Компания «АстраЗенека» запустила платформу, позволяющую увеличить эффективность коммуникаций со специалистами здравоохранения c целью повышения их профессионального уровня. Система позволяет спрогнозировать оптимальные параметры коммуникаций на основании предыдущего опыта, что дает возможность оптимально выстраивать работу нескольких сотен медицинских представителей компании. О реализации проекта рассказывает Александр Мамонтов, Chief Data & BI Lead компании «АстраЗенека» и номинант на премию Data Award.
- Какую бизнес-задачу требовалось решить? В чем ее особенность?
Перед нами стояла следующая задача – оценить текущую модель обучения сотрудников здравоохранения и на основе этой оценки определить оптимальные показатели (охват, кратность обучения) с точки зрения эффективности донесения информации и использования ресурсов компании.
- Почему это важно для компании «АстраЗенека»?
Мы стремимся к максимальному информированию сотрудников здравоохранения о новейших научных открытиях и возможностях в таких областях, как онкология, кардиология, нефрология, гастроэнтерология, пульмонология и др. При этом нам важно оптимально использовать ресурсы.
- Какие цели были поставлены перед проектом?
Целью проекта было оценить эффективность текущей модели обучения врачей общей практики и терапевтов, чтобы, во-первых, обнаружить возможные пробелы в ключевых показателях и, во-вторых, найти новые возможности расширения базы обучаемых специалистов.
- Какой подход был выбран, какие принципы пытались соблюсти?
Мы выполнили ретроспективный анализ эффективности модели обучения и определили тренды зависимости ресурсов и эффективности обучающих инструментов для выявления возможных пробелов. На основе получившихся гипотез были рассчитаны возможные изменения в модели и их ROI, что позволило подтвердить необходимость в изменениях по одному из продуктов и отсутствие необходимости в изменениях по остальному портфелю.
- Какие ИТ-платформы были выбраны для реализации проекта?
Используются облачные сервисы AWS для построения озера данных, датапайплайнов, машинного обучения, а Power BI – для визуализации и анализа результатов.
- Что в итоге представляет собой созданное решение?
Реализована Единая платформа данных, которая позволяет анализировать эффективность и тренды, генерировать и проверять гипотезы и визуализировать результаты кейсов. Платформа позволяет оперативно добавлять новые источники в пайпланы, корректировать модели и создавать новые.
- Кто является основными пользователями, как изменились их рабочие процессы?
Основными пользователями системы является команда Sales Force Efficiency, а также Field Force и Marketing. На основании данных и анализа ежеквартально пересматривается и корректируется организационная структура и цели для 350 сотрудников.
- Что в системе получилось удачнее всего?
Система позволяет видеть ситуацию не только в целом по России и субъектам, а также в разрезе сформированных групп регионов, обладающих общими социально-экономическими признаками. За счет еженедельного обновления система позволяет регулярно проверять эффективность и оперативно реагировать на ситуацию.
Более того, кроме решения исходной бизнес задачи, Единая платформа данных позволила организовать переиспользование данных для других инициатив и проектов, а также стала частью глобальной инициативы FAIR-data.
- Приведите примеры наиболее показательных инсайтов, которые удалось обнаружить.
Результатами работы системы стали наборы сценариев модели обучения: необходимое количество сотрудников на территориях, целевые метрики работы персонала – охват, кратность, каналы взаимодействия. Такой сценарный анализ подтвердил эффективность текущей модели обучения по зрелым препаратам компании, которая была внедрена согласно экспертным подходам за полгода до создания платформы. Но благодаря системе удалось найти дополнительные возможности для повышения эффективности работы по другому фокусному препарату, и сценарии работы сотрудников были скорректированы в соответствии с рекомендациями платформы.
- Каких результатов в целом удалось достичь?
Как было сказано выше, с помощью анализа данных для одной части портфеля препаратов мы подтвердили эффективность текущей модели обучения, и годовой прирост эффективности обучения медицинских специалистов этой части портфеля составил 30%. А в той части портфеля, где система обнаружила дополнительные возможности по расширению и корректировке модели, годовой прирост достиг 79%!
- Каковы перспективы развития проекта?
Мы планируем развивать проект, внедряя ретроспективный анализ в обычные процессы компании по расширенному списку продуктов, а также развивая предиктивный анализ для оценки влияния будущих внешних факторов, таких как финансирование, истечение патентной защиты и прочего, на модель обучения и ее результаты. Для компании «АстраЗенека» важно оперативно реагировать на изменение рынка и эффективно направлять ресурсы для обучения врачей и обеспечения доступности препаратов для пациентов.