医疗健康分析是用数据来理解并改进医疗服务、运营和成本;对医疗机构的网站和 App 来说,它分四个层次:描述性、诊断性、预测性和规范性。前两层贡献了大部分价值,也出现了大部分错误,而且在健康领域,它们必须先通过隐私这一关。本文讲运营分析,不涉及患者记录,也不是法律意见。
读完你会知道
- 健康行业的运营分析,要先决定不收集什么,再用汇总计数去衡量
- 对医疗网站来说,描述性和诊断性工作(漏斗、来源、错误)贡献了大部分价值
- 靠前的漏斗步骤通常比靠后的收益更大,因为后面每一步都会放大它的增益
什么是医疗健康分析?本文讲的是哪一种?
医疗健康分析是用数据来理解并改进医疗服务、运营和成本。这个词其实包含两种差别很大的工作。临床分析处理病历、理赔和设备数据,用来支持诊断、人群健康和疗效研究,在受监管的系统里由临床和数据团队运行。运营分析看患者和访客怎么使用医疗机构的网站和 App:读了哪些页面、在预约表单的哪一步离开、哪些渠道带来了人。
本文讲的是第二种。它写给诊所、门诊、远程医疗和健康科技公司的市场、网站和产品同事,他们的问题是:“怎样衡量网站和 App,又不收集不该收的东西?”本文不涉及电子病历(EHR)分析,文中所有内容都不是法律或临床建议。
要记住的是:健康行业的运营分析,在常规步骤前多了一步:先决定不收集什么,再用剩下的数据去衡量。 本文其余部分展示两件事怎么做。
医疗健康分析的四个层次是什么?
分析通常分成四个层次,逐层递进。同样的四层也适用于健康类网站或 App:
| 层次 | 要回答的问题 | 网站或 App 例子 | 典型产出 |
|---|---|---|---|
| 描述性 | 发生了什么? | 上月 5,000 位访客,252 次预约确认 | 看板或周报 |
| 诊断性 | 为什么发生? | 预约减少,是因为表单第 3 步在手机上开始出错 | 按步骤、设备或来源的拆解 |
| 预测性 | 接下来可能怎样? | 按季节性流量预计下月预约量 | 带误差范围的预测 |
| 规范性 | 应该怎么做? | 增加更短的手机表单并复测 | 建议的改动和衡量方案 |
对大多数医疗机构的网站来说,价值和错误都集中在前两层。描述性数字容易采集,也容易读错(访客数上升,其实多半是机器人)。诊断性工作需要明确的拆解口径(按步骤、设备、来源),隐私决策也在这一层起作用,因为拆解越细,团队越容易往每个事件上附加更多个人信息。预测性和规范性需要先有一段稳定、干净的历史数据;跳过前两层直接做的团队,通常预测的是噪声。
医疗机构最该盯的八个网站和 App 指标是什么?
选一小组指标,并把每个指标写成书面定义。这八个覆盖了一个医疗机构网站:
| 指标 | 定义 | 为什么重要 |
|---|---|---|
| 预约转化率 | 确认的预约数 ÷ 进入预约路径起点的访客数 | 核心结果 |
| 步骤流失 | 相邻两个预约步骤之间流失的访客 | 指出表单该改哪里 |
| 搜索到详情率 | 打开医生页的访客 ÷ 搜索过医生的访客 | 说明搜索结果有没有帮助 |
| 来源构成 | 各渠道(搜索、引荐、直接、邮件)的访问占比 | 说明预约从哪来 |
| 手机占比 | 手机访问占比 | 决定先测哪里 |
| 电话点击率 | 点击电话号码 ÷ 联系页访问 | 统计线下完成的预约 |
| 错误率 | 错误事件 ÷ 预约页浏览量 | 看起来像放弃的失败 |
| 页面速度 | 关键页面的 Core Web Vitals | 页面慢会损失预约 |
注意缺了什么:没有任何衡量访客是谁、有什么疾病的指标。以上每个指标都能用汇总计数算出来。这不是要绕开的限制,而是设计本身。
| 指标 | 定义 | 为什么重要 |
|---|---|---|
| 预约转化率 | 确认的预约数 ÷ 进入预约路径起点的访客数 | 核心结果 |
| 步骤流失 | 相邻两个预约步骤之间流失的访客 | 指出表单该改哪里 |
| 搜索到详情率 | 打开医生页的访客 ÷ 搜索过医生的访客 | 说明搜索结果有没有帮助 |
| 来源构成 | 各渠道的访问占比 | 说明预约从哪来 |
| 手机占比 | 手机访问占比 | 决定先测哪里 |
| 电话点击率 | 点击电话号码 ÷ 联系页访问 | 统计线下完成的预约 |
| 错误率 | 错误事件 ÷ 预约页浏览量 | 看起来像放弃的失败 |
| 页面速度 | 关键页面的 Core Web Vitals | 页面慢会损失预约 |
这八个指标都不需要知道访客是谁,也不需要知道他有什么疾病。
怎样一步一步计算预约转化?
示例数据: 一家诊所集团跟踪一个月的预约路径。
| 步骤 | 访客数 | 步骤转化率 | 占全部访客 |
|---|---|---|---|
| 访问预约板块 | 5,000 | 不适用 | 全部 |
| 搜索医生 | 1,800 | 36.0% | 36.0% |
| 打开医生页 | 900 | 50.0% | 18.0% |
| 开始预约 | 420 | 46.7% | 8.4% |
| 确认预约 | 252 | 60.0% | 5.0% |
每个步骤转化率 = 本步访客 ÷ 上一步访客:1,800 ÷ 5,000 = 36.0%;900 ÷ 1,800 = 50.0%;420 ÷ 900 = 46.7%;252 ÷ 420 = 60.0%。整体转化率是 252 ÷ 5,000 = 5.04%。
再用漏斗来决定做什么。两个候选改动,提升的百分点相同:
- 把“开始 → 确认”从 60% 提到 70%。 420 × 0.70 = 294 次确认,多 42 次(+16.7%)。
- 把“搜索 → 医生页”从 50% 提到 60%。 1,800 × 0.60 = 1,080 位到医生页;1,080 × 46.7% = 504 次开始预约;504 × 60% = 302.4 次确认,约多 50 次(+20.0%)。
靠前的步骤更划算,因为后面每一步都会放大它的收益。这就是诊断层能支持的推理,而且整个过程不需要知道任何人是谁。更多读漏斗的方法见转化漏斗优化。
预约板块 → 确认预约
一个月访问预约板块
5,000
搜索医生
1,800
打开医生页
900
开始预约
420
确认预约
252
运营分析不该越过哪条隐私红线?
在健康领域,敏感的部分很少是访客数,而是标识符和健康话题的配对。依据美国规则,HIPAA 去标识化标准把 IP 地址、设备标识、网址、电子邮箱、账号和日期列入需要去掉的 18 类标识符(45 CFR 164.514(b)(2))。依据欧盟 GDPR,涉及健康的数据属于特殊类别,除非满足某个条件,否则禁止处理(第 9 条),个人数据则涵盖与可识别个人有关的任何信息,包括在线标识符(第 4 条)。
健康网站上的追踪也被送上过法庭。2024 年 6 月,德克萨斯州一家联邦法院撤销了 HHS 一份通告中的一部分,那部分把“IP 地址加上访问某个介绍健康状况的未登录公开页面”视为受保护信息;患者门户等已登录页面上的追踪工具仍受该通告其余部分约束(Holland & Knight 的摘要)。结论不是有了安全港,而是形势已经变化,并取决于具体页面和数据。请咨询你的隐私负责人,并用下一节的规则,把有争议的空间留得更小。
该收集什么,该舍弃什么?
在发出第一个事件之前,就应用数据最小化:
- 优先汇总。 凡是不需要个人层面数据就能回答的问题,就用计数和比率。
- 用大类,不用病症。 记录“全科”或“专科就诊”,不要记录“肿瘤会诊”或诊断。专科可能暴露病症。
- 检查页面路径。 像
/conditions/fertility-treatment这样的网址,与标识符结合就说明了一个人的某些情况。使用中性路径,或把这些页面排除在追踪之外。 - 不放自由文本。 不要把搜索框、表单内容、症状自查工具或聊天文字送进分析属性。
- 公开页面上不做身份识别。 登录识别如果要用,只留给已登录区域。
- 健康页面不开回放和热力图。 它们记录人们看到和做的事,表单字段是风险所在。
- 上线前就定保留期和删除路径,不要等到被投诉再定。参见数据保留政策指南。
同样的逻辑也是合规的 GDPR 分析和隐私优先设计的基础:从能回答问题的最小数据集开始。
健康团队做分析常犯哪些错?
- 默认就追踪。 在每个页面(包括预约页和病症页)装上带广告像素的标签管理器,会把数据发给你可能没有合同约束的第三方。
- 把病症名称放进事件属性。 “service = HIV 检测”就是附在设备上的健康数据。
- 把机器人当成患者。 爬虫抬高访客数、拉低转化率;评判活动前先把它们分开。
- 读比率不看分母。 420 次开始里确认 252 次是 60%;5,000 位访客里确认 252 次是 5.04%。要说清楚指的是哪个。
- 跳到预测。 在步骤没有定义的漏斗上做预测,预测的是你的埋点,而不是你的患者。
- 以为供应商的设置就等于合规。 隐私模式能减少收集的数据;你的用法是否合法,取决于工具无法知道的事实。
- 把临床数据和网站数据混在一起。 把预约网站的访客 ID 和患者记录关联,会让网站分析变成 PHI 项目。除非法务和临床负责人批准,否则保持分开。更多分析类别见数据分析的类型。
医疗机构怎样在 TapCub 里搭这套分析?
还是上面那家诊所集团。它想要预约漏斗和八个指标,且不带任何个人信息。TapCub 不是 HIPAA 合规产品,也不做这样的声明;下面的设置是为了少收集数据。
- 选采集档位。 在 配置 › 合规中心 里,档位 1 是匿名汇总:不保留持久 ID,自动采集和身份识别操作会被丢弃。默认是档位 2。欧洲经济区和英国的默认规则需要同意,没有同意时浏览量和自定义事件仍会记录。
- 在埋点方案里定义事件。 在 全端分析 › 数据管理 › 埋点方案 里,写下预约事件(搜索、医生页、开始、确认)和打算发送的属性。属性列表要短,并且只到大类层面。
- 管住属性。 在 全端分析 › 数据管理 › 属性字典 里,把每个键标成直接标识符、间接标识符或非个人信息,并屏蔽你永远不想存的键。直接标识符默认会被遮盖。
- 看漏斗和基础指标。 用 全端分析 › 行为分析 › 行为分析 看漏斗,网站统计 › 来源 看来源构成,监测 › 性能 和 监测 › 错误 看速度和故障。机器人单独计入 网站统计 › 机器人,不会混进分母。
- 保持回放关闭。 会话回放默认关闭;在预约页和病症页继续关着。
TapCub 不做 A/B 测试,也不判断你的配置是否满足 HIPAA 或 GDPR;它报告你定义的漏斗。
FAQ
什么是医疗健康分析?
它是用与健康相关的数据来理解并改进医疗服务、运营和成本。范围涵盖基于患者记录的临床分析,以及基于网站、App 和服务的运营分析。本文讲运营这一侧。
医疗健康分析的四种类型是什么?
描述性(发生了什么)、诊断性(为什么)、预测性(接下来可能怎样)和规范性(该怎么做)。每一层建立在上一层之上,干净的描述性数据是其余各层的基础。
health analytics 和 healthcare analytics 有什么区别?
实际使用中这两个词常常互换。有些团队用“health analytics”指人群和公共卫生数据,用“healthcare analytics”指服务提供和运营,但并没有统一的划分,所以请把你的范围写成书面定义。
医疗网站可以不收集个人数据就做分析吗?
大多数运营问题可以。汇总计数、大类、不放自由文本、公开页面不做身份识别,就能回答漏斗、来源和性能问题。某个具体设置在 HIPAA 或 GDPR 下是否允许,要问你的隐私负责人。
健康网站上的分析数据算 PHI 吗?
取决于收集了什么、网站属于谁。IP 地址或设备标识加上与健康相关的页面访问,可能是敏感的。把健康话题挡在属性之外,并就你具体用的标签咨询律师。
资料来源
- Cornell 法律信息研究所,45 CFR 164.514 去标识化:(b)(2)(i) 的 18 类标识符。核对于 2026-11-18。
- GDPR,第 4 条 定义 和 第 9 条 特殊类别数据。核对于 2026-11-18。
- Holland & Knight,American Hospital Assn. v. Becerra: Are Tracking Tools OK Again?,2024 年 6 月:律所对 2024 年 6 月 20 日裁决的摘要。核对于 2026-11-18。
这篇文章对你有帮助吗?
我们会根据反馈修改和补充这篇内容。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。

