MtoM Mag - Le journal de l'MtoM.

Les cas d’utilisation à des fins commerciales de l’IA se multiplient dans le secteur pharmaceutique, aidant ainsi les entreprises à prendre des décisions plus rapides et plus éclairées. Pourtant, près de 70 % des principaux utilisateurs de l’IA générative (GenAI) citent la mauvaise qualité des données comme leur principal obstacle pour libérer tout le potentiel de l’IA. À mesure que l’adoption des applications se développe, le véritable avantage concurrentiel réside dans la qualité des données qui les alimentent.

Pour exploiter pleinement l’IA, les responsables commerciaux organisent les données dans des bases évolutives et connectées à travers les marchés, les fonctions et les domaines thérapeutiques. Sans cela, les projets pilotes d’IA des entreprises pourraient se résumer à des expériences marginales. Ceux qui se concentrent sur la création de données standardisées et intégrées peuvent libérer tout le potentiel de l’IA pour obtenir un avantage concurrentiel et assurer un succès à long terme.

Cohérence et connectivité des données : le fondement de l’IA

Les équipes commerciales au sein de laboratoires pharmaceutiques sont particulièrement bien placées pour tirer parti de l’IA de manière stratégique, car elles collectent de grandes quantités de données, notamment sur leurs clients, les ventes, l’engagement médical et l’activité sur les réseaux sociaux. L’étape suivante consiste à harmoniser les données, c’est- à-dire à "parler la même langue" pour générer des informations précises et évolutives.

Prenons pour exemple un scénario courant : un système répertorie un professionnel de la santé (PS) comme "Jean Dupont" et un autre comme "J. Dupont". Ou peut-être que "cardiologie" est enregistré dans une base de données tandis que "médecine cardiaque" apparaît dans une autre. L’IA peut ne pas parvenir à connecter les variations, ce qui entraîne des erreurs, des doublons et des informations peu fiables. Ces incohérences proviennent souvent de diverses sources de données qui ne communiquent pas entre elles, ce qui crée des frictions pour l’IA et réduit considérablement sa capacité à apporter de la valeur. Dans un autre exemple, la base de données des professionnels de santé d’une entreprise pharmaceutique comportait plus de 25 000 classifications de spécialités, ce qui rendait les informations basées sur l’IA presque impossibles. L’entreprise a résolu le problème en mettant en œuvre des normes de données mondiales, améliorant considérablement la précision et l’évolutivité.

Bien que l’IA continue de s’améliorer dans la gestion des incohérences, son succès dépend toujours de la qualité des données sur lesquelles elle est formée. Ceci est particulièrement essentiel pour les activités commerciales pharmaceutiques, où les données sont souvent fragmentées, éparses et incohérentes, ce qui perturbe la capacité de l’IA à générer des informations significatives.

Comment les responsables commerciaux peuvent étendre l’IA

Pour éviter les pièges courants, les responsables commerciaux doivent relever trois défis clés en matière de données :

1. Entreprise : Faire passer les projets pilotes d’IA du test au déploiement

Une stratégie d’IA claire, alignée sur les priorités de l’entreprise, est le plus fort prédicteur de succès. De nombreuses organisations exécutent des projets pilotes locaux sans tenir compte de l’évolutivité, en construisant à plusieurs reprises des solutions spécifiques à un pays basées uniquement sur les données de celui-ci. Cette approche empêche les données d’être connectées entre les pays et limite la capacité de l’IA à générer des informations transnationales.

Pour étendre efficacement les efforts d’IA, les responsables commerciaux doivent :

 Aligner les priorités de l’IA sur les objectifs commerciaux à long terme pour s’assurer qu’elles adressent bien les opportunités à fort impact plutôt que l’expérimentation à court terme.

 Collaborer entre les fonctions - données, analyse, numérique et informatique, pour construire une feuille de route d’IA évolutive avec des ressources, des échéanciers et des investissements définis.

 Mettre en place des structures de gouvernance qui soutiennent l’adoption de l’IA au niveau de l’entreprise, en assurant la cohérence et l’alignement entre les régions.

2. Données et analyse : Établir des normes mondiales

Une fois qu’une orientation stratégique est définie, les équipes de données et d’analyse peuvent assurer l’accès à des données de haute qualité, standardisées à l’échelle mondiale. Rassembler des données spécifiques à un pays rendra difficile le déploiement d’initiatives sur différents marchés.

Pour surmonter la fragmentation, les organisations doivent :

 Normaliser les structures de données à l’échelle mondiale, en veillant à ce que les modèles d’IA formés dans une région puissent être appliqués de manière transparente dans le monde entier.

 Investir dans des actifs de données connectables qui intègrent les données clients, de vente et d’engagement dans toute l’organisation.

 Améliorer continuellement la qualité des données, en veillant à ce que les modèles d’IA soient construits sur des données précises et harmonisées qui soutiennent la prise de décision à l’échelle de l’entreprise.

3. Numérique et informatique : Réduire la complexité de l’intégration

Les équipes technologiques jouent un rôle essentiel dans la mise à l’échelle de l’IA en réduisant les frictions liées aux données, en éliminant les intégrations coûteuses et en brisant les silos de données.

Pour soutenir les efforts d’IA, les équipes technologiques doivent :

 Aligner les modèles de données entre les systèmes pour éviter le mappage inefficace des données et les intégrations redondantes.

 Évaluer les processus inefficaces, telles que les accords d’accès tiers (TPA) qui ralentissent le flux de données et nécessitent un travail administratif inutile.

 Mettre en œuvre un cadre de gouvernance évolutif qui rationalise le déploiement de l’IA sur plusieurs marchés.

La qualité des données définit les possibilités de l’IA

L’adoption de l’IA dans le secteur pharmaceutique s’accélère, augmentant le besoin de données connectées de haute qualité pour un engagement avec les professionnels de santé plus personnalisé.

Il est essentiel d’aborder la standardisation des données avec la même urgence que la définition de la stratégie et de l’infrastructure de l’IA. En réalité, la vraie question n’est pas "Comment puis-je utiliser l’IA ?" mais "Comment puis-je faire en sorte que mes données fonctionnent pour l’IA ?"

https://www.veeva.com/