Ким Хо - О чем говорят цифры. Как понимать и использовать данные

Определение оптимальной численности сбытового персонала в ведущей фармацевтической компании наподобие Merck – сложная аналитическая задача. Регулярно появляются новые продукты, стимулируя спрос и одновременно потребность в сбытовом персонале; столь же регулярно заканчивается срок действия патентов на выпускаемые продукты, что приводит к сокращению потребности в сбытовом персонале. Для новых продуктов данных об объемах продаж за прошлые периоды не существует, поэтому методов надежного прогнозирования будущей потребности в сбытовом персонале нет.

Многие фармацевтические компании нанимают внешних консультантов для решения этой задачи. Однако когда количественный аналитик Пол Каллукаран, имеющий опыт анализа данных по объемам продаж в фармацевтических компаниях, пришел на работу в отдел коммерческой аналитики, топ-менеджеры компании решили, что пора провести анализ численности сбытового персонала собственными силами.

Определение и формулирование проблемы. Какой должна быть оптимальная численность сбытового персонала при наличии лекарств с истекшим сроком действия патента и новых лекарств, только что выведенных на рынок? Сбытовой персонал сгруппирован по регионам и брендам продуктов. Поэтому задача усложняется тем, что нужно определить его численность не в целом, а в разрезе регионов и брендов.

Изучение предыдущих поисков решения. Если вспомнить о предлагаемых консалтинговыми фирмами услугах, то понятно, что кое-какая литература по теме исследования имеется. На предыдущей работе Каллукаран занимался немного иными проблемами, но интересовался тем, как разные компании решают этот вопрос. Однако по большей части методика анализа оставалась за кулисами презентаций, поскольку последние были рассчитаны на восприятие маркетологов и специалистов по продажам. Каллукарану и начальнику отдела коммерческой аналитики Патрику Муру такой подход категорически не нравился. В прошлом разные отделения Merck приглашали консультантов, а те использовали свои методы прогнозирования численности сбытового персонала; на этот раз впервые предпринималась попытка выработать централизованный подход к решению этой проблемы.

Моделирование (выбор переменных). Каллукаран решил использовать несколько методов для расчета оптимальной численности сбытового персонала. В дополнение к традиционному использованию статистических моделей он и его команда решили внимательнее присмотреться к процессу обслуживания отдельного покупателя. Они расспрашивали сбытовых агентов об их работе с покупателями-врачами, пытаясь оценить объем нагрузки для одного такого потребителя. Они также рассчитывали прогнозы по различным продуктам и разрабатывали нелинейные модели откликов продвижения сбытового персонала и возможных изменений в составе прописываемых врачами лекарств. Они анализировали воздействие связанных со сбытовым персоналом факторов, способных повлиять на модель поведения врачей в отношении выписываемых лекарств в противоположность всем остальным факторам (привычки, бренд лекарственных средств, давление со стороны пациентов). Аналитики рассматривали данные на уровне пациентов, чтобы понять причины их приверженности тем или иным лекарствам. Эти данные говорили и о том, что многие пациенты с течением времени прекращают или уменьшают прием прописанных лекарств, что существенно влияет на объем их продаж в долгосрочной перспективе. Наконец, они разработали комплексную оптимизационную модель, способную оптимизировать ресурсы на обслуживание отдельного врача, продукта и каждого из сотен регионов, где продавались лекарства.

Сбор данных. Обычно фармацевтические компании получают данные о выписываемых врачами лекарствах от третьих лиц: от компаний, распространяющих базы данных. У Merck эти данные были. Но для разработки модели функционирования сбытовых агентов требовалось провести анкетирование о моделях их рабочего поведения и затратах времени на потребителя. Для этого следовало завоевать доверие сбытовых агентов, то есть так провести анкетирование, чтобы это не выглядело прелюдией к сокращению персонала. Агенты сообщат достоверные данные только в том случае, если не будут чувствовать угрозу для себя.

Анализ данных. Как мы отмечали, решение этой сложной задачи включало несколько аналитических подходов, в том числе целочисленную оптимизацию и непараметрическую (не предполагающую определенный тип распределения данных) модель, которые рассчитывали характеристики для каждого продуктового сегмента на основе данных за прошлые периоды. Поскольку проект предполагал разработку моделей для каждого бренда и региона, первоначально на это потребовалось 16 часов. Но группа Каллукарана стремилась получать результат быстрее, поэтому ее сотрудники распределили расчетные задания между сотнями дополнительных компьютеров. На каждом из них рассчитывались показатели для определенного региона. Мобилизовав столь мощный компьютерный парк, Каллукаран добился проведения расчетов за 20 минут.