Фармацевтическая компания «Акрихин» на 7-10% увеличивает продажи в аптеках с помощью ИИ

Армен Скандарян: Основной вызов для фарминдустрии, равно как и для других отраслей в последние два года, — это общая неопределенность, вызванная напряженной политико-экономической ситуацией в стране и в мире в целом. Помимо повседневных специфичных для отрасли задач, в последние два года всем игрокам фармотрасли пришлось в срочном порядке находить решения, связанные с логистическими барьерами, сложностями в проведении трансграничной оплаты по взаиморасчетам с партнерами, в продлении лицензий на зарубежное программное обеспечение и его поддержки, дефицитом квалифицированных кадров. В таких условиях конкуренция на рынке существенно обостряется. Современные задачи требуют и современных способов решения. Поэтому мы активно модернизируем свои бизнес-процессы, внедряем новые технологии, направленные на повышение эффективности через автоматизацию и цифровизацию процессов.

Евгений Маслов: В последние годы на фармацевтическом рынке конкуренция как никогда высока, особенно из-за последних «черных лебедей». Фармкомпании вынуждены постоянно искать способы повышения эффективности работы. В этом им, конечно же, помогает аналитика, ведь невозможно управлять тем, что не измеряешь, а также инновационные ИТ-решения и, в частности, искусственный интеллект. Для многих он пока в диковинку, но я вижу, что рынок открыт и готов к применению инноваций, при условии прозрачности ценностей от их внедрения.

Армен Скандарян: Новые технологии активно проникают во все отрасли, и фармацевтика не исключение. Цифровые технологии внедряются в разные области жизнедеятельности компании — от производства до операционной деятельности коммерческих подразделений.

Поскольку мне ближе область эффективности полевых сил, могу сказать, что в этой части влияние новых технологий имеет существенное значение. За последние три года, с появлением новых источников данных (например, данных ФГИС МДЛП) и с внедрением новых технологий, мы существенно модернизировали работу полевых сил: полностью изменили подход к оценке продаж на территориях, автоматизировали селекцию аптек для клиентской базы, разработали собственную CRM для аптечных представителей, в которой реализовали автоматизированное распознавание образов при фотографировании витрин.

Евгений Маслов: Если смотреть на кривую развития технологий Гартнера, то технологии ИИ уже преодолели фазу хайпа от любителей всего нового и необычного. Люди снимают розовые очки и начинают думать о реальных ценностях, которые ИИ может дать их бизнесу. Уже сейчас вместе с нашими заказчиками и партнерами не только в фарме мы подтверждаем прямое позитивное влияние прикладного применения технологий ИИ на общую конкурентноспособность бизнеса. Это происходит за счет повышения доступности корпоративных знаний, автоматизации принятия бизнес-решений в соотверствии с data-driven подходом, получения новых инсайтов, в том числе через оцифровку взаимосвязей усилия/результат, как, например, в «Акрихине».

Армен Скандарян: До внедрения новой технологии процесс выбора клиентской базы происходил на основе нашего интуитивного представления о значимости тех или иных критериев и характеристик клиентов. В процесс отбора и согласования клиентской базы было вовлечено много участников, потоки данных между которыми поддерживались вручную. Понимая, что такой подход к организации процесса не оптимален, и что потенциал клиента зависит от гораздо большего числа факторов, чем те, которыми оперировали мы, была сформулирована задача найти способ автоматизировать как сам процесс, так и большой объем сложных вычислений. При обсуждении с коллегами из компании «Синимекс» круга задач, в решении которых они могут нам помочь, мы быстро нашли точки соприкосновения — наши потребности совпали с предложением компании «Синимекс».

Евгений Маслов: Перед компанией «Акрихин» стояла задача повысить результативность визитов фармпредставителей с помощью оптимизации визитной базы аптек, отражающей приоритетные цели для начала и наращивания, уменьшения и прекращения визитного давления с точки зрения выручки, что и стало основной метрикой для обучения моделей.

Для решения поставленной задачи эксперты компании «Синимекс» подготовили датасет на основе данных «Акрихина», расчитанных гео и статистических признаков для обучения моделей машинного обучения. Была проведена большая дата-сайенс работа по обучению моделей и настройке их параметров (более 100 экспериментов). В финал попали не все модели, взятые для экспериментов на старте, а результат предоставлялся ансамблем моделей, агрегированных с весами. Решение построено на open-source стеке технологий.

Армен Скандарян: Проект длился более полугода и состоял из первичного бизнес-анализа, согласования подхода к решению задачи, пилотного проекта и валидации бизнес-гипотезы. Наши эксперты сформулировали исходную задачу, подготовили выборку данных, разработали и внедрили необходимые изменения во внутренние рабочие процессы, распределили полученные данные между полевыми сотрудниками. Параллельно с этим отдельная группа наших специалистов занималась разработкой собственной системы для решения данной задачи при помощи машинного обучения.

Команда компании «Синимекс» показала себя в проекте профессионалами высокого класса, оказав нам неоценимую помощь на раннем этапе внедрения новой технологии и обогатив наш собственный опыт. В результате проекта мы получили новые знания и бесценный опыт.

Армен Скандарян: Как это всегда бывает в новых проектах, не все идет по плану. Но мы были готовы к такому развитию событий. Основные трудности состояли в том, чтобы учесть все нюансы рабочего процесса, который мы взялись автоматизировать. Необходимо было также понять, что при новом подходе в нашем процессе сохраняет свой смысл, а что следует изменить.

Наконец, определенные трудности нас встретили на пути изменения процесса в поле. Довольно сложно добиться доверия к рекомендациям, которые «сгенерировала машина», со стороны полевого сотрудника, работающего много лет и считающего, что на своей территории он все знает лучше всех.

Евгений Маслов: Было довольно сложно формализовать подход по оценке результатов внедрения ML-моделей, в выборе метрик оценки и подборе порогов. Например, аптека может показать положительную динамику относительно предыдущих периодов, но при этом процент прироста может быть ниже, чем в среднем по аптечной сети или по региону. Эти вопросы мы решали совместно с заказчиком.

Не трудность, но достаточно большая и сложная задача — обогащение базы массивом дополнительных атрибутов, в частности геоданными. Эти данные были нужны, чтобы оценить влияние удаленности аптеки от различных объектов: транспортных узлов, поликлиник, школ. Был смешной момент: у аптеки есть такой атрибут, как удаленность от тюрем! Понятно, что он был отброшен, но чтобы выявить значимые факторы, нужно проанализировать десятки вариантов. Это была большая интересная задача.

Армен Скандарян: После окончания пилотного проекта и получения данных о продажах в регионах, где проводился пилот, мы провели оценку, сравнивая динамику продаж в аптеках клиентской базы, сформированной моделью машинного обучения, с показателями в аптеках контрольного региона, где отбор аптек осуществлялся традиционным способом. Анализ включал измерение изменения продаж в аптеках, которые были взяты в клиентскую базу с аналогичными показателями в аптеках, которые были исключены из клиентской базы в смежных кварталах. По результатам сравнительного анализа было показано, что автоматизация селекции аптек с применением машинного обучения способствует увеличению продаж на 7-10% по сравнению с традиционным подходом к выбору клиентской базы.

В сравнении с клиентской базой предыдущего периода в целом наблюдается достаточная консервативность перетока аптек в другой класс, не более 10-20% аптек предлагается к замене.

По дополнительному показателю — продажам за год по данному классу, наблюдается тренд на отказ от посещения малоденежных аптек, и предложение к посещению аптек, приносящих в 2-3 раза больше денег.

В настоящий момент мы на регулярной основе проводим сессии отбора аптек в «активную клиентскую базу» на основе технологии машинного обучения с последующими минимальными ручными корректировками. Перед каждой сессией мы переобучаем модель, внося в нее новые условия, исключения и новые вводные. Помимо отбора аптек, модель также рекомендует и оптимальное количество контактов с каждой аптекой на ближайшие три месяца.

Сейчас мы полностью отошли от традиционной в фарминдустрии практики полевых сил, когда при планировании активности на квартал для каждого торгового представителя фиксируется количество аптек для набора в клиентскую базу, и на основе умозрительной категоризации этих аптек на две или три группы фиксируется частота визитов в аптеки каждой группы. В настоящий момент 90% рекомендованных аптек попадают в активную клиентскую базу. Из процесса полностью исключен этап обмена файлами Excel по электронной почте, разбивкой и последующей консолидацией данных. Важным достижением следует признать существенное сокращение времени подготовки клиентских баз и объединение процесса, в котором участвует более 100 человек, в одну систему.

Евгений Маслов: Для нас было неожиданностью, что ML-модель показала себя не только в нахождении потенциальных точек для начала визита и усиления визитной активности, но и позволила более эффективно убирать аптеки из визитной базы на цикл, в которые можно не ходить без большой потери в продажах. Это действительно был крутой инсайт, никто этого не ожидал.

Второй большой интересный момент, который мы для себя нашли, это то, что потенциал развития этого проекта находится не просто в оптимизации визитного давления внутри цикла, но и между циклами. То есть мы можем расширить применение машинного обучения и оптимизировать визитное давление на длительный период.

Армен Скандарян: Аппетит, как говорится, приходит во время еды. Есть желание масштабировать внедрение технологии машинного обучения и нейросетей в различные процессы компании, но приходится соотносить аппетиты со стоимостью внедрения, имеющимися ресурсами для внедрения и расставлять приоритеты.

Сейчас обсуждается идея внедрения нейросети для помощи сотрудникам в навигации по аналитическим ресурсам компании и в идеале — непосредственно для анализа данных. Другим приложением машинного обучения могла бы стать задача оптимизации маршрутов для посещения аптек нашими торговыми представителями. Еще одна задача, которую можно решать, применяя технологию машинного обучения, так называемый Deployment, — расчет оптимального количества полевых сил в каждом регионе.

Евгений Маслов: Я думаю, говорить об этом слишком рано. Большинство таких специальностей, которые требуют работы головой, технологии ИИ помогают не заменить, а усилить дополнительными инструментами: доступом к базе знаний, аналитическими инструментами, шаблонами и подсказками, что как раз применимо по отношению к медицинскому представителю.

Армен Скандарян: Первое. Необходимо решить вопрос с собственными кадрами и развивать собственные компетенции на разных уровнях. Квалифицированные кадры с необходимыми компетенциями — главное условие успешного внедрения новых технологий.

Второе. Остерегайтесь соблазна параллельно внедрить «все и сразу». Каждый проект требует внутреннего напряжения ресурсов, глубокого погружения в процесс многих сотрудников. Необходимо обозначить самые приоритетные задачи и сфокусировать свои усилия именно на них.

Третье. Примите как неизбежность тот факт, что внедрение технологий не может происходить без изменения самих бизнес-процессов внутри организации. Выделите время и ресурсы на то, чтобы оптимизировать и привести рабочие процессы в организации в соответствие с возможностями новых технологий, а не наоборот.

Евгений Маслов: Ключевым фактором успеха я бы назвал открытость заказчика и готовность к инновациям, к экспериментам, и доверие к ИТ-подрядчику. Решения, подобные ML-модели «Акрихина», пока что не являются коробочными: в каждой компании своя природа данных и специфика бизнес-процессов, но подходы могут быть схожи, и в этом плане наши проекты могут быть воспроизводимы у других заказчиков с большей скоростью и меньшими затратами.

Армен Скандарян: Наша миссия — приносить пользу обществу, выпуская современные, эффективные и качественные лекарственные препараты. До последнего времени компания фокусировалась исключительно на производстве воспроизведенных лекарственных препаратов (дженериков), создавая тем самым условия для более широкого доступа пациентов к современным схемам терапии заболеваний в различных областях: кардиологии, дерматологии, педиатрии, неврологии и эндокринологии.

Вместе с тем, понимая важность инноваций в разработке новых препаратов, компания делает первые шаги и на этом пути. Например, во время Петербургского международного экономического форума (ПМЭФ) Сеченовский университет и «Акрихин» подписали соглашение о разработке инновационных препаратов для лечения сахарного диабета второго типа. Речь идет о комбинации препаратов классов GLP-1 и SGLT-2 для лечения сахарного диабета второго типа и других метаболических нарушений, а также первого отечественного препарата класса GLP-1 для лечения диабета второго типа и полинейропатии. Планируется, что эти препараты будут выведены на рынок с 2027 и 2029 года соответственно. Суммарные инвестиции в проект составят до 400 млн рублей.

Армен Скандарян: Помимо решения задач анализа рынка, оптимизации операционных процессов, маркетинга и коммерческой деятельности, методы искусственного интеллекта и машинного обучения могут быть применены для оптимизации производственных маршрутов, ускорения процессов открытия лекарств и оптимизации клинических испытаний. Думаю, эти технологии могут повысить эффективность, сократить затраты и ускорить выход новых препаратов на рынок.

Евгений Маслов: Для нас интересны несколько направлений применения. Например, использование больших генеративных моделей для повышения доступности корпоративных и аналитических знаний, применение технологий компьютерного зрения для автоматизации контроля полки в аптеке, и, безусловно, направление с огромным потенциалом — это использование моделей машинного обучения для повышения эффективности работы по каналам продвижения, в том числе визитного давления, увеличения точности многофакторного прогноза продаж, анализа «что если» при планировании промо кампаний.