Případy používání umělé inteligence (AI) se rozprostírají prostřednictvím komerčních oblastí farmaceutického průmyslu a pomáhají společnostem přijímat rychleji a založená rozhodnutí. Téměř 70% generativních uživatelů AI (Genai) však naznačuje špatnou kvalitu dat jako nejdůležitější překážku při využití veškerého potenciálu nabízeného AI. Jak přijímání aplikací roste, skutečná konkurenční výhoda spočívá v kvalitě dat, které je živí.
Abychom plně převzali AI, komerční vůdci vyvíjejí škálovatelnou databázi a dokonale propojí na všech trzích, funkcích a terapeutických oblastech. Bez něj by pilotní projekty společností mohly zůstat v izolovaných experimentech. Ti, kteří se zaměřují na vytváření standardizovaných a dobře integrovaných dat, mohou uvolnit plný potenciál AI, aby získali konkurenční výhodu a zajistili dlouhodobý úspěch.
Soudržnost a konektivita dat: Základna AI
Komerční týmy farmaceutických společností jsou v jedinečné pozici strategicky zaujmout AI, protože shromažďují velké množství dat, a to jak ze svých zákazníků, tak prodejních týmů, lékařského zapojení nebo sociálních sítí. Dalším krokem je harmonizace dat, tj. „Mluvte stejným jazykem“ a generovat přesné a škálovatelné informace.
Zvažte společnou situaci: Systém zaznamenává zdravotnického profesionála (HCP) jako „John Smith“ a další jako „J. Smith“. Stejně tak je v databázi zaznamenán termín „kardiologie“, zatímco v jiné základně najdeme „Heart Medicine“. AI nemusí tyto rozdíly rozlišit, což by mělo vést k chybám, propouštění a nespolehlivým údajům. Tyto nekonzistence obvykle pocházejí z variací mezi různými zdroji dat, což vede k zmatení nástrojů AI a výrazně snižuje jejich schopnost poskytovat hodnotu.
Databáze HCPS farmaceutické společnosti, které pokračovaly v příkladech, měly více než 25 000 nomenklatur specialit, což téměř znemožnilo nabídnout informace založené na AI. Společnost tento problém vyřešila implementací globálních datových standardů, což výrazně zlepšilo jeho přesnost a škálovatelnost.
Ačkoli se AI stále zlepšuje s ohledem na léčbu tohoto typu nepřesností, její úspěch nadále závisí na kvalitě údajů, s nimiž je vyškolena. To je obzvláště rozhodující v komerční oblasti farmaceutických společností, kde jsou data často roztříštěná, vzácná a nekonzistentní, což brání schopnosti AI pro generování významných závěrů.
Proces Bayer AG, dokud nebudou mít standardizované a vhodné globální údaje pro AI
Překonání výzev založených na koherenci dat znamená přijetí přístupu, který pokrývá celou organizaci. Některé přední farmaceutické společnosti již postupují tím, že upřednostňují globální standardizaci dat, aby propojily informace a prováděly iniciativy pro pokročilé analýzy.
Například společnost Bayer AG se snažila vytvořit 360 ° vizi klienta, aby před interakcí s HCP poskytl svým terénním týmům úplné informace. Datová sila v různých regionech však ztěžovala získání jednotné vize.
Stefan Schmidt, produktový manažer skupiny Bayer AG, vedl harmonizační úsilí společnosti. Schmidt pochopil, že data generovaná z AI by zůstala nespolehlivá bez centralizované a přesné databáze. „Naše globální datové panorama bylo roztříštěno: různé země závisely na různých zdrojích. Abychom měli úplnou vizi, potřebovali jsme jednotný zákaznický systém,“ vysvětluje Schmidt.
Harmonizací údajů ve všech geografických oblastech a funkcích Bayer eliminoval nesoudrž a zlepšenou dostupnost. Společnost konsolidovala klíčové zdroje dat (CRM, historie zapojení a profily zákazníků) na jedinečné a intuitivní platformě pro své prodejní zařízení.
„Během několika týdnů jsme vyvinuli řešení, které naše týmy opravdu ocenily,“ říká Schmidt. S jediným zdrojem připojených informací je nyní Bayer AG připraven získat škálovatelné a propagované informace v celé organizaci.
Jak mohou komerční vůdci vylézt na AI
Zkušenost Bayer AG ukazuje sílu standardizované databáze v globálním měřítku a důležitost jejího přeměny na strategickou prioritu rozšíření dopadu AI.
Aby se zabránilo nejčastějším chybám, musí komerční manažeři řešit tři klíčové výzvy související s údaji.
1. Podnikání: Převést piloty izolace na popravu
Nejlepší ukazatel úspěchu je soudržná strategie, která je v souladu s prioritami společnosti. Mnoho organizací provádí místní pilotní projekty, aniž by zohlednilo škálovatelnost, opakovaně vytvářejí konkrétní řešení pro každou zemi založenou pouze na národních datech. Tento přístup zabraňuje propojení údajů mezi zeměmi a omezuje kapacitu AI pro generování nadnárodních perspektiv.
Abychom účinně rozšířili výsledky AI, měli by komerční vůdci:
● Srovnejte priority AI s dlouhodobými obchodními cíli, které zajišťují, že jsou řešeny příležitosti velkého dopadu namísto krátkodobých experimentů.
● Spolupráce mezi funkcemi – data, analytická, digitální a IT – pro vytvoření škálovatelného AI plánu; Se zdroji, termíny a investicemi.
● Zřizovat struktury správy, které podporují přijetí AI na obchodní úrovni, a zajišťují soudržnost a homogenitu mezi regiony.
2. Data a analýza: Stanovení globálních datových standardů
Jakmile je navázána strategická adresa, může data a analytická zařízení zaručit přístup k vysoce kvalitním datům, standardizovaným a připojeným po celém světě. Shromažďování konkrétních údajů z každé země ztěžuje nasazení iniciativ na různých trzích.
K překonání této fragmentace musí organizace:
● Celosvětově standardizují datové struktury a zaručují, že modely vyškoleného v konkrétní oblasti lze aplikovat bez problémů po celém světě.
● Investujte do připojených datových aktiv, která mohou být integrována s informacemi o zákaznících, prodeji a zapojení do celé organizace.
● Neustále zlepšuje kvalitu dat a zajišťuje, že modely AI jsou vytvořeny z přesných a harmonizovaných dat, která podporují rozhodování celé společnosti.
3. digitální a IT: Snižte složitost integrace
Technologické vybavení hraje zásadní roli, pokud jde o to, aby škálovatelný AI snížil tření dat, eliminoval drahé integrace a rozbila datová sila.
Pro podporu úsilí AI musí technologické vybavení:
● Zarovnejte datové modely ve všech systémech, aby se zabránilo neefektivnímu mapování dat a redundantní integraci.
● Vyhodnoťte neefektivnost procesů, jako jsou dohody o přístupu k třetímu parku (TPA), které zpomalují tok dat a vyžadují zbytečnou administrativní práci.
● Implementujte škálovatelné rámce správy dat, které urychlují nasazení AI na více trzích.
Vaše data definuje možnosti AI
Přijetí AI komerčním vybavením farmaceutických společností se zrychluje, což zvyšuje potřebu vysoce kvalitních a připojených údajů pro více přizpůsobené zapojení.
Je nezbytné řešit standardizaci dat stejnou naléhavostí jako definice strategie a infrastruktury AI. Stručně řečeno, skutečná otázka není „Jak mohu použít AI?“ Ale „Jak mohu nechat své údaje fungovat a jsou užitečné pro AI?“
Autor: Karl Goossens, ředitel, Opendata Strategy ve Veeva Europe
Čerpáme z těchto zdrojů: google.com, science.org, newatlas.com, wired.com, pixabay.com
