Цифровизация компаний фарминдустрии в России стремительно набирает обороты.  Один из ее основных трендов — имитационное моделирование бизнес-процессов. Западные фармкомпании успешно используют его в своей работе в противовес осторожному отечественному фармацевтическому рынку. Разберемся в причинах и перспективах данного направления. Использование в бизнесе компьютерного моделирования определяется дороговизной или длительностью проведения экспериментов на реальной системе. Имитационное же моделирование отличается от физического, компьютерными технологиями с использованием алгоритмов и уравнений. Имитационная модель позволяет просматривать анимацию в 2D- или 3D- формате, проводить аналитику в динамике, что невозможно в других случаях, например, при использовании Excel или линейного программирования. Для наиболее эффективного анализа работы системы и оперативного решения поставленной задачи пользователь изучает процессы и вносит изменения в имитационную модель непосредственно в ходе работы в удобном режиме, благодаря наглядности, простоте понимания и проверки.

Спектр применения имитационного моделирования широк и зависит от типа и уровня задач. Показательны проекты, реализованные на платформе AnyLogic. Данная система для имитационного моделирования создает модели в трех современных подходах: системная динамика, агентный и дискретно-событийный подход. Наиболее частыми областями применения имитационного моделирования для фармацевтической отрасли могут быть:

• оптимизация фармпроизводства;

• оптимизация работы распределительных складов;

• оптимизация цепочки поставок лекарственных средств;

• выбор стратегии продвижения препаратов на фармацевтическом рынке;

• моделирование клинических испытаний.

Рассмотрим более наглядно примеры использования имитационного моделирования зарубежными фармацевтическими компаниями по типам нескольких бизнес-задач.

Оптимизация фармпроизводства

Молодая компания, развивающаяся в биотехнологической сфере, решила использовать имитационное моделирование для оптимизации процесса принятия решений при производстве нового препарата.

Было: нехватка ресурсов, продукцию необходимо было производить максимально быстро и без сбоев в поставках. 

Сложности: процесс производства лекарственных препаратов состоял из последовательных этапов, занимал несколько недель, с помощью одних и тех же ограниченных ресурсов одновременно производилось несколько препаратов.

Результат: компания определила политику планирования с наиболее рациональным использованием сотрудников без чрезмерных переработок и переполнения штата, благодаря полученным после проведенного моделирования ценным сведениям о процессе производства фармацевтической продукции. Были сэкономлены месяцы времени, которые могли потребоваться на планирование и расчёты.

Оптимизация работы распределительных складов

Компания Cardinal Health является крупным дистрибутором фармацевтических товаров.

Было: множество логистических задач, типичных для распределительных складов, которые осложняются спецификой фармацевтической сферы.

Сложности: используемая модель позволила выявить проблему неравного распределения рабочей нагрузки, когда одни сотрудники работают и передвигаются по складу быстро, а другие медленно.

Проект: построенная имитационная модель воспроизводила активность сотрудников и их взаимодействие в течение дня, для чего было необходимо импортировать в модель такие данные, как время забора товара и нормативное время выполнения операций. Компания располагает множеством складов самой разной конфигурации, каждую из которых нужно было протестировать.

Результат: имитационное моделирование позволило экономить более 3 млн. долларов США ежегодно. Проблема была устранена, работники склада стали выполнять обязанности с одинаковой скоростью, снизилось количество заторов. Компания уменьшила время рабочей смены сотрудников с 10,5 часов до 7, 25 часов, благодаря сокращению количества заторов, увеличилась производительность труда.

Оптимизация цепочки поставок лекарственных средств

GlaxoSmithKline (GSK) — крупнейшая международная фармацевтическая компания.

Было: после разработки новой вакцины и старта ее продаж на новом для себя рынке компания столкнулась с необходимостью новой сети распространения.

Сложности: цепочка поставок вакцин является сложной системой, которая территориально охватывает весь мир и объединяет огромное количество ресурсов, включая производственные предприятия и склады.

Результат: модель позволила определить оптимальную по затратам и уровню обслуживания схему цепи поставок вакцин. Созданная модель стала инструментом поддержки принятия решений при планировании цепи поставок, который позволил оперативно выбирать оптимальную стратегию производства и распространения на следующий период (неделя или месяц).

Уникальность: одна имитационная модель объединила в себе процессы производства и распространения. Такой подход позволил компании GSK добиться большей точности в моделировании, что дало возможность делать более точные прогнозы и принимать более выгодные решения.

Выбор стратегии продвижения препаратов на фармацевтическом рынке

Крупная фармацевтическая компания.

Было: при выпуске двух похожих препарата один не стал популярен после выпуска в продажу, а второй завоевал положение лидера рынка. Руководство компании искала возможности для успешного распространения на достаточную долю рынка нового лекарства. 

Сложности: реклама лекарственных средств проходила по различным прямым(?) каналам, например,  на ТВ, в прессе и других СМИ. Модель позволяла руководству понять, когда остановить рекламу нового препарата в целях экономии рекламного бюджета без потери прибыли. Точное решение необходимо было фармацевтической компании для сохранения десятков миллионов долларов.

Результат: модель позволила выяснить, что с течением времени пациенты всё чаще выбирали то лекарство, которое советовал им врач. подтвердилась гипотеза, что инвестиции в медицинских представителей положительно отражались на продажах, а реклама в СМИ не приносила ожидаемого эффекта. Созданная модель детально сымитировала взаимодействие врачей и пациентов, чтобы выяснить влияние процесса на маркетинговые расходы. В модели были учтены факторы, отражающие влияние нового продукта на долю рынка, занимаемую компанией. Модель рассчитывала доли рынка для каждого лекарства, либо для группы лекарств (в случае с дженериками). После калибровки модель показала, что остановить рекламную кампанию нового лекарства в СМИ нужно было 6 месяцев назад, так как объёмы продаж за этот период не менялись, несмотря на активность в СМИ. Руководство компании приняло решение остановить PR.

Другой пример. Одна из крупнейших фармацевтических компаний применила имитационное моделирование для воссоздания системы взаимодействия между производителем продукта, врачами и пациентам.

Было: необходимо было определить идеальный баланс между рекламой, направленной на непосредственных потребителей, и продвижением среди врачей. 

Сложности: необходимо было найти ответы на вопросы о правомерности привлечения сторонней организации для распространения продукта, в каких объемах, на какой срок и как следует пересмотреть текущие планы по продвижению для эффективного распределения ресурсов.

Результат: построенная модель позволила найти оптимальную стратегию продвижения и получить оценку альтернативных стратегий, кривую внедрения продукта и прогноз продаж, понять влияние на ситуацию различных управленческих решений, а также наложения эффектов различных решений в процессе продаж, определить параметры привлечения сторонней организации для распространения продукта и соответственного изменения продуктового портфолио.

Моделирование клинических испытаний

Pfizer — одна из ведущих фармацевтических компаний мира.

Было: компания приняла решение создать платформу, которая помогла бы сотрудникам компании тестировать новое лекарство для пациентов со сложной формой диабетической периферической нейропатии.

Сложности: платформа должна была играть многогранную роль СППР (система поддержки принятия решений), работать с помощью методов прогнозной аналитики: на основе анализа результатов предыдущих клинических исследований оценивать параметры пациентов, назначать дозировку лекарств, курс лечения и прогнозировать его результат.

Результат: удалось проанализировать информацию и сгруппировать её по определённым параметрам, благодаря объединению в модели набора данных из разных источников, алгоритмов машинного обучения и возможности имитационного моделирования. . Теперь врачи могут принимать взвешенные и обоснованные решения по дозировке лекарств пациентам и наблюдать за тем, как они реагируют на терапию.

Фармацевтический рынок как социально-значимая система поддержки принятия решений при использовании имитационного моделирования позволяет оптимально использовать ресурсы, предотвращать многие затраты и минимизировать различного рода ошибки. Платформы имитационного моделирования способствуют эффективной цифровизации, как органов государственной власти, так и фармкомпаний в решении различных масштабных задач. Обеспечение населения необходимыми лекарственными препаратами, улучшение качества и скорости производства препаратов, сокращение времени на вывод новых препаратов на рынок, эффективное использование имеющихся ресурсов, нахождение оптимальных мест для постройки заводов, складов и логистических центров и многих других — лишь небольшой спектр последствий применения моделирования.

Алексей Дроздов

бизнес-партнер по цифровизации компаний фарминдустрии, Первый Бит