Ciencia de datos e investigación aplicada

El sector farmacéutico tiene retos comerciales y de go! to market a superar. Algunos casos de uso desde la ciencia de datos que responden a estos retos son: Analítica sobre el prescriptor, People Analytics, Princing, Demand Driven Planning & Optimization, MarkDown, Uso de external data. Un caso de uso, es un plan de diseño centrado en el usuario de la información. Plantea la ruta que siguen los datos desde que se capturan hasta que se convierten en un activo de alto valor para el negocio. La gráfica a continuación muestra los principales casos de uso en el entorno comercial farmacéutico: Para este blog, trabajaremos en el primero de los seis casos de uso. Uno de los más representativos a la hora de traducir formulación a venta: HCP Analytics (Health Care Professional Analytics) ANALÍTICA SOBRE EL PRESCRIPTOR: Este caso de uso, tiene relación de 50% con DDPO (Demand Driven Planning & Optimizaton). Indica esto que elevar la prescripción sin mejorar la planificación de la demanda en punto de venta trae como consecuencia un bloqueo productivo. El médico prescribirá pero el usuario no necesariamente encontrará el producto en farmacia. Objetivos de negocio Aprovechar data de mercado para estimar el retorno de inversión para actividades asociadas a: muestra médica, educación médica continuada y visita médica. Optimizar la visita médica, organizando el orden de presentación de productos en función del potencial del médico para formular. Georeferenciar el radio de influencia del médico para saber en que posiciones del mapa se eleva la compra de un producto paralelo a la formulación del médico haciendo uso de algoritmos ya que por lo general no se tiene en información sobre el viaje de la fórmula. Integración de datos Información sobre venta: Venta en farmacias a nivel SKU, reportes sobre venta en volumen (cajas y pastillas), valor, participación de mercado. Posición geográfica de la venta. Información sobre prescripción: Prescripción por médico y posición geográfica de la prescripción. Información sobre inversión: Inversión por médico en muestra médica, educación médica continuada, visita médica etc. Usando técnicas de ingesta e integración de datos, se construye un modelo de datos. En la filosofía de SINNETIC lo llamamos un Common Data Model. Esta integración está rodeada de procesos ETL y ELT y el resultado facilita usar la información en diferentes entornos de analítica y reporteo reduciendo el tiempo de búsqueda, integración y limpieza. Analítica de datos Modelos LARS (Angle Last Square) para relacionar el punto geográfico de formulación con el punto geográfico de venta. GLM con regularización LASSO de parámetros para descomponer el impacto de cada formulador sobre el volumen vendido. Metodos de Bagging y Boosting para integrar los modelos y lograr estimar el ROI de cada acción de marketing sobre la venta. Consumo y visualización Tableros de control para alertar cambios en la relación que existe entre prescripción médica y venta. Georeferenciación del punto de formulación y el punto de venta para analizar el viaje de la formula y entender embudos, cuellos de botella o barreras que impiden que la formulación se traduzca en venta. Planes de visita médica personalizadas para cada prescriptor, ayudando al visitador médico a organizar el mensaje y dispersar contenido pertinente a las necesidades de cada médico. Simulador para estimar el grado necesario de inversión para lograr el objetivo de prescripción y venta de cada HCP. Es claro que para las tres capas de este caso de uso a saber: 1. Integración de datos, 2. Analítica de datos y 3. Consumo y visualización, muchas arquitecturas tecnológicas pueden ser usadas para este proceso, a continuación un ejemplo sobre AZURE: En este entorno, se observa como la ingesta de datos se efectúa con Synapse para almacenarla en el datalake. Los procesos analíticos se hacen con Azure Machine Learning en ML Studio y la información se consume en Power Bi. REFERENCIA: Gray, E. M., & Aronovich, R. (2016). Producing an ROI with a PCMH: patient-centered medical homes can deliver high-quality care and produce a healthy ROI for organizations that are willing to invest the time and effort required to plan for the transition and maintain the model. Healthcare Financial Management, 70(4), 74-80. Jadczyk, T., Kiwic, O., Khandwalla, R. M., Grabowski, K., Rudawski, S., Magaczewski, P., ... & Henry, T. D. (2019). Feasibility of a voice-enabled automated platform for medical data collection: CardioCube. International journal of medical informatics, 129, 388-393. Kolter, J. Z., & Ng, A. Y. (2009, June). Regularization and feature selection in least-squares temporal difference learning. In Proceedings of the 26th annual international conference on machine learning (pp. 521-528). Wickramasingha, I., Elrewainy, A., Sobhy, M., & Sherif, S. S. (2020). Tensor Least Angle Regression for Sparse Representations of Multidimensional Signals. Neural Computation, 32(9), 1697-1732.

Machine learning (3)

Ciencia de datos en farma: Conectando la prescripción con la venta

Analytics vs Research ¿Cómo conducir hacia Pricing Strategy?

Natural Language processing para ejecutivos de marketing

Grow your business more quickly
with our solutions for inbound and ecommerce

Machine learning (3)

Ciencia de datos en farma: Conectando la prescripción con la venta

Analytics vs Research ¿Cómo conducir hacia Pricing Strategy?

Natural Language processing para ejecutivos de marketing

Grow your business more quickly with our solutions for inbound and ecommerce

Grow your business more quickly
with our solutions for inbound and ecommerce