Аналитика помогает создавать успешный фармбизнес нового поколения

Артем Капцов, руководитель департамента интеграционных услуг и комплексных решений компании Navicon, рассказывает, как эволюционирует бизнес-анализ в фармацевтике, как новые источники бизнес-данных меняют подход к их обработке и за какими BI-инструментами будущее.

Big Pharma на пути к Big Data

По прогнозам аналитического центра IDC, к 2025 году число данных в мире вырастет в
10 раз в сравнении с 2017 годом. Аналитики считают, что 60% этой информации будут генерировать предприятия и компании, в то время как сейчас основной «поставщик» мировых данных – потребительский сектор.

Фармацевтическая отрасль одной из первых адаптируется к ситуации, когда конкурентная позиция и успешность бизнеса зависят от качества обработки и скорости использования бизнес-данных. Ведь исторически именно компании, производящие и продающие препараты, были основным потребителем услуг бизнес-анализа. Работа в высококонкурентной среде, динамичное изменение рынка, постоянное взаимодействие с регулирующими органами при почти непрерывных изменениях государственных стандартов и нормативов в этой области – все это заставляло руководителей фармпредприятий постоянно «держать руку на пульсе» и опираться на самые актуальные данные в управлении бизнесом.

Уже сегодня большинство фармкомпаний полностью автоматизировало управление данными в отделах маркетинга и продаж и развивает такие специфичные направления, как бизнес-аналитика по вторичным продажам, геомаркетинг и изучение эффектов маркетинговых и промо-активностей. Они умеют получать данные из всевозможных источников, понимают, каким образом правильно хранить информацию, чтобы получать быстрый доступ к любой «цифре», и имеют четкие алгоритмы трансформации данных в отчеты различного формата. Все эти процессы с большой точностью отвечают на вопрос, что было вчера или секунду назад.

Что дальше?

Переход к проактивной аналитике

Эволюцию инструментов и систем бизнес-анализа можно условно разделить на три этапа. На первом, начавшемся еще в 70-х годах прошлого века, разработчики были ориентированы на сбор данных и создание регламентированных отчетов. Второй этап, продлившийся вплоть до середины 2010-х годов, связан с появлением инструментов многомерного анализа в режиме онлайн, например, на базе технологии OLAP (online analytical processing). Кроме того, на этом этапе появились технологии для самостоятельной обработки данных и подготовки отчетности менеджерами и другими сотрудниками компаний-заказчиков (self-service аналитики).

Наконец, на третьем этапе интерес заказчиков и разработчиков смещается от статичных отчетов, демонстрирующих состояние предприятия, к созданию интерактивных панелей с обновлением данных в режиме реального времени. В основе таких панелей лежит механизм «углубленной» аналитики, который позволяет анализировать события в прошлом из разных источников (будь то датчики на оборудовании, внутренние отчеты или внешние исследования рынка) и выявлять скрытые тенденции и закономерности, скрытые в больших данных. В результате можно понять причины тех или иных событий, а также заблаговременно прогнозировать вероятность их наступления в будущем.

Для вычисления тенденций, прогнозирования и выработки рекомендаций – основных задач углубленной, или прогнозной, аналитики – используются сложные статистические методы, включающие статистический и глубинный анализ данных (data mining), анализ текста, сущностный анализ, машинное обучение, разработку симуляционных и оптимизационных моделей. По сути, прогнозные системы ищут связи, ссылки, зависимости между разными условиями и событиями, а потом используют сделанные выводы для оценки и анализа текущей ситуации в компании или конкретных бизнес-задач в режиме реального времени. Допустим, в этом месяце упали продажи. Почему не были заключены последние сделки? Как на это повлияла работа медицинских представителей или стратегия цифрового маркетинга? И повторится ли ситуация в ближайшем будущем?

Инструменты глубокой аналитики сегодня используются преимущественно в маркетинге и продажах: для прогнозирования спроса на товар, оттока клиентов, следующей покупки и потребительских предпочтений. Для иллюстрации при прогнозировании оттока потребителей выявляются «группы риска» и оценивается целесообразность дополнительной работы с каждой из них: например, определяется степень их социального влияния. В итоге компания получает возможность корректировать маркетинговую стратегию, управлять клиентским опытом и оптимизировать предложения для своих клиентов в зависимости от реальных обстоятельств.

Эксперты считают, что инструменты прогнозной аналитики завоюют рынок уже в ближайшем будущем: по прогнозам Gartner, к 2018 году более 50% организаций по всему миру будут использовать методы углубленной аналитики для повышения своей конкурентоспособности. Одновременно аналитики IDC отмечают, что число данных, обрабатываемых при помощи интеллектуальных механизмов, вырастет в 100 раз к 2025 году – это самый крупный скачок, который ожидается на рынке.

Использование машинного обучения и AI-интерфейсов

Для обработки больших данных в фармацевтики также необходимы механизмы и инструменты искусственного интеллекта, построенные на машинном обучении и позволяющие обрабатывать крупные массивы информации разнородного, неструктурированного формата из разных источников. Они решают следующие задачи:

• Работа с сырыми данными. Фармкомпании обрабатывают как внутренние данные от множества департаментов и отделов, так и внешние – данные о клиентах и партнерах, информация от торговых представителей и даже сторонних маркетинговых организаций (статистические и другие исследования рынка). Инструменты искусственного интеллекта позволяют полностью исключить человека из процесса обработки и подготовки информации к анализу: технологии без дополнительных настроек работают с накопленными сырыми данными, причем даже неполными, неструктурированными и содержащими ошибки.
• Работа с запросами на естественном языке.Развитие машинного обучения и искусственного интеллекта совершенствует механизмы работы с клиентами фармкомпаний. Так, сейчас появляется много «умных» помощников и ботов на различных платформах, в том числе мессенджерах. Можно связать разработанный для общения с клиентами бот с аналитической системой компании – в таком случае клиент, задав вопрос на естественном языке или оставив заявку на покупку (как устно, так и через строку ввода информации), будет получать быстрый и емкий ответ. Причем ответ будет учитывать актуальную информацию о загрузке предприятия, наличии сырья или готовой продукции на складах, участии компании в тендерах и других факторах.
• Работа с текстовыми сообщениями.Для фармкомпаний сегодня крайне важно эффективно управлять всеми типами коммуникаций с партнерами и клиентами, в том числе через социальные сети и другие удаленные каналы взаимодействия. Инструменты искусственного интеллекта позволяют делать это наиболее оптимальным способом, анализируя тональность сообщений о компании и оценивая пропорциональность положительных и отрицательных отзывов в открытых источниках. А если подключить такой инструмент к аналитической или учетной системе, например CRM, он сообщит, когда возникнут проблемы (отрицательные отзывы). Например, Text Analytics API, один из сервисов пакета Microsoft Cognitive Services, позволяет анализировать эмоциональную окраску любого текста по шкале от 0% (очень негативная) до 100% (очень позитивная). Сервис поддерживает 15 языков, включая русский и английский.

Конечно, для фармацевтики пока нет комплексного AI-инструмента, полностью эквивалентного «умным» системам типа IBM Watson Health, но его появление – дело ближайших 2-3 лет.

Интеграция с «умными» устройствами

Еще одно приоритетное направление развития BI – интеграция с «умными» устройствами: например датчиками интернета вещей. Сейчас большинство фармпредприятий – самых высокотехнологичных отраслевых компаний – оборудовано камерами высокого разрешения, датчиками, сенсорами и другими инструментами мониторинга. Комплексный мониторинг производственного оборудования и парка техники позволяет в режиме онлайн получать информацию о загрузке производственных линий, состоянии оборудования и окружающей среды (температуре в помещениях, уровне влажности). А последующий анализ этих данных с применением инструментов глубокого анализа расскажет, как оптимально загрузить производство, как уменьшить сроки простоя оборудованияили когда нужно запланировать его техническое обслуживание и ремонт (ТОиР). Причем участие человека в этом процессе будет минимальным.

Корпорация General Electric в свое время подключилась к платформе для интеллектуального управления промышленным оборудованием на базе Microsoft Azure, и благодаря этому избежала найма 2 тысяч сотрудников. Аналитическое приложение в непрерывном режиме получает информацию о состоянии инфраструктуры электропередач от дронов, обслуживающих ее, что значительно упрощает процесс выявления и устранения неполадок в оборудовании.

Развитие инструментов интерактивной визуализации

Наконец, критически важное направление развития бизнес-аналитики – инструменты интерактивной визуализации. Уже сейчас такие решения, как Microsoft Power BI, Qlik Sense, Tableau, помогают создавать информационные панели, где миллионы строчек из таблиц с данными можно «свести» на одном экране при помощи графиков, диаграмм и других интерактивных инструментов. Визуализация – та «ниточка», которая помогает не потеряться в мириадах цифр и увидеть из них только те, что имеют значение для бизнеса или конкретной бизнес-задачи. В будущем инструменты визуального анализа станут еще более востребованными: они смогут показать наглядно скрытые закономерности по итогам прогнозного моделирования.

Кто не смотрит вперед, оказывается позади

Многие руководители фармпредприятий понимают, что данные – это больше не «фон» их работы, а, по определению IDC, «жизненно важный актив». Трансформация рынка данных связана с двумя основными факторами: прежде всего, активно внедряются в работу предприятий новые источники данных, такие как устройства интернета вещей и «умные» системы мониторинга. Они оптимизируют сбор информации о состоянии оборудования, техники, производственных активов, а также обо всех бизнес-процессах. Также бизнес-руководители начинают осознавать, что недостаточно собирать операционные данные – их нужно эффективно использовать, причем до того, как состояние объекта изменится. В итоге доля информационного пространства, подвергающегося бизнес-анализу, увеличивается постоянно – к 2025 году она вырастет в 50 раз.

Данные уже сейчас непрерывно доступны руководителям и аналитикам предприятий и используются в принятии как операционных (составление плана работ на день), так и стратегических задач. Поэтому можно смело говорить о том, что в будущем все бизнес-процессы в организациях будут концентрироваться вокруг единого ИТ-центра – системы бизнес-анализа, которая будет самостоятельно готовить и обрабатывать как внутренние отчеты, так и анализ рынка, данные конкурентов и другую внешнюю информацию.

В связи с этим дальнейшее развитие бизнес-анализа в фармацевтике будет осуществляться в двух направлениях. Во-первых, в «эшелон» BI-решений выйдут системы прогнозирования будущего, способные заблаговременно оценивать последствия принятых управленческих решений. Во-вторых, популярность будут набирать те решения,которые снимут с сотрудников компаний часть рутинных функций и позволят оптимизировать внутренние бизнес-процессы в организациях. Инструменты предиктивной аналитики уже сейчас с удивительной точностью до 80-90%, сравнимой с прогнозами, сделанными «человеческими руками», могут заменять целые отделы в компаниях. Однако, как бы «умны» ни были аналитические алгоритмы, верификация информации и принятие финального решения еще надолго останутся за человеком.

Статья опубликована на сайте