رتبه‌ بندی پزشکان در شرکت دارویی: از دسته‌بندی سنتی تا اولویت‌بندی داده‌محور

شرکت‌های دارویی برای استفاده موثرتر از منابع تیم علمی و بازاریابی، دسته‌بندی پزشکان (HCP Segmentation) را بر اساس ویژگی‌ها، پتانسیل و سابقه تعامل آنها، انجام می‌دهند. اما طبق بررسی IQVIA، حدود ۴۰ درصد پزشکان طی شش ماه، به دلیل تغییر در شرایط و ویژگی‌هایشان، در سگمنت دیگری قرار می‌گیرند؛ در حالی که اغلب شرکت‌های دارویی این دسته‌بندی‌ها را هر ۱۲ تا ۳۶ ماه یک‌بار بازبینی می‌کنند. همین فاصله باعث می‌شود رتبه بندی پزشکان توسط شرکت‌های دارویی، با شرایط و رفتار واقعی آنها همخوانی نداشته باشد.

سگمنتیشن پزشکان چیست و چه کاربردی دارد؟

سگمنتیشن پزشکان فرایند دسته‌بندی پزشکان بر اساس مجموعه‌ای از ویژگی‌ها، پتانسیل و رفتار آنهاست؛ هدف آن، تخصیص هوشمندانه‌تر زمان نماینده علمی و پیام بازاریابی به هر گروه از پزشکان است.

برای مثال، همه پزشکان الزاما ارزش تجاری یا اولویت یکسانی ندارند. یک پزشک ممکن است به دلیل پتانسیل بالای تجویز در گروه اولویت بالا قرار بگیرد، در حالی که پزشک دیگری به دلیل تخصص، موقعیت جغرافیایی، سابقه تعامل یا میزان دسترسی، در گروه متفاوتی قرار گیرد. اما نکته کلیدی اینجاست: سگمنت هر پزشک ثابت نمی‌ماند!

بنابراین، به جای اینکه تمام پزشکان با فرکانس و پیام یکسان مورد ویزیت قرار بگیرند، می‌توان برای هر گروه، استراتژی تعامل متفاوتی تعریف کرد.

تفاوت دسته‌بندی، رتبه‌بندی و اولویت‌بندی پزشکان چیست؟

این سه مفهوم به یکدیگر مرتبط‌اند، اما دقیقا یکسان نیستند:

• دسته‌بندی (Segmentation): تقسیم پزشکان به گروه‌هایی با ویژگی‌ها یا نیازهای مشابه؛ مانند گروه‌های A، B و C است.

• رتبه‌بندی (Ranking): مرتب کردن پزشکان بر اساس یک امتیاز یا معیار مشخص است؛ مثلا از بیشترین تا کمترین پتانسیل.

• اولویت‌بندی (Prioritization): استفاده از نتایج دسته‌بندی و رتبه‌بندی برای تعیین اینکه کدام پزشکان باید در اولویت برنامه ویزیت و تعامل قرار بگیرند.

در عمل، یک شرکت دارویی می‌تواند از هر سه رویکرد در کنار یکدیگر استفاده کند.

چه معیارهایی برای رتبه بندی پزشکان به کار می‌رود؟

رتبه بندی موثر پزشکان معمولا ترکیبی از چند لایه داده است که پایه دسته‌بندی A، B، C پزشکان در بسیاری از CRMهای دارویی می‌باشند:

• پتانسیل تجویز: ارزیابی پتانسیل و عملکرد پزشک بر اساس داده‌های موجود شرکت یا مدل‌های تحلیلی داخلی (از جمله شاخص‌هایی مانند PU و CU یا فرمول‌های اختصاصی هر سازمان)

• تخصص و حوزه درمانی: میزان ارتباط تخصص پزشک با محصول، حوزه درمانی یا اندیکاسیون مورد نظر برای تعیین اولویت و اهمیت ویزیت

• جغرافیا و منطقه ویزیت: داده‌های مکانی پزشک جهت برنامه‌ریزی پوشش منطقه‌ای، تخصیص نمایندگان علمی و طراحی بهینه مسیر ویزیت

• سابقه تعامل و بازخورد: تعداد ویزیت‌ها، بازخوردهای ثبت‌ شده و میزان واکنش یا پاسخ‌گویی پزشک به پیام‌های ارائه‌ شده توسط نماینده برای بازتعریف و ارزیابی مداوم اولویت‌بندی‌ها

سگمنتیشن ایستا در برابر سگمنتیشن پویا

سگمنتیشن ایستا (Static Segmentation) پزشکان را بر اساس اطلاعات یک مقطع زمانی دسته‌بندی می‌کند و این رتبه‌بندی تا بازبینی بعدی ثابت می‌ماند. مشکل این روش، همان چیزی‌ست که اشاره شد: پزشک ممکن است در این فاصله تخصص یا الگوی تجویزش را تغییر دهد، اما منطق رتبه‌بندی شرکت دارویی تغییر نکرده باشد.

در مقابل، سگمنتیشن پویا (Dynamic Segmentation) با بهره‌گیری از داده‌های به‌روز، سگمنت‌ها و اولویت‌ها را به صورت مستمر بازنگری می‌کند. بر اساس گزارش IQVIA در مدل‌های پویا، این به‌روزرسانی لزوما به معنی تغییر رتبه بعد از هر ویزیت نیست، بلکه یعنی معیارها در بازه‌های زمانی مناسب با ورود داده‌های جدید بازتعریف می‌شوند.

میکروسگمنتیشن پزشکان

دسته‌بندی سنتی معمولا پزشکان را در چند گروه کلی (مثل A، B و C) قرار می‌دهد. اما بر اساس گزارش McKinsey، تحلیل داده‌های تجمیعی از پزشکان (شامل مشخصات، سابقه تعامل، محتوا، داده‌های محصول و حتی داده‌های بازار و رقبا) امکان میکروسگمنتیشن پزشکان در سطح هر کانال ارتباطی را فراهم می‌کند. رویکردی دقیق‌تر که به شرکت‌های دارویی کمک می‌کند به جای پرسش ساده «این پزشک A است یا B؟»، سوالات عملیاتی‌تری مطرح کنند؛ از جمله اینکه پزشک برای کدام محصول اولویت بالاتری دارد، چه میزان تعامل با او نیاز است و کدام پیام یا کانال ارتباطی برای او اثربخش‌تر خواهد بود.

نقش بازخورد ویزیت در به‌روزرسانی اطلاعات پزشکان

سگمنتیشن داده‌محور بدون بازخورد میدانی کار نمی‌کند. طبق گزارش IQVIA، ترجیحات کانال و پیام‌های پیشنهادی ممکن است هر هفته بر اساس داده‌های ویزیت تغییر کند‌؛ به همین دلیل ثبت ساختاریافته اطلاعات ویزیت (شامل بازخورد پزشک، پاسخ به پیام بازاریابی، وضعیت تعامل و سایر شاخص‌های کلیدی) اهمیت دارد. اتصال داده‌های ویزیت پزشک، پیام ارائه شده و ویژگی‌های پزشک، یک دید یکپارچه ایجاد کرده و به بازبینی پروفایل و اولویت‌بندی دقیق‌تر پزشکان کمک می‌کند.

چگونه رتبه بندی پزشکان را در نرم‌افزار دارویی پیاده‌سازی کنیم؟

پیاده‌سازی موثر، می‌توان این فرآیند را در سه گام اصلی تعریف کرد:

• ایجاد و یکپارچه‌سازی بانک اطلاعات پزشکان: متمرکزسازی داده‌های پایه، ویژگی‌ها و سابقه تعاملات پزشکان در یک پایگاه داده یکپارچه جهت دسترسی و به‌روزرسانی مداوم

• تعریف معیارها و قواعد سگمنتیشن: تعیین شاخص‌ها بر اساس استراتژی محصول (پتانسیل، تخصص، جغرافیا، سابقه تعامل، شلوغی مطب و سایر KPIها) و پیاده‌سازی آنها در قالب سوالات، گزینه‌ها و قواعد مشخص در نرم‌افزار برای اولویت‌بندی

• بازبینی و به‌روزرسانی مستمر: ارزیابی مداوم امتیازها و سگمنت‌ها با ورود داده‌های جدید ویزیت، تا داده‌های میدانی از یک گزارش ساده به ورودی تصمیم‌گیری برای فروش و بازاریابی تبدیل شوند.

جمع‌بندی

رتبه‌بندی پزشکان زمانی ارزشمند است که از یک دسته‌بندی ثابت در ابتدای سال، به یک فرآیند داده‌محور و قابل بازبینی تبدیل شود. شرکت‌هایی که این فرآیند را به درستی پیاده می‌کنند، طبق شواهد موجود، هم بهره‌وری تیم علمی و هم رضایت پزشکان را افزایش می‌دهند.

برای شرکت‌های دارویی که به دنبال گذار از سگمنتیشن سنتی به رتبه‌بندی داده‌محور پزشکان هستند، نرم‌افزار مدیریت ویزیت علمی سایه با استفاده از بانک اطلاعات پزشکان، رتبه‌بندی آنها و امکان ثبت دقیق ویزیت پزشک، این فرایند را تسهیل می‌کند.