Einsatz von Künstlicher Intelligenz für erkenntnisgesteuerte Geschäftsmodelle in den Biowissenschaften

Einführung

In einer Accenture-Umfrage (1) erkannten mehr als 90 % der Führungskräfte im Bereich Biowissenschaften an, dass künstliche Intelligenz wichtig ist, um Innovationen voranzutreiben und Ergebnisse wie hyper-personalisierte Erfahrungen, neue Wachstumsquellen und neue Effizienzniveaus zu erzielen. In dem Maße, in dem sich der Markt mit stärker individualisierten Behandlungen und wertorientierten Modellen auf den Patienten konzentriert, müssen Life-Science-Unternehmen auch ihre Geschäftsmodelle ändern. 

Traditionell konzentrierte sich der Löwenanteil der Werbestrategie und der Investitionen in der Pharmabranche auf die Interaktion zwischen dem HCP (HealthCare Practitioner) und dem Vertriebsmitarbeiter. Andere Werbekanäle sind Meetings und Veranstaltungen, Anrufe des Serviceteams, der Innendienst, digitale Medien, Bildungsaktivitäten usw. Für Vertriebsorganisationen ist es schwierig, die Wirkung jedes einzelnen dieser Kanäle zu messen und festzustellen, wie sie sich gegenseitig beeinflussen. Außerdem ist es nicht einfach, den effektivsten Kanalmix für einen bestimmten Vertreter des Gesundheitswesens zu bestimmen.
Durch Segmentierung und Targeting versuchen die Vertriebsteams, ihre Bemühungen auf Gruppen ähnlicher Vertreter des Gesundheitswesens zuzuschneiden, aber dies basiert oft auf begrenzten Informationen, was zu ungenauen und zu weit gefassten Segmenten des Gesundheitswesens führt. So überrascht es nicht, dass 1 von 2 kaufmännischen Leitern im Bereich Biowissenschaften angibt, sie wüssten nicht genau, was ihre Kunden brauchen und wollen.

Die KI-Revolution auf der kommerziellen Seite des Pharmageschäfts hat sich langsamer durchgesetzt als auf der Forschungs- und Entwicklungsseite, aber wir sehen große Möglichkeiten, das Geschäftsmodell durch KI in vielerlei Hinsicht zu verbessern, von denen wir zwei in diesem Blogpost näher erläutern werden.

Segmentierung und Zielgruppenansprache

Kommerzielle Unternehmen im Bereich Biowissenschaften verwenden häufig Informationen über Vertreter des Gesundheitswesens wie die Anzahl der Patienten, die wegen einer bestimmten Krankheit behandelt werden, oder die prozentuale Akzeptanz ihres Produkts, um die Vertreter des Gesundheitswesens zu segmentieren. Eine klassische Segmentierung könnte Gold-Silber-Bronze sein, wobei sich Gold auf HCPs bezieht, die mehr als 20 Patienten mit einer bestimmten Krankheit pro Woche behandeln. Silber bedeutet 10 bis 20 Patienten mit dieser Krankheit pro Woche, und Bronze bedeutet 0 bis 10 Patienten. Infolgedessen besteht für Außendienstmitarbeiter ein Anreiz, Gold-HKPs häufiger zu besuchen als Silber-HKPs, die sie häufiger besuchen als Bronze-HKPs. Dieses Beispiel zeigt, dass nur eine begrenzte Menge an Informationen verwendet wird, um die HCP-Population zu segmentieren, und dass eine Einheitsgröße für alle (zumindest pro Segment) verwendet wird. Mit KI können wir diesen Ansatz radikal ändern und für jeden Vertreter des Gesundheitswesens ein individuelles Segment erstellen. Möchten Sie wissen, wie wir das machen?

Nun, um dieses Problem zu lösen, verwenden wir einen so genannten Einbettungsraum. Für die Nicht-Techniker, die diesen Beitrag lesen, möchte ich Sie bitten, mir ein paar Sekunden lang zu folgen. Eine Einbettung ist ein relativ niedrigdimensionaler Raum, in den man hochdimensionale Vektoren übersetzen kann. Einbettungen erleichtern das maschinelle Lernen bei großen Eingaben wie spärlichen Vektoren, die Wörter darstellen. Okay, so weit zur Definition, aber wie kann mir das helfen, meine Segmentierung und mein Targeting zu verbessern, werden Sie sich fragen. Im Wesentlichen ermöglicht diese Technik die Nutzung aller verfügbaren Daten über Personen des Gesundheitswesens in jedem Format (Volltext, Datenbank, Zeitreihen, Bilder, gesprochener Text usw.). Denken Sie an Konversationen, Interaktionen mit Ihrem HCP-Portal, Klickverhalten auf Ihrer Website, Fachgebiet, Potenzial, Adoption, Interviews, medizinische Einrichtung, Alter, Hobbys, Geografie usw. Für jede dieser "Dimensionen" bildet der Einbettungsraum die Werte (z. B. die Alterszahl) auf einer Achse ab, um zwischen HCPs zu unterscheiden. Die nachstehende Abbildung zeigt anhand von zwei Beispielen, wie dies für eine Kombination von zwei Dimensionen (z. B. Geschlecht und Lizenzgebühren im linken Beispiel) aussieht.

Die Abbildungen zeigen dies in einem dreidimensionalen Raum, da dies die maximale Anzahl von Dimensionen ist, die visuell dargestellt werden kann, aber in Wirklichkeit kann die Anzahl der Dimensionen, die im Einbettungsraum verwendet werden, ins Unendliche wachsen. Bleiben wir aber der Einfachheit halber bei der 3D-Darstellung. Wenn wir diese Übung mit allen vorliegenden Daten durchführen, werden jedem HCP bestimmte Koordinaten im Einbettungsraum zugewiesen. Je näher sich zwei HCPs in diesem Einbettungsraum befinden, desto ähnlicher sind sie sich. 

So könnte z. B. ein Allgemeinmediziner, der in Ort ABC lebt, einem Pneumologen in Ort XYZ sehr ähnlich sein, weil sie zusammen dieselbe Universität besucht haben, jung sind und daher digitale Kanäle bevorzugen, denselben Hobbys nachgehen und beide häufig Konferenzen besuchen. Diese beiden Vertreter des Gesundheitswesens sollten auf der Grundlage der Informationen aus dem Embedding Space auf die gleiche Weise angesprochen werden, während herkömmliche Methoden sie auf der Grundlage begrenzter Informationen (z. B. nur des Potenzials) unterschiedlich ansprechen würden.

Wir von ML6 haben diese Technik der Hyper-Personalisierung bei einem multinationalen Unternehmen angewandt und einem Benchmarking unterzogen und dabei die anderen Techniken um 150 % übertroffen.

Kommerzielle Ausführung

Die Analyse der Reaktion der Verkäufe auf Werbemaßnahmen kann durch die intelligente Nutzung von Daten erfolgen. Die Messung der Markensensitivität auf Werbeaktionen vor Investitionsentscheidungen oder vor der Einführung neuer Kanäle ist ein entscheidender Schritt zur Maximierung der Investitionsrendite. Typische Fragen, die sich stellen, sind: "Welche Kanäle tragen wesentlich zum Markenumsatz bei? Wie hoch ist mein zusätzlicher Umsatz pro zusätzlicher Einheit der Investition? Welches ist der optimale Investitionszeitpunkt? Welches sind die wichtigsten Umsatztreiber? Wie unterscheiden sich die Umsatztreiber in den einzelnen Regionen oder über die verschiedenen Werbekanäle hinweg? Wie hoch ist der Übertrag für eine Marke (Basis)? Was ist der optimale Aktivitätsmix? usw."

Zur Beantwortung dieser Fragen verwenden wir das Zeitreihenmodell mit unbeobachteten Komponenten (UCM). Dieses Modell wurde erstmals von A. C. Harvey (1989) in der Ökonometrie und Statistik eingeführt. UCM kann als ein multiples Regressionsmodell mit zeitlich variierenden Koeffizienten betrachtet werden. Es basiert auf dem Grundsatz, dass es sinnvoll ist, Zeitreihen als in eine Trend-, Saison- und Zykluskomponente zerlegbar zu betrachten. 

Fortgeschrittene Modellierungstechniken (State Space Modeling) werden eingesetzt, um die kurzfristigen Auswirkungen von Werbemaßnahmen auf den Absatz zu isolieren, zu quantifizieren und zu optimieren.

Eingangsdaten:

Modell-Zerlegung:

Unser Modell berücksichtigt den Übertragungseffekt (z. B. mein Gewicht in diesem Jahr wird durch mein Gewicht zu Beginn des Jahres (Ausgangspunkt) und dessen Entwicklung in den Jahren zuvor beeinflusst), saisonale Trends (z. B. Eiscreme verkauft sich im Sommer besser als im Winter) und andere bekannte Parameter (kurz- und langfristig). Es berücksichtigt auch die Tatsache, dass ein Teil des erzielten Umsatzes darauf zurückzuführen ist, dass Patienten, die eine Behandlung in einem Krankenhaus begonnen haben, das verordnete Arzneimittel nach der Entlassung aus dem Krankenhaus weiter verwenden, d. h. der Krankenhaus-Spillover-Effekt. Dies alles ist in der "Basis" (grauer Bereich im Modelldiagramm) dargestellt. Diese Technik ermöglicht es, die Parameter zu berücksichtigen, die den Umsatz beeinflusst haben und die uns nicht bekannt sind oder die wir nicht genau verfolgen können, z. B. Anreize der Wettbewerber. Daher werden die Auswirkungen auf den Umsatz nicht fälschlicherweise anderen Kanälen wie z. B. traditionellen Anrufen zugeschrieben.

Darüber hinaus berücksichtigt das Modell auch den so genannten Memory-Effekt (Ad-Stock-Effekt). Dieser bezieht sich auf die Auswirkungen, die Marketingaktivitäten im Laufe der Zeit auf den Absatz oder den Zustand der Marke haben: Es erfasst, wie sich die Reaktion auf Werbung auf den Verbrauchermärkten aufbaut und abklingt. Dieses Konzept stimmt mit dem gesunden Menschenverstand überein, dass der Bekanntheitsgrad eines neuen Werbemittels höher ist, wenn es in der jüngeren Vergangenheit bereits Werbemaßnahmen gegeben hat, und niedriger, wenn dies nicht der Fall war. Schließlich werden auch die zeitliche Verzögerung der Wirkung einer Aktivität und die mit der Zeit abnehmenden Erträge berücksichtigt.

Das Modell zeigt die Auswirkungen der einzelnen Werbekanäle auf den Umsatz, kann aber auch dazu verwendet werden, die Reaktion auf zusätzliche Investitionen in einen Werbekanal zu analysieren, worauf wir in einem folgenden Blogpost eingehen werden.

Fazit

Die Tatsache, dass Wissenschaft und Technologie zusammenwachsen, um personalisiertere, präzisere Behandlungen für Patienten zu ermöglichen, sollte auch Vertriebs- und Marketingexperten dazu veranlassen, ähnliche Techniken für eine präzisere Zielgruppenansprache und effektivere kommerzielle Bemühungen anzuwenden. Der aktuelle Stand der Modellierungstechniken und der Hyper-Personalisierung ermöglicht eine radikale Verbesserung der Vertriebs- und Marketingabläufe für Life-Sciences-Unternehmen.

Weitere Informationen über den Einsatz von KI im Arzneimittelvertrieb und -marketing finden Sie in diesem Video.