消費材の選択には顧客の趣味や嗜好性が一定の影響を与えるため、そのニーズやウォンツは千差万別です。
そのため、企業は顧客のニーズやウォンツをより正確に理解するために、製品やサービスの利用履歴や購買履歴、SNSやWebサイトへのアクセスログなどのビッグデータを収集することで、顧客の好みや行動パターンを把握する必要があります。
一方で、医薬品の選択には、患者の病状や健康状態、医師の診断や治療方針、薬剤の効果や副作用などが重要な要素として考慮されるため、趣味や嗜好性は医薬品の選択に直接的に関係する要素ではありません。
医薬品は消費材とは異なり、患者は医師から適切な情報を受け取り、効果的かつ安全な治療法を選択する必要があります。
すなわち製薬企業にとって重要なのは、医師が患者に最適な治療法を提供するための治療方針や処方傾向を知ることです。
医師の治療指針や処方傾向を知るための最も確実なデータが受発注データです。
受発注データをみればニーズを把握し、ウォンツを知ることが出来ます。
限定的な医薬品ビジネスにおいては必要なデータも限定的です。
課題はそのデータをいかにして有効に活用し尽くすかということです。
マトリクス分析法を用いれば、データの分析から実行計画までを一気貫通してデジタル化することが出来ます。
#2 “Customers don’t really know what they want”
When it comes to choosing consumer goods, customers’ tastes and preferences have a significant influence, so their needs and wants are diverse.
Therefore, companies need to collect big data such as product or service usage history, purchase history, access logs to social media and websites, etc. to accurately understand customers’ preferences and behavior patterns in order to better understand their needs and wants.
On the other hand, in selecting pharmaceuticals, factors such as patients’ conditions and health status, doctors’ diagnoses and treatment plans, and the efficacy and side effects of drugs are important considerations, so tastes and preferences are not directly related to the selection of pharmaceuticals.
Unlike consumer goods, patients need to receive appropriate information from doctors and choose effective and safe treatments.
Therefore, it is important for pharmaceutical companies to know the treatment policies and prescription trends of doctors so that they can provide the most appropriate treatment for patients.
The most reliable data for understanding doctors’ treatment policies and prescription trends is order and delivery data.
By looking at order and delivery data, companies can understand needs and know wants.
In the limited pharmaceutical business, the necessary data is also limited.
The challenge is how to effectively utilize that data. By using matrix analysis, it is possible to digitize everything from data analysis to execution plans.