识别可用于收集信息，使人们更轻松地报告并充分利用OHS。
分析的价值
分析技术也取得了进步，这将改善我们评估 OHS 数据的方式。 共有四种不同类型的数据分析，每一种都逐渐产生更多的价值。 更大程度地揭示洞察力，通常需要更多的数据、时间和专业技能。
描述性分析描述了发生的情况，也是 OHS 长期使用的最基本类型。 它使用历史数据来识别模式并能够根据过去事件进行解读。 解读通常使用单个数据源进行，并使用绩效趋势（如事故数目或类型的变化）对过去事件进行简单概括。 尽管这解决了包括事件内容、事件频率和事件地点的基本问题，却很少给我们带来启示。
诊断分析通过检查两个或多个数据集之间的关系来解释为什么会发生某些事件。 将 OHS 信息与运营数据（例如车辆遥测、工作时间或 HR 人口统计信息）进行关联，可以帮助您识别模式并揭示影响绩效的因素。 它还将使人们能够采取更多基于证据的干预措施，从而降低投资或变更失败的风险。 然而，这里存在错觉风险，从而导致从结果中得出错误结论。 这很重要，因为数据分析并不能证明因果关系，而仅显示了一种需要通过专业经验进行解释的模式。 英国劳氏 SafetyScanner TM (Video) 就是这样一种工具，它可帮助其用户大规模地识别隐藏在文本中的直接原因。 SafetyScanner 是由英国劳氏的数字创新实践 LRQA Aurora 进行开发，它运用了人工智能和神经语言程序学 (NLP)，以快速并轻松地收集多种格式的原始事故描述数据，并将其转化为有意义的洞见。
预测分析可根据当前事件指出可能发生的情况。 此类分析可以预测事件的发生，如减少清洁次数会增加跌倒的次数；或者推测事件可能发生的时间，如预测降雪时道路交通事故的增加。 预测分析通常涉及使用数据挖掘和统计技术来分析两个相互依赖的变量，以产生用以预测概率的数学模型。 英国劳氏的 SafetyScanner现在开始产生预测性的洞察，因为它正在积累足够的数据以识别并预测模式。
摘要
随着绩效提升变得日益困难，重伤和死亡人数的比率保持稳定，数据科学为应对这些挑战提供了全新洞见。 通过将分析科学应用于其数据，从业人员可以深入了解其 OHS 方案的绩效，并更准确地预测其所做出决策的结果。
