Marketing-Mix-Modellierung in der Pharmaindustrie: Herausforderungen und Lösungen

Marketing Mix Modeling (MMM) ist seit langem ein wertvolles Werkzeug für data-driven-Entscheidungen in verschiedenen Branchen. In jüngster Zeit hat es im Gesundheitswesen und in der Pharmazie als Mittel zur Beantwortung kritischer Fragen, wie z.B. der folgenden, erneut an Aufmerksamkeit gewonnen:

MMM bietet zwar ein erhebliches Potenzial, aber die Umsetzung in der Pharmaindustrie ist mit besonderen Herausforderungen verbunden. Dieser Artikel untersucht diese Herausforderungen und bietet Einblicke in die effektive Nutzung von MMM im pharmazeutischen Kontext. Dabei stützt er sich auf die jüngsten Erfahrungen von Artefact mit verschiedenen Kunden aus der Pharmaindustrie.

Die Verfügbarkeit von Data ist für jede Modellierung von entscheidender Bedeutung, insbesondere für den Verkauf von data. Die behördlichen Anforderungen der Pharmaindustrie gewährleisten die sichere und wirksame Versorgung der Patienten mit Arzneimitteln, aber diese Vorschriften legen auch strenge Beschränkungen für die Sammlung, Lagerung und Verwendung von data fest, die je nach Region variieren können. Obwohl wöchentliches verschreibungspflichtiges data auf der Ebene der einzelnen Gesundheitsdienstleister (HCP) oder Einrichtungen ideal ist, beschränkt sich data auf nationaler oder regionaler Ebene oft auf monatliche Verkaufszahlen, was die Analysetiefe einschränkt.

Auch die Werbekanäle der Pharmaindustrie sind einzigartig. Aufgrund strenger Vorschriften können Werbemaßnahmen nicht über Mainstream-Medien wie Fernsehen oder soziale Medien erfolgen. Stattdessen verlassen sich die Unternehmen auf die direkte Ansprache von Vertretern des Gesundheitswesens durch Vertriebsmitarbeiter. MMM nutzt daher in erster Linie data aus diesen Interaktionen, einschließlich der Teilnahme an Veranstaltungen und Webinaren, die oft weniger strukturiert sind.

Darüber hinaus gibt es in der Pharmaindustrie verschiedene Rollen, die mit Vertretern des Gesundheitswesens interagieren, z. B. Außendienstmitarbeiter und Medical Science Liaisons (MSLs), die jeweils unterschiedliche Ziele verfolgen. Vertriebsmitarbeiter sind die kommerziellen Mitarbeiter, während MSLs als wissenschaftliche Experten und Vermittler zwischen Pharmaunternehmen und der medizinischen Gemeinschaft fungieren. Da MSLs nicht kommerziell tätig sind, können diese Interaktionen aus Gründen der Compliance nicht im MMM berücksichtigt werden.

Eine starke data foundation ist für die Skalierung von MMM unerlässlich, doch die Zunahme digitaler Kanäle und Omnichannel-Strategien verkompliziert den Prozess. Pharmaunternehmen versuchen zunehmend, die Interaktion mit Ärzten über mehrere Kanäle zu optimieren, was die Komplexität erhöht.
Pharmaunternehmen haben in der Regel Probleme mit fragmentierten data-Quellen, insbesondere über neue digitale Kanäle wie Webinare, E-Mails und Offline-Veranstaltungen. Oft wird dieses data in separaten Tabellen gespeichert und manuell verwaltet, was zu Formatierungs- oder Genauigkeitsfehlern führt. Während CRM data robust war, stellten nicht automatisierte data-Quellen eine Herausforderung für die Integration dar.

Ein weit verbreiteter Irrglaube ist, dass MMM einen ganzen Markt präzise modellieren kann. Angesichts der data-Beschränkungen erfordert die Implementierung von MMM in der Pharmabranche jedoch einen hypothesengesteuerten Ansatz, der auf alle Marken und Länder abgestimmt ist.

Eine große Herausforderung ist zum Beispiel das Fehlen von detaillierten Ausgaben data für jede Werbeaktivität. Die genauen Kosten für jede Werbeaktivität sind oft nicht verfügbar, so dass wir die Ausgaben annähernd schätzen müssen, indem wir Annahmen über die Gehälter der Vertriebsmitarbeiter und die Zeiteinteilung treffen.

Die Schätzung der Veranstaltungskosten ist ebenfalls komplex. Zu den Veranstaltungskosten gehören nicht nur die Veranstaltung selbst, sondern auch Personalkosten, die Erstellung von Inhalten und das Sponsoring. Um eine genaue Kostenrechnung zu gewährleisten, müssen Ad-hoc-Annahmen getroffen werden, die mit dem Unternehmen abgestimmt sind.

Außerdem erwarten einige Unternehmen, dass MMM alle Aktionen der Wettbewerber im Detail verfolgt, was oft unrealistisch ist. Stattdessen sollten wir uns darauf konzentrieren, eine breitere Wettbewerbsdynamik zu modellieren und die Unternehmen über die Grenzen der data-Qualität aufzuklären. Dieser Ansatz hilft dabei, realistische Erwartungen zu setzen und gleichzeitig umsetzbare Erkenntnisse zu gewinnen.

Technische Lösungen allein sind unzureichend; die Kultivierung einer data-driven-Kultur ist entscheidend für die Einführung von MMM. Der pharmazeutische Marketingtrichter unterscheidet sich von dem anderer Branchen, da Patienten Produkte eher aus der Not heraus als aus dem Wunsch heraus kaufen, was zu Skepsis bei den Geschäftsteams führen kann. Daher ist es von entscheidender Bedeutung, MMM vom ersten Tag an zu entmystifizieren und die Zusammenarbeit mit internen Geschäfts- und Data-Wissenschaftsakteuren zu fördern. Um dies effektiv zu erreichen:

Die pharmaspezifischen Herausforderungen erschweren zwar die Implementierung des MMM, machen es aber nicht unzugänglich. Unsere bisherigen Erfahrungen mit Pharmaunternehmen zeigen, dass sie in der Regel einen Beitrag von 7-20% zur Marketingleistung leisten können, was mit den Beobachtungen in anderen Branchen übereinstimmt.

Speziell in der Pharmabranche muss MMM einen Mittelweg finden: data nutzen, ohne die Spezifität und Granularität zu beeinträchtigen, die für umsetzbare Erkenntnisse erforderlich sind. Mit zwei Jahren monatlicher Verkaufs- und Werbeerfahrungen mit data und starker interner Unterstützung durch die Stakeholder kann Artefact einen umsetzbaren MMM-Rahmen für Ihr Unternehmen liefern und die internen Teams weiterbilden, wie wir es bei Ipsen* getan haben. Unser Ansatz legt Wert auf Offenheit und Zusammenarbeit und stellt sicher, dass MMM ein praktisches Werkzeug und kein Blackbox-Modell wird. Der Erfolg hängt nicht nur von technischem Fachwissen ab, sondern auch von effektivem Veränderungsmanagement und Teamtraining.