Los modelos predictivos se han utilizado durante años para orientar y medir el marketing de los profesionales de la salud (HCP) en la industria farmacéutica. Con frecuencia, estas tareas se llevan a cabo en diferentes momentos del año y utilizan diferentes fuentes de datos. Las metodologías no están alineadas entre las diferentes marcas, ciclos de vida y niveles de inversión en marketing.

Esta falta de continuidad no solo puede crear una solución subóptima y un ROI inferior al deseado, sino que también puede generar ineficiencias organizacionales y una toma de decisiones inconexa.

En el enfoque desarrollado, reunimos estos análisis separados utilizando inteligencia artificial y aprendizaje automático para maximizar el valor de venta minorista esperado de cada comunicación de marketing. Nos propusimos crear una solución basada en el aprendizaje automático para identificar los HCP más valiosos, los canales óptimos para dirigirnos a ellos y los mensajes más influyentes para cada uno de ellos. Esto nos permitirá utilizar el presupuesto y los recursos de marketing de una marca para maximizar el ROI de todos los esfuerzos de ventas y marketing.

Además, los algoritmos ajustan su enfoque a medida que las marcas pasan de su estado incipiente a la madurez. A continuación se muestra un gráfico de alto nivel que muestra cómo cambian la utilización y el propósito de los modelos a lo largo del ciclo de vida de una marca.

Este proceso crea una metodología que es más precisa para identificar objetivos de alto ROI. También tiene un nivel granular que crea recomendaciones de canales y mensajes para cada HCP. Los algoritmos combinan análisis que antes eran dispares y extraen puntos de datos importantes para crear una puntuación final ponderada normalizada para cada HCP de cada canal. Un conjunto de tres componentes: en primer lugar, los hábitos de prescripción («el pasado»). En segundo lugar, la respuesta esperada al contenido de marketing, «el presente». En tercer lugar, la propensión a comprometerse, «el futuro».

• Los comportamientos «pasados» de un médico sirven de base para su tendencia a escribir medicamentos recetados para una marca determinada. Para las marcas nacientes, los algoritmos de aprendizaje automático crean una «puntuación RX». La base de esta «puntuación» es un análisis de la adopción inicial de marcas similares por parte de cada médico cuando esas marcas se encontraban en la fase de lanzamiento. A medida que la marca envejece, el modelo cambia para modelar los patrones conocidos y predecibles de los hábitos de escritura de los profesionales de la salud.
• El «presente» es un componente que determina la capacidad de respuesta de un médico a las iniciativas de marketing. La metodología para medir la capacidad de respuesta consiste en crear un modelo de respuesta a la combinación de promociones. Un modelo de combinación promocional es un enfoque basado en la regresión que estima el impacto incremental que las iniciativas de marketing anteriores han tenido en la prescripción de cada proveedor de atención médica. La utilización de esta puntuación en el modelo final proporciona una estimación del impacto a nivel de RX de las futuras iniciativas de marketing en cada médico.
• «El futuro» es un análisis de la propensión del médico a interactuar con la marca en los distintos canales de ventas y marketing. La metodología de clasificación básica, denominada puntuación de participación, es la misma para el ciclo de vida de cada marca. Sin embargo, en el caso de las marcas jóvenes, los datos utilizados provienen de varias variables indirectas que identifican la propensión del personal de atención médica a participar. Cuando las marcas se encuentran en sus últimas etapas, el compromiso se calcula teniendo en cuenta la participación pasada con la marca y la probabilidad de continuar.

La siguiente etapa del proceso consiste en crear la puntuación de valor RX aprendida automáticamente y consiste en combinar las puntuaciones del pasado, el presente y el futuro. Al igual que en las etapas anteriores, hay flexibilidad en cuanto a la importancia que se le da a cada análisis a medida que cambia la estrategia y la segmentación.

Los puntajes normalizados finales pueden ser un mecanismo para crear una lista de objetivos refinada, así como para proporcionar información estratégica sobre cómo alcanzar cada objetivo, decidir qué médicos son mejores contactados a través del correo electrónico, o el marketing digital puede reducir el desperdicio de detalles de los representantes. Mediante técnicas de aprendizaje no supervisadas, podemos segmentar el universo de HCP disponible en macrosegmentos y microsegmentos que se alineen con su valor RX por canal.

El producto final es una lista de objetivos creada mediante inteligencia artificial que identifica a los participantes con mayor potencial, el canal de marketing más eficaz y el esfuerzo necesario para lograr la conversión. Lo que es más importante, es fácilmente replicable y tiene el potencial de aportar un ROI mucho mayor a las iniciativas de marketing.