Jak sztuczna inteligencja może zrewolucjonizować sprzedaż i marketing produktów farmaceutycznych
Firmy Big Pharma w USA wydają więcej na sprzedaż i marketing niż na badania i rozwój, zgodnie z ostatnią analizą przeprowadzoną przez America’s Health Insurance Plans. Patrząc tylko na 10 największych firm farmaceutycznych w USA, wydatki na sprzedaż i marketing w 2020 roku wyniosły 137 miliardów dolarów. Te wskaźniki kosztów często dotyczą również mniejszych firm farmaceutycznych, biotechnologicznych i medycznych. To ogromna inwestycja.
Jednak wydatki mogą być źle ukierunkowane. Przedstawiciele handlowi, mimo że kosztują znacznie ponad 100 000 USD na osobę, mogą woleć korzystać z tych samych kont, które zawsze mają, czekając godzinę lub dłużej, aby wygrać kilka minut z lekarzem. Liderzy sprzedaży mogą mieć trudności z ustaleniem priorytetów dla klientów, zmianą komunikatów w celu dostosowania ich do określonych kontekstów kont lub przesunięciem akcentów w miarę ewolucji kontekstów rynkowych.
Wyzwanie staje się coraz ostrzejsze. Ponieważ leki stają się coraz bardziej ukierunkowane, rynek każdego leku staje się mniejszy, a wartość pojedynczego pacjenta rośnie. Znalezienie odpowiedniego pacjenta i uzyskanie jego recepty to kluczowa walka o zwycięstwo.
Rola AI
Czy sztuczna inteligencja może coś zmienić? Absolutnie. Wyzwaniem była interpretacja dużych ilości ciągle zmieniających się danych w celu stworzenia jasnej hierarchii priorytetów i dostosowanych komunikatów dla niezliczonych typów pracowników służby zdrowia i ich pracodawców, informujących przedstawicieli handlowych o tym, do kogo się zwrócić iw jaki sposób. Pasuje do wzorca opisu problemu dostosowanego do sztucznej inteligencji w opiece zdrowotnej.
Verix, izraelsko-amerykańska firma, jest jedną z firm atakujących ten rynek. Shahar Cohen, szef AI Verix, wyjaśnia potrzebę. „Aby podejmować decyzje dotyczące targetowania i promocji, ludzie mają zbyt wiele zmiennych do rozważenia w sposób ręczny. Na przykład lek onkologiczny powinien być ukierunkowany na specjalizację lekarską; geografia; widoczne typowe grupy wiekowe; warunki, które są zwykle leczone; mieszanka stosowanych ubezpieczeń; objętości pacjentów; przynależność instytucjonalną; oraz czy lekarz przyjmuje pierwszą, drugą czy trzecią linię leczenia. Istnieją dziesiątki lub setki potencjalnych kombinacji czynników”.
W przeszłości firmy zajmujące się naukami przyrodniczymi mogły stosować schematy segmentacji oparte na statystycznym związku między klastrami zmiennych. Ale te podejścia są stosowane w sytuacjach, w których zazwyczaj występuje mniej niż tuzin zmiennych. Wiarygodność ich przewidywań cierpi, gdy zmienne się mnożą, modele statystyczne nie są dostosowywane do zmian rynkowych, a ich logika może być nieprzenikniona dla ludzi bez gruntownego przeszkolenia w zakresie analizy ilościowej. Wraz ze wzrostem złożoności ich użyteczność maleje.
Cohen mówi: „Z biznesowego punktu widzenia zarządzanie zbyt wieloma segmentami jest niemożliwe. Z naszą sztuczną inteligencją nawet nie próbujemy. Naszym priorytetem są lekarze w zakresie promocji, kanałów i zaangażowania cyfrowego. Następnie używamy modelu nadzorowanego uczenia się, aby zrozumieć skłonność każdego lekarza do zmiany swojego zachowania w oparciu o działania zainicjowane przez firmę farmaceutyczną”.
Wyzwania egzekucyjne
Cohen przyznaje, że samo oprogramowanie nie jest w stanie rozwiązać tego problemu. Zauważa: „Oprogramowania nigdy nie wystarczy bez odpowiedniego zaprojektowania procesu biznesowego, aby go używać”. Firmy zajmujące się naukami przyrodniczymi muszą powierzyć tym systemom więcej decyzji i dostosować zachęty dla przedstawicieli handlowych do priorytetów zaprogramowanych w IT. To może być istotna zmiana kulturowa.
Kolejną zmianą związaną z AI jest to, że realizacja tych procesów wygląda inaczej niż w przypadku innych platform IT. W przypadku firmy Verix, Cohen twierdzi: „Po kilku tygodniach mamy zintegrowane dane i gotowe do użycia. To ogromna zmiana w porównaniu z sytuacjami, w których konsultanci IT prowadzili cały proces. Dzieje się to szybko, częściowo dlatego, że sztuczna inteligencja to platforma, która wciąż się dostosowuje i uczy. Pobiera dane rynkowe od dostawców takich jak IQVIA i łączy różne źródła informacji. Następnie system kontynuuje ponowne szkolenie. Pierwsza konfiguracja jest oczywiście ludzka, ale potem jest automatyczna”.
Jednym ze sposobów ułatwienia akceptacji jest unikanie czarnych skrzynek AI. Chociaż modele głębokiego uczenia się, które można zobaczyć za pomocą narzędzi takich jak ChatGPT, można zastosować w sprzedaży i marketingu farmaceutycznym, nie są one wymagane. W sprzedaży i marketingu farmaceutycznym dane pobierane przez te systemy są już ustrukturyzowane, co zmniejsza potrzebę głębokiego uczenia się, a behawioralny charakter zaleceń wydawanych przez systemy umożliwia bardziej tradycyjne, algorytmiczne podejście AI. Dzięki systemowi „białej skrzynki” firmy mogą wyjaśniać swoje modele i bardziej bezpośrednio sprawować kontrolę nadzorczą.
Implikacje sztucznej inteligencji dla sprzedaży i marketingu produktów farmaceutycznych
Dzięki ulepszonemu ukierunkowaniu i dokładniejszemu kierowaniu działaniami reprezentacyjnymi sztuczna inteligencja może kierować decyzjami o wysokiej stawce wymaganymi w sprzedaży i marketingu spersonalizowanej medycyny. W przypadku każdego pacjenta potencjalnie wartego dziesiątki tysięcy dolarów – lub więcej – takie ukierunkowanie jest niezbędne. Jednocześnie sztuczna inteligencja może umożliwić ograniczenie wydatków na przedstawicieli handlowych branży life science poprzez bardziej bezpośrednie kierowanie ich działaniami, a potencjalnie poprzez inicjowanie zautomatyzowanych działań cyfrowych.
Historycznie rzecz biorąc, tylko rzadkie innowacje umożliwiały jednoczesne skoki w górę wartości i spadek kosztów. Sztuczna inteligencja może zacząć upowszechniać te innowacje.
Obserwuj mnie na Linkedin. Wymeldować się moja strona internetowa lub inne moje prace tutaj.
