精准营销这个在电商领域已经司空见惯的手段，在药物行业，特别是处方药领域才刚刚开始探索。11月23日，清数大数据产业联盟与清华校友总会AI大数据专委会（筹）共同主办的药物大数据行业思享会上，惠每医疗CEO刘丁分享了精准营销在药物行业应用的探索。本期思享会获得北京昌平科技园发展有限公司与中关村昌科生命健康产业联盟的大力支持，在昌平区北大医疗产业园举办，来自医药企业、保险公司、医院药剂科等相关领域20余位业内人士参与交流和讨论。
大数据在药物行业能够有什么应用？处方药能不能做精准营销？制药商如何利用数据管理到病人服药的依从性？我们对本次分享的精彩内容进行了整理，在不改变原意的前提下有删改：
此次分享只是医疗健康数据里面非常小的一个片断--制药企业大数据的应用，涉及到患者和零售等方面内容。
从制药行业市场数据上看，不管是在中国还是全球医药市场已经进入增速放缓的阶段。十几年前，中国的医药市场真是一个黄金年代，每一家制药企业在中国的增长率都是两位数，外资药企20、30%也不奇怪。但是现在中国医药市场平均增长率已经降到了8%，比GDP稍微高一点。如果我们按照国家划分一下，虽然整个成熟市场增速在往下走，美国还是高于全球平均水平，新兴市场国家中，巴西、印度、土耳其增速差不多到了两位数，金砖四国里中国不如巴西、印度，中国已经掉到一位数。但是中国整个药物市场的规模很大，基本上是每年的规模是1万多亿，任何一个不管是做技术的还是做数据的都不能忽视的市场。
“大数据在药物行业能够有什么应用？”
回到我们的大数据正题，大数据在药物行业的应用大体可以分成以下几点。
首先是药物经济学。刚才介绍的时候看到不少保险领域的嘉宾，保险其实就是药物经济学数据分析方法的一个应用方向。什么叫做药物经济学？举个例子，刚才提到了保险，比如深圳，如果我们拿到了深圳的医保数据还有病人进院看病的数据，用这些数据能做什么事情呢？比如建议深圳市*怎样调整医保政策，使医保支出总量降低多少，以及采取哪些卫生健康措施可以提高市民健康水平，从而减少他们的就诊率百分之多少、减少医药支出百分之多少等等。所有这些根据数据能够给出的跟经济、跟支出相关的我们叫做药物经济学。
第二点是安全性与有效性。刚才也有朋友提到跟美国药企合作做不良反应的监测，这也是一种大数据的应用。因为不良反应监测是所有制药企业都要去采集的，临床实验只是实验阶段，上市以后还要继续监测这个药品的使用有什么新的副作用等等，药企都有责任收集这些信息。这些不良反应的收集，传统上我们想到去医院采集，患者有什么不良反应告诉医生，医生告诉药厂，在新技术的帮助下我们有很多大数据的方式来采集，比如通过一些社交媒体进行监测。举个例子，2016年杨森针对一种艾滋病药物做过一个项目，花了半年多时间监测艾滋病患者治疗方面的一些信息。比如国家有些政策对于艾滋病的免费治疗资助患者是不是知道呢，比如说患者有了病以后愿不愿意去医院就诊，还是比较害怕别人知道不去看病等等，有各种各样的疗法，患者比较愿意采用哪一种，比如说市面上有几种公司出HIV的药物，患者对哪一个公司的药物反响比较好呢，比如说有没有患者，医生让他吃A药，一段时间后患者却换成B药，如果是的话是什么原因呢，他觉得B更便宜并且疗效好还是因为A药的副作为比较大他受不了了，这种从一种药切换到另外一种药的分析。所有这些分析基本上都是在这个领域内。
第三块是临床决策支撑。医生给病人看病不是随意行为，有一套相对标准的临床指南流程。通过大数据分析可以了解临床指南有没有改进的余地，以及治疗方案的推荐等，这就是一种临床决策支撑。传统上的药物研发和临床试验都是提前设计好的，如果一期临床试验要入组500个病人，这500个病人什么样的找100个，另外什么样的再找100个，都是设计好的。真实世界证据不是设计好的，是从真实世界找这些病人做分析研究的。此外，药企研发一个药物平均花费10亿美金以上，其中相当大一部分是花在临床试验上面的，从数据来上看30%的医院最终临床试验里的患者招募是没有达到药物实验的标准的，换句话说药企的临床试验有30%的投入是被浪费了，通过大数据的方法怎样更好地促进临床实验，帮助省下30%的钱，临床试验的时候选哪些医院，优化患者招募的过程等。
第四块就是营销。药物通过了临床试验可以上市，在医药销售过程中怎么应用大数据，这是今天重点想要分享的内容。具体包括哪些方面呢？首先是患者病旅过程分析，还举刚才的例子，HIV的患者一般来说会经历一个过程，开始得知患病时是很恐慌的，然后会去医院检查就诊，确诊以后是非常悲观恐惧的，然后又慢慢开始有了一些求生的欲望，开始了解应该怎么去治疗，到最后慢慢适应持续吃药，接受这种情况后树起生活的信念。患者在这整个过程中是怎么样变化的，不同的病有不同的旅程，只有了解的每一种疾病每一个患者的旅程，才能有针对性地更好地设计药物和治疗方案。其次是患者的依从性分析，例如医生开了三个月的药，结果患者吃了两个月就不吃了，特别是慢性病，类似情况很常见，这就是依从性问题。怎么样通过大数据预测患者的依从性，这对制药企业是很有实际意义的。第三个是刚才提到的药物切换分析，患者可能从一种药换成另外一种药。还有，关于药品分销优化，当药企要去卖一个药品时，中国有240万个医生，这个药品要卖给什么样的医生，是一线城市的主治医生还是三四线的小医生，怎么样把这些医生分级，怎么卖给大医生，给小医生怎么介绍等。这部分还涉及还有很多内容，比如ROI分析等，制药企业推广一个药物每年花上千万、上亿的推广费，ROI到底怎样。
“外资药企有几个“神”平时要拜一拜”
在药物行业使用的一些技术手段，基本上跟其他行业也差不多，当我们要做预测性分析的时候，要用到多元回归模型、文本挖掘、自然语言处理、药物经济学、时间序列等方法。可能不同的是，在金融、快消品等行业这些模型都是最基本的，但是在制药行业这些都是最前沿的。当然这并不是说制药行业比其他行业落后，而是制药行业有各种各样的限制，如制药行业有很严格的合规性控制，不能直接接触患者，接触医生的时候也是有的可以说有的不能说，说到大数据挖掘，有的数据是不能管理，不能在公司的服务器里存储，如果存了就碰到了底线，国家一定会给予相应惩罚。
再说一个玩笑话，我们经常说药企特别是外资药企有几个“神（tion）”平时要拜一拜，一个神是Promotion，因为药企要做销售一定要做Promotion（促销）。第二个神是Education，因为药企不能做带金销售，要做的所有工作就是去教育医生、患者。还有一个管着药企的神就是Innovation，所有的药企现在都说要创新。还有一个神就是Regulation，国家政策法规的监管。所有这几个神都是套在制药企业头上的紧箍咒，不能放松。后面结合几个案例分享过去几年里制药企业做过的跟数据相关的比较有意思的案例，可能在其他行业看来相对一般，但是在制药企业里面都是相对比较前沿的。
处方药能不能做精准营销呢？
在医疗行业里面提到精准这个词一般会想到两个应用，一个是精准医疗一个是精准营销。精准医疗就是根据患者疾病有针对性地给出治疗方案。精准营销是从快消行业来的一个术语，就是这个人想买什么就给他打什么广告，例如在天猫、京东上，之前买过什么或者搜索过什么，马上旁边边栏就是相关的广告。这在快消里面很容易做，但是在医药市场里就很难做。
处方药能不能做精准营销呢？处方药不能直接给患者做广告，它只能跟医生讲解，而且不能在公共媒体上做广告，只能跟医生通过网站、微信、面对面的方式传达药物信息。处方药能不能给医生做精准营销呢？我们给外资药企做过两个案例，针对医生、护士、主治医生、县级的小医生，通过不同的渠道给不同的医生推不同的内容。给主治主任医生推最新的国际临床研究、临床数据，给基层的医生推基本的临床指南等等，不同的人根据需求推不同的东西就是药物行业的精准营销。
怎么做精准营销呢？一定要有医生的画像，这个画像包括了他的疾病认知、处方观念，主治主任对疾病的认知一定会比基层社区的认知高出许多。我们做精准营销就是要给每个医生画像，做一套针对医生的标签系统，在一个外资药企的项目上给医生定义了150多个标签，并最终给每个医生都打上了相应的标签，比如有的医生是爱参会型，有的医生是学术型等等。给每一个医生打了标签以后，就可以进行某种程度上精准营销了。
怎么给医生打标签呢？第一步，明确应该怎么描述医生，比如他是学术型的或者爱开会的，我们建立150多个标签的系统就是为了完整描述医生，在建立这个描述体系的过程中，我们跟很多专家、KOL交流一块工作才定义出这样一套标签库。第二步，给不同的医生赋予不同的标签，150多个标签中，这个医生应该贴那几个标签，那个医生应该贴哪几个。这就涉及到了预测模型，开始我们先针对四五百个种子医生，访谈收集他们的病例、网上的信息，然后建立一个机器学习的预测模型，有了预测模型之后，针对任意一个医生，哪怕他不能提供完整的信息，至少通过这个模型都可以给他贴上一些标签，并且给出每个标签的准确度。如果他所有的信息都有，这个标签的准确度是很高的，95%以上的。如果什么信息业没有，拿不到他的电子病历，只有在网上找到他的痕迹，他的发言等等，可能准确率就低一些，60%多。我们做的这个项目，这个企业在中国有十几万目标医生，平均准确率在70%左右，已经不错了。第三步，有了这些标签以后怎么样应用到业务场景里面，根据这个医生的标签，可以医药代表们再去见医生的时候有针对性地跟他聊他感兴趣的内容。如果医生的疾病等级很高很高，你就不要拿几年前的临床数据给人家看，人家都是直接看真正柳叶刀、新英格兰医学杂志的，你拿那些东西给他看自讨没趣。如果他是喜欢在社交媒体上发言的，你应该邀请他到什么网络大会上发言等等，就是根据他的标签有针对性地做。这是我从项目里抓了几张图，右上角是一个Clustering（聚类），传统上制药企业都会对全国的几十万医生分级，但那个纯粹是人来做的，不准确，我们通过这种机器学习自动建模的方式做医生的分级，这种分级换个词就叫Clustering（聚类），这种方法可以将中国几十万个目标医生，分成这一二三四五类，每一类里面有多少医生，为什么要这样来分，第一类有什么共同的特点，都可以是机器学习来实现。
原文发布时间为：2017-11-26