Di seguito condividiamo un interessante articolo di Karl Goossens, Director of OpenData Strategy di Veeva Europe, nel quale vene affrontato il tema della frammentazione dei dati nelle aziende del settore biofarmaceutico come Bayer.
Queste realtà stanno affrontando le sfide legate alla frammentazione dei dati, puntando su standardizzazione e integrazione per generare insight affidabili, replicabili e strategicamente rilevanti grazie all’Intelligenza Artificiale (AI).
Buona lettura!
Costruire un’infrastruttura dati globale: la chiave per scalare l’AI nel settore biofarmaceutico
L’AI sta rivoluzionando il settore biofarmaceutico anche dal punto di vista commerciale, aiutando le aziende a prendere decisioni più rapide e consapevoli. Tuttavia, quasi il 70% degli utenti più esperti in ambito AI generativa indica la scarsa qualità dei dati come il principale ostacolo per sbloccarne il potenziale. Con la crescente diffusione delle applicazioni di AI, il vero vantaggio competitivo risiede proprio nella qualità dei dati che le alimentano.
Per sfruttare appieno le potenzialità dell’AI, le organizzazioni leader del settore biofarmaceutico stanno costruendo una base dati solida, scalabile e perfettamente connessa tra mercati, funzioni e aree terapeutiche. Senza queste solide fondamenta, i progetti di AI rischiano di restare esperimenti isolati. Chi invece investe in dati standardizzati e ben integrati può liberare tutto il potere dell’AI, ottenere un vantaggio competitivo e garantire risultati duraturi.
Coerenza e connettività dei dati: le fondamenta dell’AI
I team commerciali del settore biofarmaceutico sono in una posizione privilegiata per sfruttare questa incredibile tecnologia, grazie alla grande quantità di dati che raccolgono: clienti, vendite, interazioni mediche e attività sui social media. Il passo successivo è armonizzare questi dati, farli cioè “parlare la stessa lingua”, per generare insight affidabili e replicabili.
Pensiamo a uno scenario tipico: in un sistema un medico è registrato come “John Smith”, in un altro come “J. Smith”. Oppure in un database si parla di “cardiologia” e in un altro di “medicina del cuore”. L’AI potrebbe non riconoscere che si tratta della stessa persona o area terapeutica, generando errori, duplicazioni e analisi poco attendibili. Queste discrepanze nascono spesso da fonti di dati diverse che non comunicano tra loro, creando attriti che ostacolano il pieno potenziale di questa tecnologia.
Oppure pensiamo al caso di un’azienda del settore biofarmaceutico con un database di professionisti sanitari che contiene oltre 25.000 classificazioni diverse di specializzazione medica, rendendo di fatto impossibili analisi efficaci con l’AI. Il problema è stato risolto adottando standard globali, che hanno migliorato sensibilmente la precisione e la scalabilità degli insight.
Anche se l’AI sta diventando sempre più abile nel gestire queste incoerenze, il suo successo resta strettamente legato alla qualità delle informazioni su cui si basa. Questo è particolarmente vero nel settore commerciale biofarmaceutico, dove i dati sono spesso frammentati, eterogenei e incompleti, limitando fortemente la capacità dell’AI di generare insight realmente utili e affidabili.
Il percorso di Bayer AG verso dati standardizzati e pronti per l’AI
Per risolvere i problemi legati alla coerenza dei dati serve quindi un approccio condiviso a livello aziendale. Alcune aziende del settore biofarmaceutico stanno già facendo grandi passi avanti, dando priorità alla standardizzazione dei dati su scala globale per collegare le informazioni e potenziare le advanced analytics.
È il caso di Bayer AG, che aveva bisogno di creare una visione a 360 gradi del cliente per fornire ai propri team sul campo tutte le informazioni necessarie prima di incontrare i professionisti sanitari. Tuttavia, i silos informativi tra i diversi Paesi rendevano difficile ottenere una visione unificata.
Stefan Schmidt, Group Product Manager di Bayer AG, ha gestito le operazioni per armonizzare i dati dell’azienda. Schmidt sapeva bene che, senza una base dati centralizzata e accurata, gli insight generati dall’AI non sarebbero stati affidabili.
“I nostri dati erano decisamente frammentati: ogni Paese utilizzava fonti diverse. Per avere una visione completa, serviva un sistema unico e condiviso”, spiega Stefan Schmidt.
Armonizzando i dati tra Paesi e funzioni, Bayer ha eliminato le incoerenze migliorando l’accesso stesso alle informazioni. Così facendo, l’azienda ha integrato le diverse principali data source – CRM, storico delle interazioni e profili cliente – in una piattaforma unica e intuitiva per i team di vendita.
“In poche settimane abbiamo sviluppato una soluzione che i nostri team hanno davvero apprezzato”, racconta Stefam Schmidt. “Con un’unica source of truth, Bayer AG può generare insight AI affidabili e scalabili in tutta l’organizzazione”.
Come i responsabili di vendita possono scalare l’AI
Bayer AG dimostra la potenza di una base dati standardizzata a livello globale e quanto sia fondamentale farne una priorità strategica per amplificare l’impatto dell’AI. Oggi i responsabili di vendita del settore biofarmaceutico devono quindi affrontare tre sfide fondamentali:
- Business: passare dai progetti pilota di AI isolati all’esecuzione su larga scala
Una strategia AI chiara e allineata agli obiettivi di business è il miglior indicatore di successo. Molte aziende del settore biofarmaceutico avviano progetti pilota locali senza considerarne la scalabilità, sviluppando soluzioni specifiche per ogni Paese basate solo sui dati locali. Questo impedisce di collegare le informazioni tra paesi limitando l’efficacia dell’AI a livello globale.
Per scalare l’AI in modo efficace, i leader dovrebbero:
- Allineare le iniziative AI agli obiettivi aziendali a lungo termine, concentrandosi su opportunità ad alto impatto e non su esperimenti a breve termine.
- Collaborare tra funzioni – dati, analytics, digitale e IT – per definire una roadmap AI scalabile, con risorse, tempistiche e investimenti ben delineati.
- Istituire strutture di governance che facilitino l’adozione dell’AI a livello aziendale, garantendo coerenza e coordinamento tra le regioni.
- Dati e analytics: definire standard globali
Una volta definita la strategia, i team dati e analytics devono assicurare l’accesso a dati di alta qualità, standardizzati e connessi su scala globale. Utilizzare dati frammentati che variano di Paese in Paese rende molto difficile implementare soluzioni comuni in diversi mercati.
Per superare questa sfida, le organizzazioni del settore biofarmaceutico dovrebbero:
- Standardizzare le strutture dati globalmente, in modo che i modelli AI addestrati in una regione siano facilmente applicabili anche altrove.
- Investire in asset di dati connessi, che integrino informazioni su clienti, vendite e interazioni da tutta l’organizzazione.
- Migliorare costantemente la qualità dei dati, così da garantire modelli AI precisi e realmente utili per il processo decisionale aziendale.
- Digitale e IT: ridurre la complessità dell’integrazione
I team IT giocano un ruolo fondamentale per rendere l’AI scalabile nel settore biofarmaceutico, riducendo la data friction, eliminando le integrazioni costose e abbattendo i silos.
Per supportare le iniziative AI, i team IT dovrebbero:
- Allineare i modelli dati tra i sistemi per evitare mappature complesse e integrazioni duplicate.
- Individuare inefficienze nei processi, come gli accordi di accesso con terze parti (TPA), che rallentano i flussi di dati e generano carichi amministrativi superflui.
- Implementare framework di governance dei dati scalabili, che semplifichino la diffusione dell’AI in più mercati.
I dati definiscono possibilità e futuro dell’AI
L’adozione dell’AI in ambito commerciale nel settore biofarmaceutico è in rapida crescita, aumentando la necessità di disporre di dati di alta qualità e ben connessi per offrire esperienze più personalizzate. È fondamentale affrontare la standardizzazione dei dati con la stessa urgenza con cui si definisce la strategia e l’infrastruttura per l’AI.
In fondo, la vera domanda non è “come posso usare l’AI?”, ma “come posso far funzionare i miei dati per l’AI?”.
di Karl Goossens, Director, OpenData Strategy, Veeva Europe