Data Mining en Pharma

Quid du CRM	Composantes	SFA	EMA	Call center
Web et e-CRM	Décisionnel	Gains du CRM	Implémentation	Critère de Choix
Direction Générale	Organisation	Prix	ROI + Timing	Biblio, et +

1001 QUESTIONS SUR LA RELATION-CLIENT EN PHARMA, VIA LE CRM, E-CRM

QUESTION ABRÉGÉE	QUESTION ET RÉPONSE	M.A.J.
Data Mining en Pharma	En quoi les techniques de business intelligence et de Data Mining sont-elles exploitées par le CRM analytique ? Le CRM analytique est une des applications concrètes de la business intelligence (qui vise un domaine plus vaste encore, y compris l'audit concurrentiel financier, R&D). Une architecture décisionnelle est construite sur le socle d'un «Data Warehouse» centralisé, alimenté entre autres par les différentes bases de production et lié aux flux de données issus des progiciels du CRM front-office : par exemple les outils de gestion intégrée (ERP) qui fournissent des informations comme les chiffres de vente détaillés, et le système de gestion de la chaîne logistique (SCM) qui comptabilise les délais de livraison, mais en Pharma, ce n'est pas stratégique (sauf en ce qui concerne la vente directe aux pharmaciens). Trouver une cause à un phénomène, c'est le Data Mining, qui propose de donner une signification analytique (et peut-être opérationnelle) à un ensemble de données. L'essentiel repose sur les informations qui induisent la prescription du médecin, la recommandation du pharmacien et qui peuvent faire «basculer» un comportement ou un schéma, en complément de la visite médicale qui a ses limites. Et c'est évidemment cela qui constitue la valeur ajoutée incomparable de la base de données client : réseaux d'influence, d'amitiés, de formation universitaire, MG/Spécialiste/Leader d'opinion, appartenance associative, caritative, schémas de prescription, comportement type de consommation (bien plus que le profil INSEE !), captation par la concurrence, etc. Evidemment, le Data Mining ne concerne pas que les clients médecins de la Pharma : dans le domaine des assurances complémentaires, il a fait l'objet d'applications approfondies sur des populations de malades pour une estimation des coûts par pathologies globaux (pas seulement hospitaliers, en Italie) ou pour l'évaluation du risque santé. Techniquement parlant, deux types d'analyse sont à distinguer : L'analyse OLAP (On-Line Analytical Processing), qui produit des indicateurs de performance en recoupant les données métiers. Ces indicateurs peuvent être prédéfinis ou paramétrables selon les besoins de l'entreprise et par les utilisateurs «novices» eux-mêmes. Par exemple, en croisant sur une période les chiffres de vente d'un nouveau produit, avec la concurrence selon la zone géographique (UGAs) par la Cégédim, selon les dépôts chez les grossistes. L'analyse statistique des données historisées, qui exécute les outils de Data Mining, (algorithmes complexes ou tris à plusieurs variables). Ces outils servent d'une part à la segmentation des clients par profil type et d'autre part, en fonction de ces catégories et de l'historique des données, ils tentent de modéliser le potentiel de chaque client ou ses leviers. L'objectif opérationnel, à terme, est de pouvoir réaliser des offres ciblées, d'aider le commercial à affiner ses tactiques de vente, de déterminer les scores prévisionnels d'appétence pour une offre spécifique (ou du «churn»), voire même de pondérer automatiquement l'importance de chaque appel téléphonique passé au Call center.En terme de Data Mining, l'erreur majeure serait de penser que la seule base de données, une fois propre et riche d'informations pertinentes, permet de faire apparaître, comme par enchantement, de nouveaux segments de clientèle. Le Data Mining, en Pharma comme ailleurs, c'est de la recherche analytique (ou en Anglais «Business Intelligence»). Recherche et Intelligence traduisent la nécessaire capacité pour les managers d'études de marché à analyser, à structurer les corrélations suggérées par le progiciel analytique. D'où nécessaires nouvelles compétences et nouveaux métiers. Les éditeurs de progiciels spécialistes de Data Mining visent à permettre de nouvelles segmentations des clients. Acteurs majeurs : SPSS (Clementine) et l'ex-Showcase, le Français Pertinence. Data Distilleries, Kxen, Umanis, Isoft (Alice), Angoss, IBM (Intelligence Miner), Oracle, SAS.	[Février 2001]

QUESTION ABRÉGÉE

QUESTION ET RÉPONSE

M.A.J.

Data Mining en Pharma

En quoi les techniques de business intelligence et de Data Mining sont-elles exploitées par le CRM analytique ?

Le CRM analytique est une des applications concrètes de la business intelligence (qui vise un domaine plus vaste encore, y compris l'audit concurrentiel financier, R&D).

Une architecture décisionnelle est construite sur le socle d'un «Data Warehouse» centralisé, alimenté entre autres par les différentes bases de production et lié aux flux de données issus des progiciels du CRM front-office : par exemple les outils de gestion intégrée (ERP) qui fournissent des informations comme les chiffres de vente détaillés, et le système de gestion de la chaîne logistique (SCM) qui comptabilise les délais de livraison, mais en Pharma, ce n'est pas stratégique (sauf en ce qui concerne la vente directe aux pharmaciens).

Trouver une cause à un phénomène, c'est le Data Mining, qui propose de donner une signification analytique (et peut-être opérationnelle) à un ensemble de données.

L'essentiel repose sur les informations qui induisent la prescription du médecin, la recommandation du pharmacien et qui peuvent faire «basculer» un comportement ou un schéma, en complément de la visite médicale qui a ses limites.

Et c'est évidemment cela qui constitue la valeur ajoutée incomparable de la base de données client :

réseaux d'influence, d'amitiés, de formation universitaire, MG/Spécialiste/Leader d'opinion,
appartenance associative, caritative,
schémas de prescription,
comportement type de consommation (bien plus que le profil INSEE !),
captation par la concurrence, etc.

Evidemment, le Data Mining ne concerne pas que les clients médecins de la Pharma : dans le domaine des assurances complémentaires, il a fait l'objet d'applications approfondies sur des populations de malades pour une estimation des coûts par pathologies globaux (pas seulement hospitaliers, en Italie) ou pour l'évaluation du risque santé.

Techniquement parlant, deux types d'analyse sont à distinguer :

L'analyse OLAP (On-Line Analytical Processing), qui produit des indicateurs de performance en recoupant les données métiers. Ces indicateurs peuvent être prédéfinis ou paramétrables selon les besoins de l'entreprise et par les utilisateurs «novices» eux-mêmes. Par exemple, en croisant sur une période les chiffres de vente d'un nouveau produit, avec la concurrence selon la zone géographique (UGAs) par la Cégédim, selon les dépôts chez les grossistes.
L'analyse statistique des données historisées, qui exécute les outils de Data Mining, (algorithmes complexes ou tris à plusieurs variables). Ces outils servent d'une part à la segmentation des clients par profil type et d'autre part, en fonction de ces catégories et de l'historique des données, ils tentent de modéliser le potentiel de chaque client ou ses leviers.

L'objectif opérationnel, à terme, est de pouvoir réaliser des offres ciblées, d'aider le commercial à affiner ses tactiques de vente, de déterminer les scores prévisionnels d'appétence pour une offre spécifique (ou du «churn»), voire même de pondérer automatiquement l'importance de chaque appel téléphonique passé au Call center.En terme de Data Mining, l'erreur majeure serait de penser que la seule base de données, une fois propre et riche d'informations pertinentes, permet de faire apparaître, comme par enchantement, de nouveaux segments de clientèle. Le Data Mining, en Pharma comme ailleurs, c'est de la recherche analytique (ou en Anglais «Business Intelligence»). Recherche et Intelligence traduisent la nécessaire capacité pour les managers d'études de marché à analyser, à structurer les corrélations suggérées par le progiciel analytique. D'où nécessaires nouvelles compétences et nouveaux métiers.

Les éditeurs de progiciels spécialistes de Data Mining visent à permettre de nouvelles segmentations des clients. Acteurs majeurs : SPSS (Clementine) et l'ex-Showcase, le Français Pertinence. Data Distilleries, Kxen, Umanis, Isoft (Alice), Angoss, IBM (Intelligence Miner), Oracle, SAS.

[Février 2001]