Propósito

✔ Brazil SFE® Pharma Produtivity, Effectiveness, CRM, BI, SFE, ♕Data Science Enthusiast, ✰BI, Big Data & Analytics, ✰Market Intelligence, ♕Sales Force Effectiveness, Vendas, Consultores, Comportamento, etc... Aqui é um lugar onde executivos e profissionais da Indústria Farmacêutica atualizam-se, compartilham aspectos, experiências, aplicabilidades e contribuem com artigos e perspectivas, ideias e tendências. Todos os artigos e séries são desenvolvidos por profissionais da indústria. Este Blog faz parte integrante do grupo AL Bernardes®.

Painel Médico - Mudaram os Aparelhos da Academia - Mineração de Dados - Coleta, Processamento, Análise e Utilização

Painel Médico - Mudaram os Aparelhos da Academia - Mineração de Dados - Coleta, Processamento, Análise e Utilização




O processo de vendas envolve muito mais ações de tecnologia hoje, do que nunca antes!

Sim as vendas mudaram?

A cada dia, o sistema de vendas desafia aqueles que têm a responsabilidade de domar as tecnologias por detrás das ações de marketing, o prescrutar do mercado e os insights nos negócios.

E a Força de Vendas?

A maioria dos laboratórios da Indústria Farmacêutica objetivam preparar a Força de Vendas para maximizar e potencializar o contato diário com seus Clientes, os Médicos, não deixando de lado toda a cadeia prescritiva necessária para a efetividade do trabalho.

Os colaboradores da Força de Vendas não podem ser sobrecarregados de ações tecnológicas, antes, precisam apenas usufruir suavemente, suas benesses. Trabalho que deve ser implementado pelos departamentos de Produtividade | EfetividadeMarketingInteligência  de Mercado e Inteligência Competitiva.


Colocando o Painel Médico na Academia: Série Painel Médico Livro 1Características Intrínsecas do Painel Médico: Série Painel Médico Livro 2Quem são os Responsáveis pelo Painel Médico: Série Painel Médico Livro 3 

Dkol a ascensãoDESMISTIFICANDO OS DOLs: O que considerar ao Segmentar e criar MétricasSérie Painel Médico da Indústria FarmacêuticaVolume - 04

Ferramentas de análise de dados e e-learning também oferecem muito conhecimento à Força de Vendas. Mas os modelos de dados precisam ser tratados e considerados previamente pelos departamentos afins.

Muitos programas de melhoria da qualidade, incluindo Six Sigma, Design for Six Sigma, e Kaizen exigiram a recolha e análise de dados para resolver problemas de qualidade.

O processo de mineração de dados

Para que haja sucesso no processo de Mineração de Dados é essencial um processo metódico de 7 Passos:


1 Definir o problema do negócio
2 Criar o banco de dados de mineração de dados
3 Explorar os dados
4 Preparar os dados para modelagem
5 Construir um modelo
6 Avaliar o modelo
7 Estabelecer as Regras sobre os resultados

Embora a numeração implique num processo linear, mineradores de dados encontram-se frequentemente revisitando as etapas anteriores com base no que aprenderam a cada passo.

O primeiro passo envolve prepararmos uma declaração clara do problema que tentamos resolver. Ao continuarmos com as etapas de Mineração de Dados e o aprofundamento dos dados, problemas ocasionais nos levarão a reformular nossos objetivos.

Seja realista e tenha os pés bem plantados nos chão. As próximas três etapas envolvem preparar os dados para mineração, que levará a construção do modelo real. Juntos, eles levam mais tempo e esforço do que todos os outros passos combinados, geralmente consumindo de 60% a 95% do tempo e recursos de um projeto.

Os dados extraídos geralmente advém a partir de várias fontes, e embora em alguns casos, seja possível extrair diretamente dessas fontes, mais frequentemente é preferível captar os dados numa base de dados uniforme concebida. Embora seja uma tarefa difícil, tal integração vale a pena. 

Tipicamente, os dados relativos ao medicamento estão espalhados por dezenas a centenas de bases de dados de concepções muito diferentes, em conformidade com diferentes padrões e armazenados em diferentes sistemas de gestão de base de dados. A análise seria muito difícil, milhões de dólares seriam gastos na produção de resumos de segurança. Por outro lado, se estes dados forem devida e previamente consolidados, a Mineração de Dados permitiria à empresa explorá-los rapidamente.

Há também bancos de dados externos que podem ser extraídos em conjunto com dados corporativos. No lado R&D, centenas de bancos de dados genômicos públicos e licenciados estão disponíveis. Esses bancos de dados podem ser processados e separados em casa. No lado do marketing, existem bancos de dados demográficos dos indivíduos e comportamentos dos fornecedores.

Uma vez que o banco de dados de Mineração de Dados esteja construído, é hora de explorá-los. A visualização de dados, muitas vezes produz conhecimentos que ajudam a construir os melhores modelos de previsão. As visualizações podem ajudar a mineração dos dados, fornecendo uma representação abrangente e concisa dos dados. Também mostram que mesmo uma boa visualização requer algum treinamento e experiência de interpretação.


O passo final na preparação de dados é transformar os dados da mineração. Idealmente, alimentamos todos os atributos para a ferramenta de Mineração de Dados e a deixamos determinar quais são os melhores preditores. Na prática, isso não funciona muito bem. Não só podemos introduzir problemas incluindo muitos atributos irrelevantes, mas com toda a probabilidade os melhores preditores são realmente combinações de outros atributos.

O quarto passo é, na verdade, a construção do modelo. A coisa mais importante a lembrar sobre a construção do modelo é que ele é um processo interativo. Precisaremos explorar modelos alternativos para encontrar o que é mais útil para resolver nosso "problema" de negócio. O processo de construção de modelos preditivos requer um protocolo de treinamento e validação bem definido, a fim de gerar as previsões mais precisas e robustas. Este tipo de protocolo é às vezes chamado de aprendizado supervisionado. A essência da aprendizagem supervisionada é treinar (estimar) o seu modelo em uma parte dos dados, em seguida, testar e validá-lo no restante dos dados.

Na sexta etapa, avaliamos os resultados dos nossos modelos e interpretamos seu significado. Lembremo-nos que a taxa de precisão encontrada durante o teste aplica-se apenas aos dados em que o modelo foi construído. Na prática, a precisão pode variar se os dados a que o modelo foi aplicado diferir significativamente a partir dos dados originais.

Uma vez que um modelo de Mineração de Dados seja construído e validado, pode ser usado como um guia geral para a ação ou ele pode ser aplicado a um lote grande de dados. Também poderá ser aplicado a um único caso de cada vez. 


Há um grande número de ferramentas de mineração de dados disponíveis. Em geral, os produtos disponíveis são muito bons, e são especialmente fortes na construção do modelo. No último ano, 2015, houve grande melhoria na facilidade de criar e usar modelos que construímos. No entanto, a preparação de dados e a visualização ainda precisam ser mais eficazes.

Dados e o futuro da indústria farmacêutica

Novas abordagens são necessárias, a fim de realizar plenamente o potencial das tecnologias que permitem a criação, aquisição, armazenamento e análise de bases de dados de tamanhos e complexidades sem precedentes.

Quando a tecnologia de banco de dados chegou pela primeira vez na indústria farmacêutica, a maioria dos pesquisadores pensavam que era útil ter programadores que tivessem algum conhecimento e domínio. Era comum dar a recém-contratados de TI um curso na terminologia médica. A empresa moderna precisa ver-se como uma máquina de dados cujo negócio principal é a coleta, processamento, análise e utilização dos próprios dados como o principal recurso da empresa.

Esta tendência continuará a acelerar. Tecnologias genômicas e afins permitem que mais dados sejam coletados de cada paciente, tanto durante o desenvolvimento de uma droga, como depois desta ser comercializada. As tecnologias de TI , em geral, continuam a se mover numa direção que permite que mais dados sejam recolhidos, processados ​​e analisados. E, cada vez mais, há pedidos de mais informações sobre cada produto a partir dos pacientes, médicos e reguladores.

Essas pressões levarão a certas mudanças na empresa farmacêutica. A empresa terá que investir um esforço substancial na integração de suas grandes e diversas fontes de dados. Este é um esforço estupendo, basta dizer que envolverá uma mudança no status das pessoas de TI na organização, uma demanda por mais formação e experiência em TI para as pessoas em toda a organização e um aumento no nível de conhecimento de domínio de TI dos trabalhadores associados.

A empresa armazenará e processará todos esses dados, com vista a fazer melhores negócios. Isso exigirá o acesso a ferramentas mais adequadas, por uma força de trabalho analiticamente mais astuta. Mais pessoas terão acesso a mais dados. Mais pessoas precisarão de análises e interpretações dos dados. Uma parcela maior de todas as decisões serão tomadas com o apoio destas análises de ponta, realizadas com os dados apropriados. Sim, por menos que queira: A estrutura, as funções e as organizações provavelmente mudarão.

Estamos vivendo em uma época que enfatiza um grande aumento na coleta e uso dos dados. Não é de surpreender que a indústria farmacêutica, que tem sido uma indústria da informação ao longo de décadas, ainda seja a mais afetada por estas tendências. O fato de que algumas dessas mudanças aconteceram tão rapidamente e que muitos na indústria farmacêutica e da investigação médica não reconheceram a ênfase anterior sobre a relevância da informação, pode ter disfarçado os eventos cataclísmicos que estão ocorrendo. No entanto, eles estão chegando e a Mineração de Dados desempenhará um papel importante e cada vez maior na investigação farmacêutica, no século 21.



Referências

Drucker, Peter F. Innovation and Entrepreneurship, 1985, Harper & Row. NY, NY.

Knowledge Discovery in Databases: 10 Years After. SIGKDD Explorations, ACM SIGKDD V.1 59-61, 2000.

Friedman , HP and Goldberg, Judith. Knowledge Discovery from Databases and Data Mining: New Paradigms for Statistics and Data Analysis. Biopharmaceutical Report V.8 No.2 2000.


DuPont Pharmaceuticals Research Laboratories and KDD Cup 2001.

Edelstein, Herb. Introduction to Data Mining and Knowledge Discovery, 1999, Two Crows Corporation.

Edelstein, Herb. Data Mining Technology Report: 2002, Forthcoming, Two Crows Corporation.



brazilsalesforceeffectiveness@gmail.com

✔ Brazil SFE®Author´s Profile  Google+   Author´s Professional Profile   Pinterest   Author´s Tweets

Nenhum comentário:

Postar um comentário

Compartilhe sua opinião e ponto de vista: