Медиа imot.io
Кейсы

Расписание врачей по данным — почему клиники теряют до 30% записей

В 2025 году исследователи из Фронтальной больницы при университете Лозанны опубликовали работу в Frontiers in Digital Health, где замерили влияние онлайн-записи на посещаемость клиник. Один из побочных выводов оказался интереснее главного: пациенты систематически выбирали одни и те же временные слоты, а клиники систематически не могли их предложить. Спрос концентрировался в утренних часах, а свободные окна — в послеобеденных. Средний показатель неявки по отрасли, по данным систематического обзора Mazaheri Habibi et al. (2024), охватившего 105 исследований, составил 23%.
Два числа, которые стоят рядом: 23% неявок и хроническое несовпадение спроса с расписанием. Между ними — прямая связь, которую большинство клиник не видит, потому что не измеряет.

Почему расписание формируется без данных о спросе

Рынок частной медицины в России в 2024 году достиг 1,57 трлн рублей, по подсчётам Национального рейтингового агентства. В стране работает свыше 66 000 частных клиник. Конкуренция за пациента растёт, цены за первое полугодие 2025 года поднялись в среднем на 15%, а дефицит врачей остаётся одним из ключевых ограничителей роста. В этих условиях каждый неиспользованный слот в расписании — потерянная выручка, которую нельзя компенсировать повышением цен.
При этом расписание врачей в большинстве клиник формируется одним из трёх способов. Первый — по привычке: врач работает с 9 до 18, потому что так было всегда. Второй — по удобству врача: хирург просит утро, терапевт — вторую смену. Третий — по загрузке прошлого месяца: администратор смотрит, когда было больше записей, и повторяет шаблон.
Ни один из трёх способов не учитывает главное — когда пациенты реально хотят попасть на приём. Не когда они записываются (это уже компромисс с тем, что доступно), а когда они звонят и спрашивают: «Можно ли завтра утром к ортопеду?»
Эта разница между желаемым и доступным почти нигде не фиксируется. В CRM попадает факт записи: дата, время, врач. В отчёт попадает загрузка по часам. Но момент, когда пациент назвал желаемое время и получил отказ — «к сожалению, на утро всё занято, могу предложить 16:30» — этот момент растворяется в потоке звонков. Никто не считает, сколько раз в день звучит «нет, на это время ничего нет». Никто не знает, какой процент пациентов после этого «нет» не записывается вообще.
Исследователи из Национальной академии медицины США в отчёте Transforming Health Care Scheduling and Access (2015) зафиксировали парадокс, характерный для всех типов медицинских учреждений: клиники одновременно жалуются на перегрузку и имеют незаполненные слоты. Комитет назвал это «хроническим и часто необязательным несовпадением спроса и предложения» и указал, что одна из главных причин — отсутствие формализованной оценки спроса.
Ситуация, когда 20% слотов пустует, а в пиковые часы стоит очередь, — не перегрузка. Это ошибка планирования.

Как устроен разрыв между спросом и предложением в расписании

Исследование, опубликованное в Frontiers in Public Health (2022), показало, что 62,3% пациентов предпочитают утренние визиты. Эта цифра устойчива по разным специальностям и типам клиник. Утренний спрос предсказуемо выше, но клиники продолжают распределять расписание равномерно по рабочему дню — или, что хуже, ставят востребованных врачей на вечерние смены, потому что «утро уже забито терапевтом».
Параллельно спрос на вечерние часы растёт — по данным NCBI, увеличение запросов на вечерние приёмы в ряде клиник привело к открытию дополнительных вечерних смен. Но решение о таких сменах принималось не на основе анализа звонков, а на основе интуиции администраторов. В результате одни клиники добавляли вечерние часы, когда в этом не было нужды, а другие — упускали реальный спрос.
Механизм разрыва выглядит так. Пациент звонит в клинику и называет желаемое время. Оператор проверяет расписание. Если слот занят, предлагает альтернативу. Дальше развилка: пациент соглашается на другое время, переносит на другой день, обещает перезвонить (и не перезванивает) или уходит к другой клинике.

В CRM фиксируется только один исход — запись. Все остальные варианты теряются. Клиника не знает, сколько пациентов хотели утренний приём, но записались на вечер. Не знает, сколько вообще не записались. Не знает, какой процент «обещаний перезвонить» заканчивается уходом.
По данным DoctorsManagement, оптимальный показатель заполненности расписания — 90–95%. Выше 95% — стресс для персонала и проблемы с доступом. Ниже 90% — потери выручки. Но эта метрика считает заполненность существующих слотов, а не соответствие слотов спросу. Клиника может показывать 92% заполненности и при этом терять 30% потенциальных записей, потому что пациенты не могут попасть в удобное время.
Исследователи из Университета Мичигана в обзоре Healthcare scheduling in optimization context (PMC, 2021) описывают эту ситуацию как системную: неэффективность амбулаторных клиник, выраженная в длительном ожидании пациентов, простоях врачей и переработках, возникает из-за несовпадения спроса на медицинские услуги с доступной мощностью.
Клиника, которая не фиксирует разрыв между запросом и предложением, управляет расписанием по остаточному принципу. Она видит итог — заполненность. Но не видит процесс — как пациент выбирал и от чего отказался.

Три точки данных, которые меняют расписание

Чтобы понять реальный спрос, нужно извлечь из каждого диалога три элемента. Первый — запрос пациента: какую дату, какое время, какого врача или специальность он называет. Второй — предложение оператора: что именно оператор предлагает взамен, если желаемый слот недоступен. Третий — итог: состоялась ли запись, на какое время, или пациент ушёл.
Эти три точки — запрос, предложение, факт — создают полную картину спроса. Когда они собираются по сотням и тысячам диалогов, появляется возможность строить тепловые карты: где спрос выше предложения, где предложение избыточно, в какие часы и дни клиника теряет записи.
Столбчатые диаграммы по дням и часам показывают ритм спроса: понедельник утром — пиковый, пятница после обеда — провальный. Детализация по услугам добавляет глубину: педиатрия востребована утром (родители приводят детей до школы), ортопедия — в обед (пациенты приходят в рабочий перерыв), косметология — вечером. Детализация по врачам показывает, что к одному ортопеду очередь на две недели, а у другого — пустые окна.
Исследование 2025 года, опубликованное в Scientific Reports (Nature), описывает модель оптимизации расписания амбулаторного отделения дерматологической больницы, построенную на данных о реальном спросе. Авторы разработали робастный подход к планированию на среднесрочный период, учитывающий вариативность потока пациентов и дефицит медицинского персонала.
Ключевой вывод работы: без данных о структуре спроса любое расписание — гипотеза. С данными — управленческое решение.
Но откуда брать эти данные? CRM-системы фиксируют запись, а не запрос. Онлайн-формы показывают выбранный слот, а не желаемый. Единственный источник, где звучит реальный голос пациента — «мне бы в среду утром, часов в десять» — это диалог между пациентом и оператором. Телефонный звонок, чат, переписка в мессенджере.
Здесь появляется задача для речевой аналитики. Из текста каждого диалога можно извлечь упоминания времени, дня, врача, услуги. Можно зафиксировать, предложил ли оператор альтернативу. Можно отследить, чем закончился разговор — записью, отказом, обещанием перезвонить.

Кому в клинике нужны эти данные и зачем

Тепловая карта «спрос vs факт» — инструмент не для одного человека. Она адресована четырём ролям, и каждая видит в ней своё.
Руководитель клиники видит упущенную выручку. Если 200 звонков в день, конверсия в запись — 35%, а 15% пациентов не записываются, потому что нет удобного времени, — это 30 потерянных записей ежедневно. При среднем чеке приёма в 4 200 рублей (по данным Чек Индекса за 2025 год) потери составляют 126 000 рублей в день, или почти 2,8 млн рублей в месяц. Руководитель клиники может пересмотреть графики, добавить утренние смены, перераспределить нагрузку — и вернуть часть этих записей.
Медицинский директор видит дисциплину расписания. Какие врачи перегружены, какие недозагружены. Где отмены по инициативе клиники создают пустые окна, которые не заполняются. Где расписание одного врача конфликтует с расписанием другого — и пациент, которому нужны оба, не может попасть в один день.
Маркетолог видит структуру спроса по услугам и каналам. Какие услуги спрашивают чаще всего, но не могут записаться. Какие рекламные кампании генерируют звонки, которые не конвертируются в записи — не из-за оператора, а из-за расписания. Это меняет логику маркетинга: нет смысла увеличивать трафик на направление, которое не может принять больше пациентов.
Операционный директор видит процесс. Как операторы работают с отказами по расписанию. Предлагают ли альтернативу. Переводят ли на лист ожидания. Или просто говорят «к сожалению, ничего нет» и кладут трубку.
Каждая из этих ролей описана в контексте медицинских клиник: руководитель ценит ROI и рост, медицинский директор — качество и дисциплину, маркетолог — данные и конверсию, операционный — процессы и стандарты. Тепловая карта спроса попадает в пересечение всех четырёх интересов.

Как это работает на практике — от диалога до решения

На практике этот кейс — один из четырнадцати типовых сценариев внедрения речевой аналитики в клиниках. Из текста каждого диалога извлекаются три точки: что хотел пациент, что предложил оператор, чем закончилось. Платформа размечает звонки тегами — «желаемое утро», «предложена вечерняя смена», «запись состоялась», «запись не состоялась», «обещал перезвонить». По этим тегам строятся тепловые карты и столбчатые диаграммы с детализацией по услугам, врачам, филиалам и периодам.
Важно подчеркнуть: платформа анализирует текст диалога, а не аудиохарактеристики. Она не измеряет интонацию и не определяет эмоции по голосу. Она видит, что написано в транскрипции: «мне бы в среду», «утром, часов в девять», «а на вечер нет?». Этого достаточно, чтобы построить карту спроса.
Результат, который мы наблюдаем в подобных проектах: увеличение количества записей на 15–30% и снижение доли неудавшихся записей на 20–40%. Эти цифры достигаются не за счёт увеличения рабочих часов или найма новых врачей, а за счёт перераспределения существующих ресурсов под реальный спрос.
По данным клиники, внедрившей AI-систему оптимизации расписания (Veradigm), снижение неявок на 30% и рост пропускной способности на 20% были достигнуты за счёт анализа истории записей, демографии пациентов и сезонных паттернов. Но эти данные — про предсказание неявок. Данные из диалогов добавляют измерение, которое CRM не видит: желаемое, а не выбранное время.
Исследование 2024 года, опубликованное в Cureus (PMC), прогнозировало рост выручки на 1,7 млн долларов при полном внедрении AI-оптимизации расписания в одной больнице. Авторы связали эффект с более гибким использованием ресурсов и ростом удовлетворённости пациентов.

Что видно на тепловой карте и чего не видно в CRM

Тепловая карта «спрос vs факт» — визуализация, которая показывает две матрицы рядом. Слева — когда пациенты хотят записаться (по данным из диалогов). Справа — когда они фактически записаны (по данным из CRM). Разница между ними — зона упущенных возможностей.
Типичная картина выглядит так. Утренние часы (9:00–12:00) — интенсивный спрос, плотная загрузка, высокая доля отказов. Обеденные часы (12:00–14:00) — умеренный спрос, средняя загрузка, низкая доля отказов. Послеобеденные часы (14:00–17:00) — спрос ниже утреннего, но загрузка ещё ниже. Вечерние часы (17:00–20:00) — спрос растёт (особенно по стоматологии и косметологии), но слотов мало, потому что врачи заканчивают работу в 18:00.
Понедельник и вторник — пиковые по спросу. Пятница — провальная. Эта закономерность подтверждается исследованиями NCBI: спрос на приёмы предсказуемо выше в начале недели, с сезонными колебаниями в период гриппа, аллергий и диспансеризации.
Но CRM показывает только правую матрицу — фактическую загрузку. Левая матрица — спрос — существует только в диалогах. Администратор помнит, что «утром много отказов», но не может назвать число. Руководитель видит, что «вечером пусто», но не знает, сколько пациентов хотели именно вечером и не смогли записаться.
Когда обе матрицы ложатся рядом, решения становятся конкретными. Добавить один утренний слот у ортопеда по понедельникам — потому что 12 пациентов за последний месяц спрашивали утро и не записались. Сдвинуть начало работы стоматолога с 10:00 на 9:00 — потому что 8 запросов на 9 утра за две недели. Убрать вечернюю смену терапевта по пятницам — потому что за месяц ни одного запроса на это время.
Столбчатые диаграммы добавляют детализацию. Количество запросов на каждый час — столбик. Количество записей — столбик рядом. Разница — визуально очевидна. Если спрос в 9:00 — 35 запросов, а записей — 20, значит 15 пациентов не получили желаемого. Если спрос в 16:00 — 10 запросов, а записей — 8, значит здесь баланс.
Детализация по врачам показывает другую картину. К доктору Иванову очередь на две недели, у доктора Петрова — половина слотов пустая. При этом оба работают одни и те же часы. Тепловая карта покажет: к Иванову спрос сконцентрирован утром, к Петрову — тоже, но Петров стоит в вечернюю смену. Решение: перевести Петрова на утро, а вечером поставить врача по менее востребованной специальности.

Что мешает клиникам увидеть спрос — и как это преодолеть

Главное препятствие — не технологии. Главное препятствие — привычка управлять расписанием по инерции.
Руководитель клиники привык, что расписание — зона ответственности главного врача или старшего администратора. Главный врач привык, что расписание — компромисс между пожеланиями врачей. Старший администратор привык, что расписание — шаблон, который копируется из недели в неделю с минимальными правками.
В этой цепочке нет звена, которое бы спрашивало: «А чего хотят пациенты?»
Второе препятствие — страх перед данными. Когда тепловая карта показывает, что популярный врач загружен на 120% утром и на 40% вечером, из этого следует неудобный вывод: расписание нужно менять. А менять расписание — это разговор с врачом, который привык работать определённым образом.
Третье препятствие — отсутствие процесса. Даже если клиника один раз построит карту спроса и скорректирует расписание, через два месяца спрос изменится (сезонность, новое направление, уход врача), а расписание останется прежним. Без регулярного цикла «анализ — решение — замер» любая оптимизация — одноразовая.
Национальная академия медицины в рекомендациях по трансформации расписания подчеркивает: ключевой принцип — постоянная формализованная оценка соответствия предложения прогнозируемому спросу. Не разовый аудит, а встроенный в операционный ритм процесс.
Для нашей команды это знакомая история. Мы видим её в каждом проекте, связанном с медицинскими клиниками: первая реакция — «у нас и так всё заполнено». Потом руководитель смотрит на карту, видит 15–20 ежедневных запросов, которые не конвертируются в записи, и задаёт правильный вопрос: «Почему я это раньше не видел?»
Ответ — потому что эти данные существовали только в звонках. Не в CRM, не в отчётах, не в расписании. В разговорах между пациентом и администратором.

Итоги

Расписание врачей — управленческий инструмент, а не административная формальность. Его эффективность определяется не загрузкой существующих слотов, а соответствием этих слотов реальному спросу пациентов.
Спрос пациентов фиксируется в диалогах с операторами. Из каждого разговора можно извлечь три элемента: желаемое время, предложенную альтернативу и итог. CRM-системы этого не видят, потому что фиксируют факт записи, а не процесс выбора.
Тепловые карты «спрос vs факт» делают разрыв между желаемым и доступным наглядным. Столбчатые диаграммы по дням, часам, услугам и врачам превращают общее ощущение «утром тесно, вечером пусто» в конкретные цифры.
Корректировка расписания на основе данных о спросе — не автоматизация и не замена людей. Это управленческое решение, которое принимает руководитель клиники, опираясь на объективную картину. Речевая аналитика выступает инструментом наблюдения: извлекает из текста диалогов информацию, которая раньше терялась.
Если хотите увидеть, как выглядит тепловая карта спроса для вашей клиники, — запишитесь на демонстрацию. Покажем на реальных данных, где расписание расходится с ожиданиями пациентов.
Оставить заявку на демо »
Источники

Mazaheri Habibi M.R. et al. (2024). Evaluation of no-show rate in outpatient clinics with open access scheduling system: A systematic review. Health Science Reports.
Frontiers in Digital Health (2025). Efficient patient care in the digital age: impact of online appointment scheduling on the no-show rate. Frontiers.
National Academy of Medicine (2015). Transforming Health Care Scheduling and Access: Getting to Now. NCBI Bookshelf
National Academy of Medicine. Innovation and Best Practices in Health Care Scheduling. NAM.
NCBI Bookshelf. Issues in Access, Scheduling, and Wait Times. NCBI.
Национальное рейтинговое агентство. Медицинские услуги в России — рынок 1,57 трлн руб. zdrav.expert.
Коммерсантъ (2025). Рынок платных медицинских услуг России: рост цен и обострение конкуренции. Коммерсантъ.
Scientific Reports / Nature (2025). Data-driven robust outpatient physician scheduling with medical visiting information. Nature.
PMC (2021). Healthcare scheduling in optimization context: a review. PMC.
PMC (2024). A Solution to Reduce the Impact of Patients’ No-Show Behavior on Hospital Operating Costs. PMC.
Veradigm. Predictive Scheduler. Veradigm.
DoctorsManagement. Guide to Schedule Utilization Analysis. DoctorsManagement.
Frontiers in Public Health (2022). Patient’s decision and experience in the multi-channel appointment context. Frontiers.