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.
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.
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.
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.
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.
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