هرآنچه یک بازاریاب دارویی از هوش مصنوعی باید بداند

مبحث: مارکتینگ و بازاریابی مقاله قبلی: ریتارگتینگ یا هدف گذاری مجدد در دیجیتال مارکتینگ چیست؟(۳) مقاله بعدی: لانچ و تبلیغات محصول دارویی و هوش مصنوعی مدرسه تکمیلی: مدرسه تخصصی بازاریابی دارویی شماره مقاله: ۳۳

حتی اگر زیاد به آن فکر نمی کنیم، همه چیز در زندگی ما توسط داده ها هدایت می شود. ما درمورد اینکه چگونه یا حتی اگر باید یک دارو را بر اساس داده های بالینی به بازار عرضه کنیم تصمیم می گیریم. ما از داده های تاریخی برای پیش فرض هایی در زندگی شخصی و تجاری خود استفاده می کنیم. ما حتی هنگام تصمیم گیری برای شام از داده ها استفاده می کنیم. اگر سه چهارم خانواده شما ماهی را دوست ندارند ، احتمالاً در منو قرار نمی گیرد.

 

هوش تجاری و تجزیه و تحلیل داده ها برای دهه ها در حال تجزیه و تحلیل بوده است. اما با پیشرفت های اخیر در فناوری ، حجم عظیمی از داده ها با سرعت سرسام آوری تولید می شوند. در حال حاضر داده های بزرگی در اختیار ما قرار دارد و به همراه آن امکان تغییر تجارت نیز وجود دارد. داگ لنی از گارتنر پیش بینی می کند:

• تا سال 2020 ، از اطلاعات برای اختراع مجدد ، دیجیتالی شدن یا حذف 80٪ فرآیندهای تجاری و محصولات یک دهه قبل استفاده خواهد شد
• تا سال 2017 ، بیش از 30٪ از دسترسی شرکت به داده های بزرگ گسترده از طریق واسطه خدمات کارگزار داده انجام می شود ، و زمینه تصمیمات تجاری را فراهم می کند
• تا سال 2017 ، بیش از 20٪ از استقرارهای تحلیلی مشتری مدار ، اطلاعات ردیابی محصول را با استفاده از اینترنت اشیا فراهم می کنند

بنابراین جای تعجب نیست که هیئت مدیره ها و مدیران عامل شرکت های داروسازی برای دستیابی به داده های بزرگ در دستور کار استراتژیک خود عجله دارند تا بتوانند رشد کنند ، نوآوری و رقابت داشته باشند. با این حال ، وقتی با داده های بزرگ روبرو شدیم ، متوجه شدیم که روش های قدیمی تجزیه و تحلیل داده ها کافی نیستند.

 

داده های بزرگ در اکسل جای نمی گیرد و رویکردهای خطی - به معنای بازگشت سرمایه ، همبستگی ها ، تحلیل رگرسیون چند متغیره ، منحنی پاسخ تبلیغاتی ، مدل سازی آمیخته بازاریابی و آمار چند متغیره - با داده های جمع شده سروکار دارند. آنها به اندازه کافی دانه ریز نیستند تا بتوانند واقعاً زیر اطلاعات قرار بگیرند. بنابراین ، آنها نمی توانند اطلاعات حیاتی مورد نیاز را که نتایج ما را دگرگون می کند ، استخراج کنند یا حتی در مورد فعل و انفعالات متغیر پیچیده به ما بگویند. به بیان ساده ، آنها نمی توانند عمق اطلاعات مورد نیاز در محیط پیچیده داروخانه امروز را ارائه دهند.

این معضلی است که رهبر داروسازی با آن روبرو است. داده های بیش از هر زمان دیگری برای هدایت تصمیمات هوشمند موجود است. اما جمع آوری ، استخراج و تحلیل این داده ها بیش از هر زمان دیگری چالش برانگیز است. مدیران دارویی به دنبال راه های تحول آفرین برای باز کردن ارزش از داده های خود هستند.

 

هوش مصنوعی را وارد کنید

هوش مصنوعی چیز جدیدی نیست. من بیش از 2 دهه پیش در تحقیقات شبکه عصبی روی مغز از هوش مصنوعی در دانشگاه استفاده می کردم. با این حال ، پیشرفت در هوش مصنوعی ، و انواع مختلف هوش مصنوعی ، مانند یادگیری ماشین ، با سرعت کمتری اتفاق می افتد.

در دنیای دارویی پیچیده و چالش برانگیز امروز ، بازاریاب دارویی باید با استفاده از این مجموعه داده های پیچیده و الگوریتم های پیچیده مدل های جدیدی ایجاد کند که نتایج کسب و کار دنیای واقعی را هدایت می کند ، هزینه ها را کاهش می دهد و ارزش را از دید مشتری بهبود می بخشد.

هوش مصنوعی این امکان را دارد که شرکت ها را متحول کند. به سادگی به عنوان شاخه ای از ریاضیات که برای دنیایی از داده های بزرگ طراحی شده است ، برای حل مسائل واقعی فکر کنید. مدیران داروسازی که می خواهند از داده های شرکت خود بیشترین بهره را ببرند باید بدانند که اینها چیست ، چه کاری می تواند انجام دهد و هنگام استفاده از آنها مراقب چه مواردی باشند. ادغام تجزیه و تحلیل مبتنی بر هوش مصنوعی با پیشنهاد شما می تواند مزایای قابل توجهی از جمله موارد دیگر را فراهم کند:

درک جهت استراتژیک بهینه

• شناسایی ارزش پیشنهادی پیشرفته
• تمایز پیشرفته رقبا
• تخصیص بهینه منابع و بودجه برای کسب حداکثر سهم بازار ، درآمد و سود
• توانایی دیدن اینکه کدام بخشها بیشترین ارزش را برای برند شما دارند و همچنین اینکه چه اهرمهایی را باید بکشید تا رشد به حداکثر برسد
• امکان شخصی سازی پیام و فروش و بازاریابی برای افراد با توجه به آنچه برای مشارکت بیشتر مشتری در آن لحظه از زمان نیاز دارند
• اتوماسیون پیام ها و کانال های فروش و بازاریابی توسط فرد

اما آیا می دانید چگونه بهترین کار را انجام می دهید؟

1. برنامه ریزی و کشف کنید

نیازهای استراتژیک خود را مشخص کنید و بفهمید که هدف شما حل کردن چه چالش هایی است و هدف شما برای دستیابی به اهداف شماست. سپس داده های خود را با توجه به اینکه آیا حاوی آنچه برای رسیدن به اهداف شما لازم است ، بررسی کنید. گاهی اوقات تمام موارد مورد نیاز را خواهید داشت ، اما ممکن است نیاز به تغییر ساختار باشد ، و بار دیگر ممکن است نیاز به اضافه کردن منابع داده خارجی اضافی داشته باشید.

سپس برای تأمین نیازهای خود و تأمین ارزش شغلی ، رویکردهای موجود را از داده های موجود برنامه ریزی کنید. در کارهایی که می توانید انجام دهید گزینه های زیادی وجود دارد اما بسته به میزان کار در آنها از نسبتاً ارزان تا بسیار جدی گران است. بهتر است نسبتاً كوچكتر با تعداد گسسته منابع داده و هدف مشخص با نتایج قابل اندازه گیری شروع شود. سپس ، هنگامی که با این موفقیت به موفقیت رسیدید ، منابع داده و پروژه های بیشتری را به آرامی اضافه کنید تا درنهایت در مقیاس بزرگی بسازید.

نکته قابل توجه در مورد این پروژه ها این است که همه آنها مقیاس پذیر هستند بنابراین وقتی داده ها قرار داده می شوند ، پروژه بعدی به آن سیستم عامل می افزاید.

2. اجرا

هنگامی که نیازهای استراتژیک خود و یک پروژه قابل اندازه گیری گسسته را شناسایی کردید ، اجرا آغاز می شود. این شامل دانشمندان داده است که داده ها را تمیز می کنند. سپس مهندسان کلان داده ، هر منبع داده را بلعیده و استاندارد می کنند و سپس توالی زمانی را به داده اضافه می کنند.

به دنبال آن ، دانشمندان داده ها الگوریتم های سفارشی را رمزگذاری می کنند تا به آنچه مورد نیاز است برسند. رویکردهای هوش مصنوعی بسیاری از NLP برای محاسبات تکاملی برای یادگیری ماشین و یادگیری عمیق وجود دارد ، بنابراین تیم دانشمند داده است که ارزیابی می کند کدام روش ها برای ترکیب داده ها و اهداف ایجاد شده بهینه است.

در عین حال ، برنامه نویسان برای پردازش های بلادرنگ ، پردازش و تجسم خروجی ، باید فرایند کمتری برای رابط ها ایجاد کنند. شما می توانید از نرم افزارهای تجسم موجود استفاده کنید که با زبانهای AI مانند R یا Python یا Scala سازگار است ، اما بخاطر داشته باشید که برای هر کاربر مجوز دارید و استفاده از کد منبع باز یا ایجاد خود از نظر اقتصادی مقرون به صرفه تر است.

3. تست و استفاده

پس از یک فرآیند دقیق تست ، سیستم ها برای استفاده آزاد می شوند. بینش اولیه کشف می شود و به تیم ها نشان داده می شود که چگونه از آن در کارهای روزمره استفاده کنند. این شامل یک فرایند مدیریت تغییر است تا سیستم ها به طور موثر درک و استفاده شوند.

نتیجه

بسیاری از بازاریاب های داروسازی در مورد تجزیه و تحلیل مبتنی بر هوش مصنوعی در پشت بازی هستند. تعداد کمی از افراد در حال انجام تجزیه و تحلیل پیشرفته بر روی داده های خوبی هستند که شامل هوش مصنوعی ، به ویژه یادگیری ماشین و یادگیری عمیق است. اما همه این موارد در حال حاضر برای بازاریابان داروسازی وجود دارد ، برای شروع کار ساده و با راهنمایی و پشتیبانی مناسب نتایج قدرتمندی بدست می آوریم.