پروژه دانشجویی مقاله ترجمه شده پویایی بازار داروسازی و برنامه ریزی استراتژیکی: یک دیدگاه پویایی نظام تحت word دارای 42 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد پروژه دانشجویی مقاله ترجمه شده پویایی بازار داروسازی و برنامه ریزی استراتژیکی: یک دیدگاه پویایی نظام تحت word کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.
این پروژه توسط مرکز مرکز پروژه های دانشجویی آماده و تنظیم شده است
توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی پروژه دانشجویی مقاله ترجمه شده پویایی بازار داروسازی و برنامه ریزی استراتژیکی: یک دیدگاه پویایی نظام تحت word ،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن پروژه دانشجویی مقاله ترجمه شده پویایی بازار داروسازی و برنامه ریزی استراتژیکی: یک دیدگاه پویایی نظام تحت word :
پروژه دانشجویی مقاله ترجمه شده پویایی بازار داروسازی و برنامه ریزی استراتژیکی: یک دیدگاه پویایی نظام تحت word
مارک پیچ، کوری پک، و جیسون والنت
چکیده
فشارهای رقابتی شرکت های داروسازی را واداشته اند که طرح های استراتژیکی محصول-محور موثرتری را طراحی کنند، که از مدلهای ذهنی در مورد بیماریهای فردی و نقش تصمیم گیرندگان مختلف در آنها گرفته شده اند. این صنعت با گنجینه ای از داده در سطح بیمار و سطح پزشک رونق گرفته است، اما اغلب مواقع این اطلاعات در توان کامل آن بکار گرفته نمی شود. پویایی نظام یک چارچوب عملیاتی را برای درک و تحلیل این مسئله فراهم می سازد که روابط متقابل پویاییجریان بیمار، تجویز پزشک/رفتار اتخاذ محصول، و ارزیابی راه حل های موجود برای درمان چطور بر رفتار محل فروش تأثیر می گذارد. شرکت های داروسازی توسط ارزیابی واکنش این مدل یکپارچه برای نوآوری های ممکن بازاریابی ، میتوانند طرح های استراتژیکی مقرون به صرفه تری را برای محصولات خود طراحی کنند.
مدلهای مؤثر به مدلهایی اطلاق می شوند که به تصمیم گیری بهتر کمک می کنند و مردم هر روز از این مدلها استفاده میکنند (حتی بدون اینکه از آنها آگاه باشند). آیا شما امروز برای رفتن به سر کار و برای جلوگیری از ترافیک مسیر دیگری را انتخاب کردید؟ مسیر جایگزین شما نتیجه یک شبیه سازی ذهنی بود که پیش بینی کرد که شما با یک استراتژی “راه های فرعی” می توانید سریعتر به محل کار خود برسید. آیا شما تا بحال بچه ای را سرزنش کرده آید؟ اینکار احتمالاً نتیجه یک مدل ذهنی است که اثرات مثبت بلند مدت آن بر روی رفتار آینده بچه را پیش بینی می کند. مسواک زدن، به دانشگاه رفتن، و ورزش همگی اعمالی هستند که با پیش بینی یک نتیجه مطلوب در آینده انجام داده می شوند. با اینکه مدلهای ذهنی بندرت بصورت واضح ارائه یا تحلیل می گردند، اما اغلب مواقع اساس ضمنی در فرآیند های تصمیم گیری ما هستند.
شرایط مربوط به دنیای داروسازی نیز زیاد متفاوت نیست، که استراتژی های بازاریابی بر اساس پیش بینی اثرات آنها بر روی فروش دارو، نفوذ در بازار، کیفیت مشاهده شده و غیره طراحی می گردند. این استراتژی ها اغلب فرآورده و نتیجه همکاری تیم های کارکردی هستند که با مدلهای ذهنی ضمنی و غیرمستقیم کار میکنند. اما انتقال مفهوم مدلهای ذهنی مشکل است، تحلیل یا تعیین کمیت آنها غیرممکن است، و ارزیابی آنها کار دشواری است. همچنین، آنها اغلب منجر به تصمیمات غیر مطلوبی می گردند وقتی که در طراحی استراتژی و برنامه ریزی علامت تجاری در صنعت داروسازی بکار برده می شوند، که حداکثر منفعت از مواد شیمیایی جدید (NCE) اهمیت بیشتری دارد.
مدلهای پویایی نظام نشاندهنده راه جایگزینی برای تفسیر مدلهای ذهنی از حالت ضمنی به حالت آشکار هستند، که امکان بررسی و تحلیل یک سری سوالات تجاری خاص را فراهم می سازند. بسیاری از مشتریان داروسازی ما خود را در مقابل سوالاتی مانند زیر می بینند:
ما چطور میتوانیم طرح علامت تجاری مؤثرتری را طراحی کنیم؟
– آیا ما باید بازار خود را توسعه دهیم، سهم رقبای خود را تسخیر کنیم، و یا بازارهای جدیدی ایجاد کنیم؟
– کداو بخش های کلیدی بازار برای موفقیت NCE مهم هستند؟
ما چطور می توانیم از گنجینه داده ها و دانش سازمانی در مورد نشانه های بیماری، رفتار بیم
– کدام فرضیه های کلیدی بر مسیر فروش های پیش بینی شده NCEتأثیر می گذارند؟
ما چطور میتوانیم یک ابزار یکپارچه برای مرتبط سازی نتایج استراتژی های پیشنهاد شده بر تاثیرگذاری بر روی ارزیابی تجاری NCE طراحی کنیم؟
– آیا راهی برای ارزیابی این مسئله وجود دارد که تلاشهای بازاریابی احتمالی بر روی بازارهای بیماری تأثیر می گذارند؟
هر کدام از این سوالات منجر به درک عملیاتی بهتری از فرآیند های اساسی تأثیرگذار بر ارزیابی پیش بینی شده یک بازار علائم می گردند. مدلهای پویایی نظام از روابط آماری یا الگوریتم های رگرسیون برای بررسی فرآیند های اساسی و روابطی فراتر می روند که نتایج آینده را
تعریف میکنند (رابطه بین ساختار یک نظام و رفتار برآیند آن). درک این روابط پویای کلیدی برای تصمیم گیری استراتژیکی مؤثر و تخصیص منابع در صنعت داروسازی و صنایع دیگر ضروری است.
درک ساختار یک بازار علائم به تصمیم گیرندگان اجازه میدهد تا سری استراتژی های موثرتر و بهتری را برای اعمال کردن در آن تنظیم کنند. دانستن مسیرهای درک ترکیبات منتشر شده قبلی در داده های علائم یا داده های مجزا شده بر روی همه گیرشناسی، الگوهای درمان، نگرش های پزشک، و محصولات رقابتی کافی نیست. بلکه، یک راهکار یکپارچه که اثرات این عوامل عملیاتی را ترکیب میکند که نه تنها میتواند مسیرهای فروش را برای قیاس محصولات توضیح دهد، بلکه میتواند ابزاری برای تعیین کمیت چنین سوالات پویای کلیدی مانند زیر را فراهم سازد:
شیوه درمان چند بیمار تغییر یافته است؟
آنها کدام داروهای قبلی را تغییر داده اند و کدام داروهای جدید را اکنون مورد استفاده قرار میدهند؟
جمعیت شناسی های متغیر بیمار و/یا همه گیرشناسی چقدر احتمال دارد که بر پویایی کلیدی بیمار تأثیر بگذارد؟
پزشکان با چه سرعتی مراحل پذیرش یک ترکیب جدید را پشت سر می گذارند؟
اهرم های بازاریابی چطور بر سرعت رخداد انتشار تأثیر می گذارند؟
ارزیابی های درمان های جاری و آینده چطور بر رفتار کلی بازار تأثیر می گذارند؟
پاسخ دادن به سوالاتی مانند اینها به درک واضحی از پویایی محل فروش و الگوی رفتار/ساختار بستگی دارد (ارتباطاتی که فراگیر هستند اما اغلب در در صنعت داروسازی مورد بررسی قرار نمی گیرند). ما برای بررسی این سوالات، یک چارچوب مبنا (اما قابل توسعه) را ایجاد کرده ایم که جنبه های پویایی جریان بیمار، استفاده از محصولات دارویی توسط پزشک، و تقاضاهای درمان مشاهده شده گزینه های موجود درمان در یک بازار بیماری را ترکیب میکند، همانطور که در شکل 1 نیز نشان داده شده است.
شکل 1- سه مؤلفه چارچوب یکپارچه برای بازارهای داروسازی
این مؤلفه ها با داده هایی از همه گیرشناسی و تنوع وسیعی از پایگاه داده های پزشک و بیمار اشغال می شوند تا از ارائه قوی پویایی یک بازار واقعی اطمینان حاصل کنند. ادغام این سه قسمت ساختاری به شکل یک مدل شبیه سازی تعیین میکند که بیماران چه داروهایی را دریافت میکنند، چه مدت زمانی تحت درمان باقی می مانند، چطور درمان های مختلف برای آنها اتخاذ می گردد، دکترها با چه سرعتی ترکیبات منتشر شده جدید، و ارزیابی درمان های موجود در محل های فروش را می پذیرند. بکارگیری این دانش در یک محیط شبیه سازی عملیاتی ابزاری را برای شرکت های داروسازی برای آزمایش اثرات نوآوری های استراتژیکی مختلف فراهم می سازد.
جریان بیمار
از یک دیدگاه تجاری، اصول عملیاتی برای محصولات دارویی بیماران را وا می دارد که استفاده از یک درمان دارویی خاص را امتحان کنند و آنرا ادامه دهند. شرکت های داروسازی اغلب داده های مربوط به تعداد نسخه های نوشته شده و/یا پر شده را بدست می آورند، چون نسخه ها را میتوان بصورت یک برآورد درآمدی برای یک داروی خاص در یک نشانه معین ترجمه کرد. ارزیابی های تجاری اولیه NCE ها اغلب از تحلیل آماری برای ایجاد نمایش های تعداد نسخه ها در یک بازار علائم در زمان استفاده میکنند. البته تقریباً اغلب مواقع روشهای پیش بینی به عوامل اساسی نمی پردازند که تعیین میکنند که نسخه ها چطور در بازار ایجاد می گردند. از یک دیدگاه عملیاتی یا سببی، بیماران نسخه ها را زمانی ایجاد می کنند که:
درمان نسخه را برای اولین بار آغاز کنند؛
شیوه درمان خود را تغییر دهند؛
پس از اینکه برای مدت زمان معینی درمان نشدند به درمان باز گردند
؛
نسخه های موجود خود را بصورت دوره های دوباره پر کنند.
این فرصت های درمان نشاندهنده جریان بیماران در یک نشانه مشخص در دوره خاصی از زمان هستند. گفته مشهوری وجود دارد که می گوید تحصیل کردن در MIT مانند تلاش برای نوشیدن یک جرعه آب از لوله آب آتش نشانی است. همین اصول در محتوای داروسازی نیز صادق است، اما مربوط به جریان بیمارانی است که در محل فروش و تعدادی از بیماران اسیر شده توسط ترکیبات فردی حرکت میکنند. از لحاظ عملیاتی، حجم جریان بیماران و اختصاص آنها بین گزینه های مختلف موجود برای درمان در یک بازار اساساً تعیین میکند که حجم و سهام وابسته بیماران/نسخه ها/درآمدها با گذشت زمان تغییر میکند. از یک دیدگاه استراتژیکی، سوالات تیم های برنامه ریزی علامت تجاری به این صورت در می آید: “جریانهای مربوطه بیمار تا چه اندازه ای بزرگ است، حجم این جریان ها چطور تحت تأثیر قرار می گیرد، هر گزینه موجود برای درمان چه تعداد بیمار اختصاص داده می شود، و تعادل هزینه/منافع برای استراتژی هایی که ممکن است بر روی هر یک از پویایی ها تأثیر بگذارند چطور خواهد بود؟”
ما برای بدست آوردن این پویایی ها یک چارچوب سهم/جریان را بیان کرده ایم (شکل 2) که همه گیرشناسی، گزینه های موجود برای درمان، و متریک های ثبات/پذیرش برای ارزیابی و تحلیل رفتار بیمار در بازارهای علائم فردی را با هم ترکیب میکند. بیماریهایی که به شکل این چارچوب بصورت یکپارچه در می آیند معمولاً دارای بیماری مزمن هستند (بیماریهای طولانی بدون علاج، که فقط داروهای موقتی برای آنها وجود دارد)، گزینه های موجود درمان داروسازی را تعریف کرده اند (داده های مربوط به این مسئله که بیماران چه نوع درمانی را دریافت میکنند موجود است)، و میزان بالایی از تکان های بیمار را نشان میدهند (بیماران اغلب درمان را ادامه نمی دهند، آنرا مجدداً آغاز میکنند، و/یا درمان خود را در دوران معالجه تغییر میدهند).
شکل 2- محاسبه درآمد های بازار با استفاده از ساختار جریان مبنای بیمار
همه گیرشناسی
گزارشات همه گیرشناسی اغلب بر مفاهیم شیوع و میزان بروز بیماری متمرکز هستند. در زبان موجودی/
جریان پویایی نظام، گزینه اول نشاندهنده اینست که چه زمانی بیماران در یک نقطه منفرد در زمان واقع هستند، و بنابراین شیوه یک مفهوم از موجودی است. شیوع اغلب بصورت درصدی از جمعیتی بیان می گردد که یک بیماری خاص را در نقطه معینی از زمان دارند، و یا بصورت عدد مطلقی از افراد با این شرایط بیان می گردد.
مفهوم شیوه نقطه ای را میتوان مطابق با میزان تشخیص رایج تقسیم بندی کرد، که بیماران را بصورت شناسایی شده و شناسایی نشده تقسیم بندی می کند. نمایش های همه گیرشناسی بیماری از لحاظ روش شناسی متفاوت است، بنابراین ممکن است برای درک تفاوت های پیش بینی های همه گیرشناسی به یک مثلث بندی نیاز داشته باشیم. بعضی از تحقیقات منتشر شده از تحلیل جریان پیچیده برای نشان دادن تغییرات در قسمت های جمعیت شناسی مانند سن، نژاد، و جنسیت استفاده میکنند، که میزان شیوع های مختص به یک قسمت برای پیش بینی یکپارچه شیوع بیماری اعمال می گردند.
یک مزیت متمایز مدل پویایی نظام، یکپارچگی پیش بینی ها با یک چارچوب موجودی/جریان است، که وقتی که با اطلاعات میزان مرگ و میز ترکیب می گردد این امکان را فراهم می سازد که بتوانیم جریان همه گیرشناسی وابسته را توسط تکمیل کردن تصویر مبنای همه گیرشناسی تعیین کنیم.
از لحاظ تعریفی، جریان ورودی موجودی جمعیت شایع، همان شیوع درست (تعداد بیمارانی که در دوره معینی از زمان – که معمولاً یک سال است – به یک بیماری خاص م
بتلا می گردند) است. بیماران معمولاً بصورت فیزیولوژیکی به یک بیماری مزمن مبتلا می گردند قبل از اینکه تشخیص داده شود، بنابراین شیوع درست، جریان ورودی موجودی بیماران شناسایی نشده است. در نتیجه پس از دوره معینی از زمان دو اتفاق می تواند برای این بیماران بیافتد. یکی اینکه آنها ممکن است قبل از تشخیص داده شدن بمیرند، همانطور که توسط جریان خروجی مرگ های ناشی از عدم شناسایی نشان داده میشود. و یا اینکه، ممکن است بیماری آنها تشخیص داده شود و از طریق جریانی با نام شیوع شناسایی شده، وارد موجودی بیماران شناسایی شده شوند. در بیماری های مزمن، یک بیمار شناسایی شده تا آخر عمر دارای پرچم قرمز خواهد بود (بعنوان مثال در مورد اگر بیماری دیابت داشته باشند، تا آخر عمر دیابتی خواهند بود). بدون احتمال بهبود درست از بیماری، متأسفانه تنها راه برای خارج شده از موجودی بیماران شناسایی شده، مردن و خروج از
نظام از طریق مرگ های ناشی از جریان خروجی شناسایی شده است.
اگرچه پیش بینی های شیوع بیماری بندرت شامل برآورد های شیوع بیماری می باشد، با اینحال این جریان های خیلی مهم را میتوان با داده های مرگ و میر مختص به بیماری به آسانی بصورت معکوس محاسبه کرد. حسابداری عملیاتی راهکار پویایی نظام بدین معناست که اگر یک موجودی (مانند بیماران شناسایی شده) نسبت به مقدار پیش بینی شده 20,000 افزایش داشته باشد، جریان ورودی تراکمی (شیوع شناسایی شده) باید از جریان خروجی تراکمی (مرگ های ناشی از شناسایی) تا 20,000 بیشتر از قالب زمانی تجاوز کرده باشد. این محاسبات شیوع حتی برای یک مدل جریان مبنای بیمار، اغلب یک خروجی دقیق هستند.
پذیرش و پایداری
پذیرش و پایداری، اصطلاحات پرکاربردی در صنعت داروسازی هستند، که بعضی اوقات بجای هم و اغلب نیز بصورت ناسازگار بکار برده می شوند. بطور کلی، این واژه ها به معنای “انحرافاتی” هستند که در هنگام تلاش برای ترجمه همه گیرشناسی بصورت دلارهای درآمد رخ میدهند. البته یک تمایز روانشناختی و پویایی مهم بین پذیرش و پایداری وجود دارد که تحلیل های ایستا اغلب آنرا نادیده می گیرند.
ساختار موجودی/جریان به تعاریف دقیقی بستگی دارد و ابهام مربوط به یک اصطلاح پکپارچه پذیرش/پایداری نیازمند توضیح است. پذیرش یک سنجش مداوم از حجم درمان است که یک بیمار درمان شده در واقع از آن در مقابل مقدار تجویز شده استفاده میکند. بعنوان مثال، یک بیمار دیابتی که هر 10 روز 5 قرص از یک داروی تجویز شده را بعنوان یک درمان “یک قرص در هر روز” می خورد، دارای میزان پذیرش 50 درصدی است. میزان پذیرش 50 درصدی، درآمد های دارویی پیش بینی شده را به نصف می رساند، چون مقدار داروهای تجویز شده برای یک ماه در 60 روز مصرف می شوند. بعبارت دیگر، پذیرش مربوط به بیماران درمان شده ای است که هنوز ایجاد درآمد می کنند (اگرچه با میزان کمتر) و میزان پذیرش درست را می توان از تحلیل پایگاه داده های بیماران طولی تعیین کرد.
واژه پایداری نشاندهنده میانگین زمانی است که یک بیمار استفاده از یک داروی خاص را ادامه می دهد، و شامل دو پویایی متفاوت است: تغییر دارو و یا عدم ادامه کلی درمان. در مورد گزینه دوم، مدل مفهومی از بیماران غیر پایدار (یا غیر مزمن) را معرفی میکند: بیمارانی که دیگر هیچ شکل دیگری از داروی تجویز شده را استفاده نمی کنند.
پویایی مربوط به بیماران غیرپایدار در بسیاری از علائم مزمن مهم است و بسیاری از شرکت ها بر عدم ادامه درمان بیماران متمرکز هستند. البته جریان نامگذاری شده با نام “آغاز مجدد درمان” اغلب نادیده گرفته می شود اما از لحاظ پویایی اهمیت زیادی دارد. اگر همه بیماران درمان خود را ادامه ندهند، موجودی بیماران غیرپایدار با گذشت زمان افزایش می یابد. در حقیقت، برای اینکه توزیع سهام با گذشت زمان پیوسته ثابت باشد (موقعیتی با نام حالت پایدار)، حجم جریان های “عدم ادامه درمان” و “آغاز مجدد درمان” باید با هم برابر باشند. جریان عدم ادامه درمان با توجه به میزان نسبی تغییر درمان در مقابل عدم ادامه درمان، اغلب نشاندهنده فرصت بزرگی برای تسخیر بیماران است، وقتی که آنها به درمان خود باز می گردند.
از لحاظ تعریفی، پذیرش درست باید فقط برای موجودی بیماران درمان شده جاری اعمال گردد، چون ساختار پویا بطور واضح مسئول بیماران غیرپایدار بوده است که هیچ دارویی مصرف نمی کنند. اکنون متغیرهای کمکی و رابط ها را میتوان با نمودار موجودی/جریان ترکیب کرد. متغیرهای کمکی مربوط به میانگین هزینه سالیانه درمان و متریک پذیرش درست، امکان محاسبه آسان درآمد های بازار را فراهم می سازند. البته بیاد داشته باشید که مدل شبیه سازی محدود به میانگین های سالیانه نیست، و در واقع درآمد ها را بصورت ماهیانه (و یا حتی هفتگی) بر اساس پویایی نظام محاسبه می کند.
تعیین تفاوت های عملیاتی بین پذیرش بیمار در مقابل پایداری درمان اغلب به شناسایی اهرم های استراتژیکی کلیدی برای شرکت های داروسازی کمک میکند. در مواردی که بیماران درمان خود را ادامه می دهند اما همه مقدار داروی لازم را مصرف نمی کنند، میتواند نشاندهنده یک استراتژی برنامه پذیرش باشد که برای پیگیری پذیرش بیماران و اجرای برنامه های بازاریابی طراحی شده است که این متریک را افزایش می دهند. برعکس، شناسایی میزان پایداری درست پایین نشاندهنده استراتژی است که برای دور نگه داشتن بیماران از عدم ادامه کلی درمان طراحی شده است.
تقسیم بندی
بخش نهایی این ساختار، جداسازی بیماران درمان شده جاری بصورت طبقات مختلف است (مانند سن، جنسیت، شدت بیماری و نحوه درمان). نرم افزار شبیه سازی جاری میتواند به آسانی این فرآیند تقسیم بندی را در دامنه وسیعی از ابعاد انجام دهد، و گنجینه داده ها در صنعت داروسازی را میتوان برای پشتیبانی از این تلاش ها مورد استفاده قرار داد. البته از یک دیدگاه پویا، جداسازی کلیدی مربوط به شکل های مختلف گزینه های موجود برای درمان است. این گسترش مدل:
بیماران را مطابق با سری تعریف شده ای از گزینه های موجود برای درمان طبقه بندی و پیگری می کند.
مقدار پویایی تغییر درمان را تعیین میکند که اغلب محرک اصلی عملکرد بازار است.
درآمد های دارویی فردی خاص را برای یک علائم خاص پیش بینی میکند.
برای شامل سازی گزینه های موجود برای درمان، سری تعریف شده
ای از درمان های موجود و خط لوله (از جمله ترکیبات ممکن) را باید بیان کرد. ما پی برده ایم که مفهوم یک سری رقابتی انحصاری متقابل و فراگیر جمعی (MECE) واضح ترین و بهترین راه برای طبقه بندی گزینه های درمان را فراهم می سازد. MECE بدین معناست که سری گزینه های درمان بطور کامل طیف گزینه های ممکن درمان را می پوشاند، اما به بیماران اجازه نمی دهد که بصورت همزمان بیش از یک گزینه درمان داشته باشند.
انتخاب های MECE بخاطر تعدادی از دلایل مهم هستند، چون آنها:
چارچوبی را برای جمع آوری و تحلیل داده های پایدار فراهم می سازد.
از دو بار محاسبه بیماران اجتناب میکند (که مشکلی است که اغلب تلاش های پیش
بینی را دچار زحمت می سازد).
تمرین واقعی را توسط در نظر گرفتن ترکیبات درمان بعنوان گزینه های درمان فردی نشان میدهد.
امکان طبقه بندی و تعیین کمیت پویایی تغییرات درمان را فراهم می سازد.
داده های جمع آوری شده در سطح بیمار را ترکیب میکند.
از نمایش داده های سطح بیمار برای اطلاعات همه گیرشناسی کلی پشتیبانی میکند.
اکنون میتوان ساختار مدل موجودی/جریان را جداسازی کرد تا با این سری MECE منتشر شده جدید مطابقت داشته باشد. اول اینکه، موجودی بیماران درمان شده جاری به قسمت های مختلف تقسیم می گردد، شکاف هایی را برای هر عنصر در سری گزینه های درمان ایجاد میکند. از لحاظ نموداری، موجودی ظاهر سه بعدی خواهد داشت که نشاندهنده وجود قسمت های مختلف درمان است که در شکل 3 نشان داده شده است (توجه داشته باشید که جریان های ورودی و خروجی هر موجودی “جداسازی شده/تقسیم بندی شده” به ابعاد یکسانی تجزیه می گردد؛ این جزئیات و همچنین جریان های مرگ و میر بخاطر سادگی نمودار نشان داده نشده اند).
شکل 3- محاسبه درآمد گزینه های درمان با استفاده از ساختار جریان جداسازی شده بیمار
تعداد عناصر یا موجودی ها توسط تکنولوژی نرم افزاری محدود نمی گردد، بلکه توسط توانایی جمع آوری و تحلیل داده هایی محدود می گردد که مفید و قابل کاربرد هستند. در آزمایش ما، 15 تا 20 گزینه درمان در سری MECEنشاندهنده حد بالایی عملی برای تعدادی از گزینه های درمان است.
وقتی که سری MECE منتشر شد، پویایی مهم تغییرات درمان را میتوان شامل ساخت. از لحاظ عملیاتی، تغییرات درمان نشاندهنده فرصت هایی برای تسخیر بیماران و هدایت آنها بسوی یک گزینه درمان خاص است. بیاد داشته باشید که موجودی بیماران درمان شده جاری اساسی برای ایجاد درآمد در بازارهای داروسازی است. البته یکی از اصول مبنایی پویایی نظام اینست که تعداد و توزیع بیماران درمان شده جاری بعنوان نتیجه حجم نسبی جریان های متصل به آن تغییر میکنند. مسلماً طبقه بندی و تعیین کمیت این تغییرات درمان از دیدگاه پیش بینی و برنامه ریزی استراتژیکی اهمیت زیادی دارد. بیان یک سری MECE و یکپارچه سازی آن با ساختار موجودی/جریان به مدل اجازه میدهد تا پویایی عملیاتی را نشان دهد که در نهایت تعداد بیماران (و در نتیجه تجویز/درآمد) را تحت تأثیر قرار میدهد.
بعضی از نکاتی که در این نمودار گسترش یافته قابل توجه می باشد شامل موارد زیر است:
موجودی با نام “بیماران درمان شده جاری” نشان میدهد که بیماران مطابق با گزینه های درمان فردی پیگیری می شود.
جریان با نام “تغییر درمان” به بیماران اجازه میدهد تا در سری درمان های MECE بین عناصر حرکت کنند. بعبارت دیگر، این بیماران تحت درمان باقی می مانند بلکه از یک گزینه درمان به گزینهه دیگر منتقل می گردد.
هر کدام از متغیرهای کمکی را اکنون میتوان توسط درمان های شامل شده در سری MECE تقسیم بندی کرد. داده های مختص به درمان مانند “میانگین هزینه سالیانه درمان” و “پذیرش درست” را میتوان برای محاسبه درآمد های واقعی برای داروهای فردی مورد استفاده قرار داد، که سپس م
یتوان آنرا برای رسیدن به درآمد های واقعی بازار جمع بندی کرد.
جریان “تغییر درمان” سهم کوچکی از شکل 3 را اشغال میکند، و با اینحال تعدادی از پویایی های خیلی مهم را در بر می گیرد که در نهایت تکامل بازار را تحت تأثیر قرار میدهد. بیماران با “تغییر درمان” میتوانند از یک گزینه درمان در یک زمان معین در سری MECE به گزینه دیگر بروند. این پویایی های تغییر درمان را می توان در یک ماتریس یا شبکه دو بعدی مفهوم سازی کرد، و این جریان انتقال های درمان اغلب محرک اصلی سهام بیماران و تکامل بازار است (خصوصاً در علائم منتشر شده معین).
با انتشار این ساختار جریان بیمار، ما اکنون میتوانیم توجه خود را به این مسئله معطوف سازیم که این جریان ها در واقع چطور بین گزینه ها در سری انتخاب های MECE تخصیص داده می شوند. انجام اینکار نیازمند اینست که ما باید نقش پزشکان و ارزیابی های گزینه های درمان آنها برای بیماری را مورد بررسی قرار دهیم، تا یک مدل یکپارچه و کامل را بدست آوریم.
استفاده از داروها توسط پزشکان
در بازارهای داروسازی، درمان های منتشر شده جدید باید ابتدا توسط تجویز نسخه پزشکان پذیرفته شوند قبل از اینکه
به دست مصرف کنندگان علاقمند برسند. عملاً دکترها در یک مرحله میانی و محدود کننده میزان در انتشار محصولات در بازار قرار دارند. در بسیاری از بازارهای داروسازی، داده های تاریخی را میتوان مورد تحلیل قرار داد تا تعیین گردد که داروها در یک علائم خاص چطور توسط پزشکان اتخاذ می گردد. از لحاظ آینده نگری، محققان بازار اغلب داده های مربوط به آگاهی از داروهایی را جمع آوری میکنند که هنوز آغاز نشده اند و بررسی هایی را در مورد پیش بینی
های پزشکان در رابطه با الگوهای تجویز آنها انجام میدهند. این اطلاعات (اگرچه مفید هستند) اما بطور آشکار مکانیزم های جاری در اتخاذ گذشته و آینده درمان های دارویی توسط پزشکان را در بر نمی گیرد، و نشاندهنده این نیز نخواهد بود که این پویایی ها چطور ممکن است نسبت به نوآوری های مختلف بازاریابی واکنش نشان دهند.
راهکار ما از یک ساختار اتخاذ پزشکان استفاده میکند که در مقالات پویایی نظام بخوبی ثبت شده است و میتوان از آن برای تحلیل رفتار تاریخی قیاس های دارویی مختلف برای یک علائم خاص استفاده کرد. این روش نمایش عملیاتی و بصری از فرآیند اتخاذ دکتر را بیان میکند و نیازمن
د تفسیر/توسعه یک مدل محبوب انتشار Bass است. این چارچوب ابتدا دنیای مصرف کنندگان احتمالی را بصورت افرادی تجزیه میکند که این محصول را اتخاذ کرده اند و افرادی که هنوز اینکار را نکرده اند. مدل انتشار Bass سپس عوامل تأثیرگذار بر روی اتخاذ را بررسی میکند (شکل 4)، که بطور کلی میتوان آنها را بصورت زیر گروه بندی کرد:
1- تأثیر داخلی: شایعات در بین جمعیت
2- تأثیر خارجی: اثرات تبلیغات، توسعه، بازاریابی و غیره.
در این فرمولبندی، متغیر عامل شایعه نشاندهنده قدرت تأثیر اتخاذ کنندگان بر روی جریان اتخاذ است. اصولاً این متغیر می گوید که: هر اتخاذ کننده چه تعداد اتخاذ کننده احتمالی دیگر را ترغیب میکند تا در هر دوره زمانی محصول را خریداری کنند؟ متغیر تأثیر خارجی (با اینکه بطور واضح نشان داده نشده است) اما میتواند تحت تأثیر انواع مختلفی از نوآوری های بازاریابی مانند بیان جزئیات (نماینده های فروش که وقت خود را صرف دکترهای فردی میکنند)، نمونه برداری (توزیع نمونه های آزاد آزمایشی برای پزشکان)، و تحصیلات پزشکی (کنفرانس های بزرگ که پزشکان را جذب میکند) قرار گیرد.
چارچوب های اتخاذ پزشکان اغلب با تحلیل های کلی رفتار پزشک آغاز می گردد که می توان آنها را به قسمت های دکترهای کامل تری در امتداد خطوط خاص بودن، جغرافیا، و حتی خصوصیات مختص به بیماری تجزیه کرد. بعنوان مثال، پزشکان عمومی (GP) میتواند نشاندهنده متخصصان از یک علائم باشند که شامل الگوهای شایعه یا الگوهای ارجاعی بین این دو گروه از پزشکان درمان کننده احتمالی می باشد. مدلهای پویایی نظام اغلب شامل اتخاذ داروهای خاص برای قسمت های خاصی از بیماران می باشد (که ویژگی است که خصوصاً برای علائمی مفید است که در آن ، پزشکان ممکن است بطور آماده یک درمان جدید را برای شدیدترین بیماران بپذیرد، بعنوان مثال نه تنها برای بیمارانی که فقط از علائم ملایم رنج می برند). توانایی ترکیب و تست رفتار اتخاذ قسمت های مختلف پزشکان، تصویر واقع گرایانه و کاملی از این مسئله را فراهم می سازد که استراتژی های بازاریابی مؤثر مربوط به پذیرش پزشکان از محصولاتی است که می توان آنها را به بهترین شکل تولید کرد.
شکل 4- ساختار موجودی/جریان مدل انتشار Bass
اکنون ساختار نشان داده شده در شکل 3 را میتوان توسعه داد تا مسئول رفتار تاریخی پیشنهادات داروسازی در یک بازار خاص است. با شامل سازی ابعاد شناسایی محصول و رفتار تجویز، نمایش موجودی/جریان متریک آگاهی، آزمایش، و استفاده تکرار می گردد (که بعضی اوقات بصورت ATU به اختصار نوشته می شود)، که معمولاً توسط بسیاری از شرکت های داروسازی جمع آوری و تحلیل می گردد. این چارچوب تقسیم بندی می گردد تا اتخاذ گزینه ه
ای خاص درمان را برای مطابقت دادن انتخاب MECE گزینه های درمان پیگیری میکند که قبلاً توضیح داده شده است (شکل 5).
متغیر “هدف آگاهی” در شکل 5 معمولاً یک سناریوی زمان-محور است که مربوط به اهداف شرکت است که مربوط به آگاهی کلی محصول است. از لحاظ عملیاتی، مفهوم آگاهی با گذشت زمان توسط میزانی ایجاد می گردد که یک شرکت داروسازی می تواند پزشکان را قادر سازد تا آگاه شوند، منهای میزانی که آنها در مورد یک محصول معین فراموش می کنند و به طبقه نا آگاه باز می گردد (بخاطر سادگی نمودار، این جریان نشان داده نشده است). متریک اتخاذ تأثیر داخلی و خارجی از ساختار کلی انتشار Bass باقی می ماند، و به آسانی می توان آنرا توسعه داد تا مسئول اهرم های بازاریابی مختلف در یک ترتیب شرکت داروسازی
باشد.
بعضی از تعاریف مربوط به شکل 5 برای اطمینان از تفسیر درست ضروری هستند:
هدف ساختار ورودی/جریان، نشان داده دنیای کلی پزشکانی است که ممکن است یک داروی خاص را برای یک علائم خاص تجویز کنند.
موجودی با نام آگاهی/تجویز بر یک اساس آزمایشی نشاندهنده پزشکانی است که در مورد محصول می دانند و ممکن است گهگاهی نمونه ای را ارائه دهند و یا دارو را بر یک اساس آزمایشی تجویز کنند، اما تجویزکنندگان فعال دارو نیستند.
تجویزکنندگان پزشکانی هستند که بطور فعال از دارو برای درمان بعضی از بیماران خود (نه همه آنها) استفاده میکنند که از یک علائم خاص رنج می برند. بعبارت دیگر، این تخصیص بدین معناست نیست که پزشکان باید تجویزکنندگان انحصاری یک داروی خاص باشند، بلکه فقط اینکه داروی مورد نظر در سری بررسی های خود قرار دارد و بنابراین در هنگام انتخاب یک درمان داروییی برای بیماران خود یک گزینه عملی هستند.
شکل 5- مدل انتشار Bass توسعه داده شده برای اتخاذ محصولات دارویی توسط پزشکان
ساختار موجودی/جریان مربوط به اتخاذ داروها توسط پزشک امکان تحلیل محصولات منتشر شده قبلی برای یک علائم خاص را فراهم می سازد. اغلب مواقع این بررسی ها با هدف پیش بینی اتخاذهای پیش بینی شده “NCE های منتشر شونده بزودی” و/یا برای تعیین عوامل کمک کننده به آغاز موفقیت آمیز ترکیبات منتشر شده قبلی تکمیل می شوند. انجام اینکار درک بهتری از این پویایی مهم در بازارهای داروسازی را برای تیم های بازاریابی فراهم می سازد، که ابزاری برای پیش بینی اتخاذ پیش بینی شده برای یک علائم خاص است، و ساختاری است که به آسانی متوان آنرا در چارچوب جریان مبنای بیمار ترکیب کرد. این فرآیند به تیم بازاریابی اجازه میدهد تا استراتژی های موثرتری را در رابطه با پزشکان تنظیم کنند، و همچنین تأثیر این نوآوری ها بر روی بازار بیماری را درک کنند.
مشتریان ما اغلب از یک چارچوب اتخاذ پزشک برای گزینه های استراتژیکی مختلف مانند زیر استفاده میکنند:
آیا آگاهی بیشتر در اوایل آغاز یک NCE منجر به اتخاذ سریعتر بخشی از پزشکان تجویز کننده می گردد؟
تغییر ترکیب بازاریابی پیش بینی شده چطور بر سرعت و حجم مسیر انتشار تأثیر می گذارد؟
پویایی شایعه (متغیر کمکی تأثیر داخلی) تا چه حد میتواند در فرآیند اتخاذ قوی باشد و آیا هیچ اهرم استراتژیکی برای تأثیرگذاری بر روی آن وجود دارد؟
وضعیت تجویزکننده کلی تا چه مهم است، وقتی که این مؤلفه با جریان بیمار و پویایی تقاضای درمان ترکیب می گردد؟
این سوالات، که قالب بندی می گردند و در نهایت با استفاده از پویایی نظام پاسخ داده میشوند، میتوانند اهمیت زیادی برای انتشار یک طرح استراتژیکی مؤثر برای آغاز یک NCE داشته باشند که منجر به تخصیص مؤثرتر منابع محدود بازاریابی می گردد.
مؤلفه آخر مدل پویایی یک نظام یکپارچه برای بازارهای داروسازی شامل ارزیابی های پزشکان از گزینه های درمان برای یک بیماری خاص می گردد.
تقاضای درمان و مدلسازی انتخاب
بازارهای داروسازی از این لحاظ جالب هستند که پزشکان محصولات موجود را ارزیابی و انتخاب میکنند اما بیماران کاربران نهایی گزینه درمان انتخاب شده هستند. چون در اغلب موارد پزشکان با توجه به سیستم تجویز مناسب برای بیمران خود تصمیم گیری میکنند، بنابراین تقاضای درمان باید از دیدگاه پزشکان تجویزکننده مشاهده گردد. تلاشهای تبلیغاتی مستقیم برای مصرف کننده (DTC) ، نقش نوظهور پزشکان پرستار یا داروسازان، و دسترسی گستردهتر به اطلاعات داروی تجویز شده بتدریج بر این نمودار تأثیر می گذارند اما پزشکان هنوز هم محرک های اصلی در تصمیم گیری های تجویز دارو هستند.
تقاضای درمان یک متریک کلی مطلوبیت است که میتواند تابعی از خصوصیات محصول مانند امنیت، اثرات جانبی، و قیمت باشد. همچنین، میتوان آنرا بعنوان ابزاری در نظر گرفت که پزشکان از طریق آن تصمیمات تجویز دارویی را می گیرند. ارزیابی تقاضا برای تکرار ارزیابی های متفاوت در یک بازار داروسازی پیچیده را می توان به قسمت های خاص بیمار یا تخصص های پزشک نیز مربوط دانست. البته برای ترکیب مفاهیم تقاضا/مطلوبیت پیشنهادات دارویی مختلف برای یک علائم معین، ما باید از فیزیک عملیاتی ساختارهای موجودی/جریان بسوی یک راهکار محاسبه-محور تر حرکت کنیم. اول اینکه، مطلوبیت کلی هر گزینه درمانی را باید با استفاده از معیارهای عینی تعیین کرد. این فرآیند تعیین امتیازات تقاضای درمان فردی برای هر عنصر از سری گزینه های موجود درمان MECE دارای یک هدف هستند: ارزیابی مطلوبیت برای هر سیستم درمان بر روی یک مقیاس پایدار و محدود. این امتیازات (معمولاً بر اساس یک مقیاس 0 تا 100) را سپس میتوان در یک الگوریتم انتخاب ترکیب کرد که تخصیص جریان های بیماران در مدل یکپارچه را تعیین میکند.
تعیین تقاضای درمان
محصولات دارویی بندرت متریک هایی از مطلوبیت محصول را منتشر کرده اند و یا بر روی آن توافق کرده اند، بنابراین در اغلب موارد تیم های بازاریابی باید این ارزیابی ها را بصورت داخلی انجام دهند. معمولاً این راهکار نیازمند ورودی از رهبران کلیدی نظریه (KOL)، محققان بازار و تیم های بالینی و پزشکی خود شرکت است. تعدادی از عوامل میتواند بر ارزیابی مطلوبیت یکپارچه برای گزینه های درمان برای یک علائم معین مانند زیر تأثیر بگذارند:
امنیت
کارایی
اثرات جانبی
قابلیت تحمل
حالت مدیریت
آغاز عمل
اهمیت نسبی این عوامل سببی در تعیین تقاضای درمان یکپارچه مهم می باشد. بعنوان مثال یک پروفایل امنیت درمان می تواند یک مسئله مهم باشد اگر مسائل سمیت سبب مشکلاتی در درمان شود. در بازارهای دیگر با محصولات منتشر شده و قابل قیاس از لحاظ کارایی، ویژگی اثرات جانبی میتواند یک عامل تعیین کننده کلیدی برای تقاضای کلی درمان باشد. اختصاص اهمیت به هر یک از ویژگی های درمان، تعیین میکند که چند درصد از هر عامل در محاسبه میانگین وزنی ارزیابی یکپارچه مطلوبیت نقش دارد، همانطور که در جدول 1 برای NCE فرضی نشان داده شده است.
محاسبه رتبه بندی اهمیت ویژگی درمان
15 50 30 درصد کارایی
24 80 30 درصد امنیت
10 40 25 درصد آغاز عمل
3 20 15 درصد اثرات جانبی
52 مجموع کلی
جدول 1- مثالی از محاسبه تقاضای درمان برای م
حصول داروسازی فرضی
تیم های داروسازی باید رتبه بندی های نسبی را توسط ویژگی درمان برای هر درمان در سری MECE تعیین کنند. در آزمایش ما، اعضای تیم از شرکت های مختلف به منابع مختلف از داده ها و دیدگاه هایی دسترسی دارند که می تواند به فراهم سازی ارزیابی جامع تری از مطلوبیت کمک کند.
