Об эксперте: Татьяна Тимина, руководитель Центра аналитических компетенций в Проектной ассоциации, лидер направления аналитики профессионального сообщества SFE Academy, разработчик отраслевых стандартов для фармотрасли с опытом работы в Ipsen, Richard Bittner AG, «Нижфарм-Stada», Dr.Reddy’s. Автор книги «Секреты аналитики, или Аналитика без секретов» и преподаватель специализации «Data Science в медицине» образовательной компании «Нетология».
Сейчас на российском фармацевтическом рынке работают более тысячи компаний. Это российские и зарубежные производители лекарственных препаратов, такие как «Отисифарм», «Биннофарм Групп», Bayer и Stada. По итогам 2022 года объем фармрынка составил ₽2,3 трлн и, по прогнозам аналитиков, может вырасти еще на 20% за 2023 год.
Но сегодня перед компаниями стоят новые вызовы. С одной стороны, в текущей экономической ситуации возникает потребность в оптимизации расходов на разработку, производство и распространение лекарств. С другой — развитие технологий искусственного интеллекта и машинного обучения открывает все больше возможностей для работы с данными и повышения эффективности производственных процессов. Поэтому вопросы аналитики в фармацевтической отрасли достигли пика своей актуальности.
Какую роль играет аналитика в развитии фарминдустрии
Фармацевтическая промышленность всегда остается прибыльной сферой и продолжает расти даже в кризисные времена. В предыдущие годы развитие отрасли в России в основном происходило за счет дженериков — препаратов, созданных на основе уже открытых молекул. Такое производство не требовало проведения собственных дорогостоящих исследований, при этом позволяло делать пользующиеся спросом лекарства достаточно качественными и доступными для покупателей.
Пока рынок активно рос, компании меньше интересовались аналитикой. Однако после 2014 года она стала более востребованной. С наступлением кризиса подорожали сырье и его транспортировка. Компании стали обращать больше внимания не только на отслеживание динамики продаж, но и на эффективность производства и сбыта. Данные стали использовать в первую очередь для прогнозирования спроса на лекарственные средства и анализ качества бизнес-процессов.
По мере цифровизации данных становилось все больше. Например, привлечение покупателей и коммуникация с заказчиками происходили уже не только вживую, но и через вебинары, мессенджеры и интернет-рекламу, а в период пандемии эти процессы полностью перешли в онлайн. Это потребовало внедрения новых инструментов и в результате открыло новые возможности для оптимизации процессов. За последние три года в российском подразделении Stada провели комплексную цифровизацию: от автоматизации документооборота и бухгалтерской отчетности до роботизации закупок. Это позволило собирать данные, необходимые для принятия решений. Например, в маркетинговом направлении предыдущие результаты обрабатывают с помощью математических моделей и получают прогнозы продаж на следующие периоды.
Как применяется анализ данных и Data Science в отрасли
Data Science использует математическую статистику, искусственный интеллект и машинное обучение для обработки данных. Это позволяет анализировать большое количество информации и применять сложные математические модели для получения практических результатов.
Пока российская фарминдустрия только начинает развивать это направление работы. В 2022 году я проводила опрос среди представителей фармацевтической отрасли, который показал, что более 50% компаний не работают с прогностической и предписательной аналитикой. Большинство из них только учатся собирать данные, которые можно использовать для построения точных прогнозов и с которыми можно системно работать.
Прогностическая, или предиктивная, аналитика позволяет предсказывать будущие события и рассчитывать возможные показатели на основе предыдущих данных.
Предписательная аналитика помогает находить оптимальные решения на основе обнаруженных закономерностей.
Чаще всего аналитику используют для оптимизации бизнес-процессов. Особенно активно она применяется на этапе распространения: для выстраивания логистики, дистрибуции препаратов и прогнозирования спроса. Реже — в производственных процессах, и только точечно — непосредственно для создания лекарств. Например, в Stada большое внимание уделяется прогнозированию спроса. На регулярных стратегических сессиях определяют факторы, влияющие на спрос, такие как сезонность, положительный опыт использования той или иной группы препаратов для лечения, наличие рекомендаций, удобство их использования. Затем данные по ним оцифровывают, оценивают вес их влияния и создают прогностическую модель. Точность такой модели по большинству позиций составляет 95% и более.
Также прогностические модели помогают выстроить эффективную работу в каждом регионе присутствия. Обычно фармкомпании имеют широкую географию и им необходимо правильно распределить ресурсы: определить штат сотрудников и маркетинговые бюджеты, найти центры для проведения исследований, филиалы дистрибьюторов и аптечных сетей. Для этого необходимо не только хорошо знать текущую ситуацию в регионах, но и правильно построить прогнозы фармако-экономической ситуации на ближайшие 3–5 лет. Мне с коллегами не раз удавалось создавать подобные модели. В результате, когда в других фармкомпаниях необходимо было сокращать и перераспределять людей по регионам, мы смогли этого избежать, так как предусмотрели все заранее.
Что касается современных технологий — искусственного интеллекта (ИИ) и машинного обучения, — сегодня они начинают применяться для решения задач, универсальных во всех сферах. Например, в маркетинге нейросети помогают создать портрет пациента, в HR-менеджменте позволяют проанализировать требования к персоналу. Мои бывшие коллеги из Stada — компания IN.TOP — разработали платформу, которая позволяет соотнести список компетенций, необходимых для реализации проекта, с их наличием у конкретной команды и выбрать наиболее подходящую, а также составить список компетенций, наиболее востребованных для реализации типовых задач. Именно опыт работы в фармотрасли помог создать такой полезный сегодня инструмент.
Непосредственно в производстве подобные технологии пока применяются мало. Ряд удачных разработок есть в международных компаниях, так называемой Big Pharma: в Novartis, Roche, Pfizer, Merck, AstraZeneca, GlaxoSmithKline, Sanofi, Abbvie, Bristol-Myers Squibb и Johnson & Johnson. Например, в AstraZeneca Data Science и искусственный интеллект активно внедряются в работу R&D-направления на разных этапах. По словам руководителя направления Джима Уэзеролла, ИИ применяется в разработке 70% малых молекул. На российском рынке еще нет известных случаев создания лекарственных препаратов с помощью технологий искусственного интеллекта. Это то, к чему отрасли только предстоит прийти в будущем.
В перспективе технологии Data Science могут быть применены:
- при подборе теоретической комбинации веществ для новых препаратов, проверки их эффекта, переносимости и совместимости компонентов;
- для поиска комбинации активных веществ, чтобы получить требуемые свойства препарата;
- для создания рекомендаций по подбору схемы лечения и дозировки;
- для проведения доклинических и клинических исследований;
- при подборе пациентов для проведения клинических исследований;
- для изобретения новых молекул.
В отечественной медицине подобные кейсы уже есть. Искусственный интеллект применяют для выявления патологий по рентгеновским снимкам, предсказания риска возникновения заболеваний и подбора персонализированного лечения. Нейросети способны найти закономерности, которые не всегда может увидеть человек. Только важно помнить, что последнее слово в принятии решения должно оставаться за людьми — экспертами в своей области.
Какие барьеры и задачи стоят перед отраслью
Технологии Data Science позволяют делать достаточно точные прогнозы и принимать обоснованные решения. Компании с их помощью смогут понимать, какой объем поставок заложить на новый период, в какой канал или комбинацию брендов вкладывать ресурсы и где можно сократить производственную цепочку. Но пока на этом пути есть несколько барьеров.
Данные
Для применения Data Science необходимо большое количество данных, и их может быть недостаточно. Хотя с каждым годом ситуация улучшается. Например, чтобы прогнозировать спрос на препарат, необходимо иметь данные по его уходимости из аптек. Введение системы МДЛП (мониторинга движения лекарственных препаратов) сделало сбор этой информации возможным. Эти данные собираются с 2020 года. Для точного прогнозирования необходимо минимум 24 периода (месяца), а в идеале — 36. Кроме того, следует исключать нетипичные периоды, такие как пандемия. Поэтому в полной мере использование системы МДЛП будет возможно в ближайшие один-два года. Пока это ограничивает применение предиктивной или предписательной аналитики, но уже становится важным инструментом для оценки реальной потребности в лекарственных препаратах.
Такая работа возможна и на других участках производственной цепочки. Но для начала компаниям нужно наладить сбор необходимых данных и качественную аналитику. Важно работать над структурой и чистотой данных, разработать алгоритмы подготовки и их очистки. Это востребованные задачи, которые сегодня стоят перед специалистами.
Геополитическая обстановка
Текущая геополитическая ситуация требует от российских фармкомпаний большей независимости от зарубежных разработок. Поэтому в ближайшей перспективе работа в R&D-направлениях может усилиться. Проведение исследований требует огромных ресурсов, и без помощи государства здесь не обойтись. Правительство уже утвердило стратегию, которая предполагает поддержку организаций в производстве лекарств, подготовке кадров и внедрении новых технологических решений. В результате в ближайшие восемь лет доля российского производства препаратов полного цикла должна будет увеличиться почти до 70%.
Это открывает перспективы применения Data Science в отрасли как для поиска новых комбинаций веществ, так и для создания уникальных молекул. Специалистам предстоит найти такие решения с помощью технологий машинного обучения. Еще одна из потенциальных задач — разработка собственных инструментов для анализа данных взамен зарубежных сервисов.
Опыт
Пока в фармацевтической отрасли недостаточно опыта работы с аналитикой данных, и среди сотрудников компаний еще нет понимания ее ценности. Поэтому прогнозам и рекомендациям аналитиков часто не доверяют. Чтобы изменить отношение к новым методам работы и подходам к принятию решений, необходима их популяризация.
В первую очередь такая задача стоит перед компаниями и специалистами, которые уже работают в этом направлении. Необходимо делиться успешными кейсами: делать публикации и выступать на конференциях — тогда интерес к аналитике будет повышаться. Тем более эту тему уже начали активно обсуждать в профессиональном сообществе: в феврале 2023 года в SFE Academy провели отдельную встречу, посвященную анализу данных и его применению в фармацевтике, а в декабре проводим новую встречу, и желающих выступить на ней в полтора раза больше.
Внутри компаний такую работу часто приходится вести самим специалистам. Важно объяснять коллегам, как работает аналитика, — особенно донести это до руководителей, которые отвечают за все принятые решения. Они должны понимать, как строятся модели, как были получены выводы и на чем основываются прогнозы. В принципе любой заинтересованный сотрудник может предложить свои инициативы: провести эксперименты по работе с данными и доказать руководству эффективность применения Data Science. В компании Dr.Reddy's мы с коллегами создали Международный аналитический клуб, чтобы повысить популярность использования данных и аналитики при принятии решений. Главное — донести ценность аналитики до ключевых сотрудников, тогда развитие этого направления в компании будет иметь большие перспективы.
Само по себе внедрение Data Science не требует больших бюджетов. По сути, на начальном этапе это предполагает только затраты на зарплату специалиста и на оплату инструментов для обработки данных. Здесь скорее потребуются временные ресурсы на популяризацию нового подхода среди сотрудников компании. Это может оказаться непростой задачей, но в результате позволит компании значительно оптимизировать работу и сократить расходы. По моему опыту, применение прогнозной аналитики для выбора стратегии продвижения может сэкономить компании несколько миллионов рублей, а использование искусственного интеллекта в производстве, по оценкам специалистов, способно сократить время разработки препарата на 50–60%.
В фармацевтике особенно важно понимать, что искусственный интеллект не замена человека. Как считал изобретатель первых «интеллектуальных машин» Семен Корсаков, это лишь «средство для усиления возможностей человеческого разума». Ответственность за принятие решений здесь всегда остается за человеком.
Что требуется от специалистов в сфере
Специалисты, которые работают с данными, могут решать разные задачи. Data-аналитик собирает данные, формулирует и проверяет гипотезы. Data-сайентист разрабатывает модели для обработки больших данных с помощью алгоритмов машинного обучения.
Уже сегодня в ведущих фармацевтических компаниях на уровне штаб-квартир начинают появляться отделы продвинутой аналитики и должности специалистов по Data Science. В большинстве случаев задачей таких специалистов является поиск закономерностей и факторов, влияющих на спрос в препаратах, — это очень важно для своевременного производства и обеспечения пациентов всем необходимым для эффективного лечения. В ряде компаний Big Pharma есть Data Science-команды. Например, в Novartis такие специалисты занимаются разработкой лекарств и предсказанием их эффекта на основе анализа данных о пациентах с применением машинного обучения, биоинформатики и статистики. В российском представительстве компании совсем недавно были открыты вакансии Data Analyst, которые занимаются разработкой отчетов и автоматизированных процедур по работе с данными. А в Stada сейчас ищут Data-инженера для выстраивания хранилища данных и процессов управления ими.
Кроме того, существуют отдельные специализированные компании, которые реализуют проекты в этом направлении. Например, компания Breffi применяет эконометрику для планирования продаж и оценки эффективности работы фармкомпаний.
Но в большинстве компаний такие задачи пока берут на себя текущие сотрудники IT-подразделений, ведь, как правило, именно они отвечают за сбор данных. В перспективе этим должны заниматься отдельные Data Science-специалисты, которые не только разбираются в технической составляющей, но и понимают потребности потребителей и бизнеса. Перейти на такие позиции могут те, кто уже работает в отрасли: сотрудники отделов продаж, маркетологи, управленцы и финансисты, инженеры и программисты. Кроме того, приходят специалисты из смежных сфер: чаще всего это врачи и медицинские представители. Например, я начинала карьеру в сфере как медпредставитель и в итоге стала руководителем подразделения аналитики. Также работать с аналитикой в фарминдустрии могут математики, которые обладают хорошим логическим мышлением и навыками вычислений.
Специалисту, который работает с аналитикой в фармотрасли, необходимо владеть следующими навыками:
- обладать аналитическим мышлением;
- уметь применять корреляционный, факторный, регрессионный анализ для построения математических моделей;
- уметь описывать статистические методы для составления протоколов клинических исследований;
- владеть навыками коммуникации и презентации, чтобы доносить ценности своей работы и обосновывать выводы на языке бизнеса и потребителей;
- обладать базовыми медицинскими знаниями, понимать, как работает отрасль и какие потребности у врачей и пациентов;
- владеть необходимыми инструментами для обработки и анализа данных — для начала будет достаточно Excel, затем потребуются более продвинутые навыки работы с базами данных и знания SQL, а также языки программирования Python или R.
При этом конкретные инструменты, особенно в текущих реалиях, могут меняться, а приоритетными остаются навыки коммуникации. Ведь на текущем уровне развития направления инициатива должна исходить от самого специалиста. Не компания ставит аналитику конкретные задачи — он сам понимает, чем может помочь бизнесу, и должен уметь это донести. Поэтому идти в это направление стоит тем, кто готов общаться с бизнесом.
Как и в любом инновационном направлении, здесь многое зависит от самого человека. Поэтому часто аналитические задачи берут на себя люди, которые заинтересованы в развитии фармацевтики и хотят повысить качество принимаемых решений.
Фарминдустрия подходит тем, кому важны социальная и этическая составляющие работы. Эта отрасль остается востребованной даже в кризисные времена — она привлекает специалистов и продолжает развиваться.