Tess Technology
Trusted Expertise
in Strategy and Systems
Главная
Продукты
  • Анализ технологических рынков
  • Повышение операционной эффективности
  • Матмоделирование и машинное обучение
  • Базы данных
  • Стратегические сессии
Кейсы
  • Выход на новый рынок
  • Математическое моделирование
  • Поиск новых ниш
  • Расчет экономических показателей
Блог
    Связаться с нами
    Tess Technology
    Главная
    Продукты
    • Анализ технологических рынков
    • Повышение операционной эффективности
    • Матмоделирование и машинное обучение
    • Базы данных
    • Стратегические сессии
    Кейсы
    • Выход на новый рынок
    • Математическое моделирование
    • Поиск новых ниш
    • Расчет экономических показателей
    Блог
      Tess Technology
      • Главная
      • Продукты
        • Назад
        • Продукты
        • Анализ технологических рынков
        • Повышение операционной эффективности
        • Матмоделирование и машинное обучение
        • Базы данных
        • Стратегические сессии
      • Кейсы
        • Назад
        • Кейсы
        • Выход на новый рынок
        • Математическое моделирование
        • Поиск новых ниш
        • Расчет экономических показателей
      • Блог
      • Главная
      • Информация
      • Статьи
      • Большие данные в большой фарме? Большое дело!

      Большие данные в большой фарме? Большое дело!

      Поделиться
      2 октября 2021 14:35
      // Бизнес-советы

      Компании в фармацевтической промышленности всё больше наводняются потоками данных, которые зачастую не используются или недоиспользуются.

      Компании в фармацевтической промышленности всё больше наводняются потоками данных, которые зачастую не используются или недоиспользуются. Однако, если применять аналитику Big Data, компании смогут получить своевременную информацию для принятия более эффективных бизнес-решений.

      1_3.png

      Аналитика big data - простая концепция, сложная реальность

      Важные элементы стратегии Big Data аналитики Большой фармы следующие: это организационная структура, талант, технология, управление данными (data management) и операционная ориентация на саму программу big data.

      1. Организационная структура.

      Такие факторы организации компании, как используемые модели финансирования (например, центральной, бизнес-единицы или совместной) и финансовая ориентация (например, центр прибыли или центр затрат) играют роль в выборе правильной структуры для внедрения мощностей аналитики big data.

      Data-Center-ComBOTS-.jpg

      Как правило, 4 структуры наиболее успешны при внедрении big data:

      1) Децентрализованные:

      Бизнес-юниты (БЮ) имеют разные наборы данных, и каждый БЮ принимает свои собственные решения с big data относительно самостоятельно.

      2) Децентрализованные с ведущим БЮ:

      Каждый БЮ принимает собственные решения, но один БЮ играет ведущую роль в установлении стандартов.

      3) Центр передового опыта (СoЕ):

      Независимый Центр контролирует программу аналитики big data, а БЮ проводят инициативы под руководством Центра.

      4) Централизованные:

      Корпоративный центр берет на себя прямую ответственность за создание и приоретизацию инициатив и их реализацию.

      2. Талант.

      Программы аналитики big data являются ресурсоемкими, и для поддержки таких программ требуются серьезные инвестиции в квалифицированные ресурсы. Следующие профессии представляют собой минимально необходимый комплекс навыков:

      • менеджер программ,
      • менеджер инфраструктуры,
      • архитектор больших данных,
      • управляющий данными,
      • аналитик домена,
      • финансовый аналитик,
      • специалист по данным (data scientist),
      • инженер данных,
      • аналитик данных,
      • и аналитик визуализации данных.

      3. Технология.

      В любой фармацевтической компании должны параллельно и непрерывно присутствовать три функции big data: сбор, обработка и презентация данных. В рамках этих функций есть также функции по безопасности, такие как шифрование данных и маскирование, а также управление данными и рабочими потоками.

      _2.png

      1) Сбор данных включает в себя не только интеграцию данных из множества источников (что особенно актуально в фарме), разного объема и разной скорости поступления, но и их предварительную обработку (например, измерение качества, нормализации). По этой функции много предложений с открытым исходным кодом, включая Flume, Sqoop, Oracle Data Integrator и SAP BODS.

      2) Обработка данных.Способность обрабатывать данные со скоростью их ввода, дает явное преимущество, особенно там, время принятия решений имеет большую ценность. По этой функции есть много платформ с исходным кодом, таких, как SAP Hana, IBM Netezza, AsterData и Hadoop, а также есть доступны инструменты глубокого аналитического поиска, такие как R и SAS.

      3) Представление данных направлено на то, чтобы заинтересованные пользователи действительно поняли имеющиеся данные, чаще всего, с помощью отчетов и панелей мониторинга. Предложения по этой функции включают Tableau, Qlikview, Microsoft BI Platform, Spotfire и Birst.

      4. Управление данными.

      В медицинских и фармацевтических учреждениях существуют жесткие требования к конфиденциальности данных и соблюдению нормативных требований. Управление данными на платформе big data, помимо сбора данных, также требует:

      • Создать план управления данными во всей организации
      • Создать стандарты данных и установить права доступа
      • Поддерживать согласованность ссылочных данных,
      • Устранять проблемы целостности данных и т.п.

      5. Установка и доработка.

      Стратегия внедрения системы анализа big data развивается по мере развертывания мощностей системы, и включает две фазы «созревания»: фаза Поиска и фаза Улучшения.

      1) фаза Поиска

      На ранних стадиях, таких, как разведка и пилотирование программы, нужно сфокусироваться на поиске ключевых пользователей и правильных вариантов использования системы. Основная тактика заключается в том, чтобы повысить гибкость операционной деятельности и сильно повысить осведомленность организации (т. е. продемонстрировать возможности и создать активность среди конечных пользователей).

      2) фаза Улучшения

      По мере роста спроса на возможности программы, например, по мере роста обращений пользователей с просьбами о включении дополнительных возможностей ее использования, начинается фаза Улучшения. На этом этапе важно увеличить эффективность работы (например, увеличить масштабы развертывания и развертывания программы), поскольку сразу заметен эффект для пользователей.

      _3_1.png

      Кейсы - какие из них брать на вооружение?

      Конечная цель использования системы big data – это извлечение ценности для клиентов, деловых партнеров и акционеров для принятия управленческих решений. Для того, чтобы определить варианты использования программы, лучше всего пригласить заинтересованные стороны сообщить идеи о том, как анализ big data поможет в их предметной области. Также это продемонстрирует, что аналитические потребности всех заинтересованных сторон решаются и тем самым способствует созданию широких возможностей для анализа данных в масштабах всей компании.

      Как только исходный набор вариантов использования был найден и описан на высоком уровне, он подвергнется фильтрации и кластеризации, чтобы сузить список вариантов.

      Каждый из этих вариантов использования будет дополнительно доработан для понимания основных аспектов, таких как: кто владелец процесса, как процесс влияет на остальные, каковы KPI процесса, каковы потребности в данных и каковы преимущества big data в этом процессе для бизнеса. Кроме того, каждый случай использования также должен быть оценен по:

      1) стоимости для бизнеса и

      2) осуществимости исполнения.

      Окончательное определение вариантов использования идеальной формы поиска зависит от бизнес-модели компании, ее потенциала для решения бизнес-задачи (например, получение дохода, снижение затрат, улучшение работы, удовлетворенность клиентов, конечный результат и т. д.).

      Примеры использования big data

      Для производителей фармацевтических брендов, занимающихся R&D, аналитика big data, обладающая способностью быстро определять ассоциации между большими объемами разнообразных данных, может быть использована в исследованиях и разработках.

      sklad.jpg

      Предсказательное моделирование также может быть использовано для прогнозирования результатов, связанных с эффективностью молекулы, побочными эффектами и т. д. Использование аналитики big data ускорит процесс создания и разработки лекарств и сократит расходы на них, а также сократит время выхода на рынок новых лекарств.

      Для фармацевтических оптовых дистрибьюторов аналитика Big data может использовать большие объемы доступных данных, чтобы лучше понимать клиентов и развивать точную сегментацию клиентов.

      Более того, аналитика обеспечит понимание индивидуального поведения клиентов, объединяя данные сегментации клиентов наряду с другими внутренними и внешними данными, такими как данные колл-центра, данные опроса клиентов, программ лояльности, данных соцсетей. Затем могут быть составлены программы продаж для конкретных клиентов и оценена эффективность имеющихся программ, и составлены программы перекрестных и дополнительных продаж.

      Для тех участников в фарме, которые много закупают у поставщиков, нарушения поставок приводят к снижению выполнения заказов клиентов и к потерям продаж.

      Аналитика big data может использоваться для разработки прогностических моделей для предсказания сбоев в поставках, на основе как внутренних данных (например, заказы на поставку, производительность поставки поставщика, инвентарь, историю продаж, правила замены продуктов и пр.), так и внешних (например, региональные СМИ, прогнозы погоды, нормативные объявления и пр.). Такое проактивное планирование поможет заказывать дополнительные партии у альтернативных поставщиков или заказывать товары-заменители, обеспечивая выполнение заказов и достижения планов по продажам.

      ------------------------------------------------------------------------------------------------------

      Аналитика Big data позволяет использовать данные, не связанные с заемными средствами и недостаточными ресурсами, и получить своевременную информацию для принятия более эффективных бизнес-решений. Все чаще компании в фармацевтической отрасли внедряют программы big data и получают значительные выгоды от ее использования.

      По данным: Desay S.S., Peer B. Big Data, Big Pharma - Big Deal? Yes, Really! // Infosys, 2017. https://www.infosys.com/consulting/insights/Documents/big-deal-pharmaceutical-industry.pdf


      Теги
      Big Data Биг Дата Фарма
      Поделиться
      Назад к списку Следующая статья
      Категории
      • Бизнес-советы17
      • Повышение продаж1
      • Управление проектами1
      Это интересно
      • Исследование операционной эффективности российских производственных компаний
        12 мая 2025
      • Развитие Рынка Химических Материалов в Микроэлектронике России: проблемы и перспективы
        21 января 2024
      • Аппаратно-программные комплексы для Искусственного Интеллекта
        15 марта 2023
      • Маркировка электронно компонентной базы в РФ
        10 октября 2022
      • Перспективы развития литографии в РФ
        26 июня 2022
      • Отношение бизнеса к данным и аналитике
        1 июня 2022
      • Рынок Умного Дома
        10 мая 2022
      • Отечественная полупроводниковая отрасль в условиях санкций
        14 марта 2022
      • Жизненный цикл товаров: от производителя до полки супермаркета
        2 октября 2021
      • Карта искусственного интеллекта
        28 сентября 2021
      Облако тегов
      AI Big Data R&D SMM Алгоритмический маркетинг Аналитика Аналитика рынка Биг Дата Искусственный интеллект Исследования Маркетинг Микроэлектроника Нейромаркетинг Производство Социальные медиа Фарма Цифровая экономика
      Компания
      О компании
      Принципы и ценности Tess Technology
      Реквизиты
      Продукты
      Анализ технологических рынков
      Повышение операционной эффективности
      Матмоделирование и машинное обучение
      Базы данных
      Стратегические сессии
      Проекты
      Выход на новый рынок
      Математическое моделирование
      Поиск новых ниш
      Расчет экономических показателей
      Наши контакты

      +7 (916) 729 07 16
      mail@tesstech.ru
      ООО «ТЕСС ТЕХНОЛОДЖИ» ИНН 7702421130
      © 2025 Все права защищены.
      Связаться с нами
      Находясь на нашем сайте, Вы даете согласие на обработку файлов cookie.