医薬品マーケティングにおけるマルチチャネル分析 …...Title PowerPoint...

Company Conf ident ia l – For Internal U se O nlyCopyr ight © SA S Inst i tute Inc . A l l r ights reserved.

医薬品マーケティングにおけるマルチチャネル分析の実際2019/6/11

SAS Institute Japan株式会社コンサルティングサービス本部 Advanced Analytics & AI Innovation グループ大西一聡


Agenda

1.はじめに：医薬品マーケティングにおける課題

2.マーケティング最適化に向けた取り組み事例① 回帰モデルによる効果測定② 非線形回帰モデルによる飽和点の把握③ レスポンスカーブによるリソース最適化④ 階層ベイズモデルによるOne-to-Oneマーケティング⑤ 機械学習モデルによるターゲティング精緻化⑥ アソシエーション分析によるチャネル組合せ最適化

3.アナリティクスの仕組化・自動化

2


1. はじめに：医薬品マーケティングにおける課題


医薬品マーケティングにおける課題

4

2つのミスマッチ量のミスマッチ

質のミスマッチ

MR

DM(eMail)大量・過剰投入医師

説明会

DM(eMail)

eセミナー

やみくもな投入

ミスマッチ

ミスマッチ

MR

▲時間の無駄▲消化不良

製薬企業

▲高コスト

週に何回も来ても真新しい情報はない

し…

MRさんよりも、好きな時間に見れるeMailの方がいいんだけど…

チャネル嗜好性

多忙な医師


2. マーケティング最適化に向けた取り組み事例


課題に対するアプローチ：まとめ

効果測定による現状把握

プロモーション飽和点の把握

プロモーション量の最適化

顧客ごとの効果測定

ターゲティング精緻化

チャネルシナジーの抽出

量の最適化質の最適化（顧客ベース）

質の最適化（チャネルベース）

①回帰モデル

②非線形回帰モデル ④階層ベイズモデル

③OR ⑤機械学習モデル

⑥アソシエーション分析


①回帰モデルによる効果測定

7

HP MP LP HP MP LP HP MP LPディテール 6,500 4,000 2,100 5,200 3,200 1,680 4,100 2,500 1,300説明会 13,300 10,400 8,900 10,600 8,300 710 8,400 6,600 560eセミナー 4,700 3,800 2,500 3,700 3,000 2,000 2,900 2,400 1,600DMクリック 800 500 100 600 400 80 480 320 60ディテール 50 13 10 50 30 20 60 40 30説明会 4 3 1 3 2 0 2 0 0eセミナー 5 4 4 4 2 1 3 1 0DMクリック 60 50 40 55 40 20 50 40 30

施設当り実施回数

シェア HS MS LSポテンシャル

チャネル

売上額 = 𝛽𝛽0 +𝛽𝛽1× ディテール訪問回数 + 𝛽𝛽2 × 説明会実施回数+𝛽𝛽3 × eセミナー視聴回数 + 𝛽𝛽4 × DMクリック回数 + ⋯ + 𝜀𝜀

■1回当りの売上増加額→コストと見合っているか？（例）説明会のMS/LSのLPは費用対効果が低い

■リソース配分→効果に見合っているか？（例）ディテールのHSのMPは効果に比べ訪問回

数が少ない

売上予測回帰モデルの構築

アウトプットイメージ

マルチチャネルプロモーションにおいて、各チャネルの効果を測定し、費用対効果を把握することが重要です。回帰モデルを構築することにより、各チャネルのプロモーション1単位当りの売上増加額を回帰係数として算出することができます。


②非線形回帰モデルによる飽和点の把握

8

線形回帰から非線形回帰へ

売上額 = 𝛽𝛽0 +𝛽𝛽1× ディテール訪問回数（𝐷𝐷𝐷𝐷𝐷𝐷） + 𝛽𝛽2 × 説明会実施回数+𝛽𝛽3 × 𝑒𝑒セミナー視聴回数 + 𝛽𝛽4 × 𝐷𝐷𝐷𝐷クリック回数 + ⋯ + 𝜀𝜀

𝛽𝛽11 + 𝑒𝑒−𝜆𝜆 𝐷𝐷𝐷𝐷𝐷𝐷−𝑁𝑁0

DTL回数

売上額線形回帰モデル

DTL回数

売上額レスポンスカーブ

𝛽𝛽1

𝑁𝑁0

シグモイド関数

飽和性を取り入れる

𝛽𝛽1：飽和時の売上額𝑁𝑁0：飽和回数の目安𝜆𝜆：傾き

線形回帰モデルを非線形モデルへ拡張することにより、レスポンスカーブを求めることができます


③レスポンスカーブによるリソース最適化

9

最適面談回数をMRへ連携・スケジューラ反映

最適化結果

MR活動カレンダーにも反映

MR支援情報イメージ今月はDr.Aに10回の訪問を推奨します。(統4+双2+う4回)

実績：9回残り：1回

STEP3:結果を元にMRへ情報支援

Dr.・回数期待効果

Dr.A 10 800万

Dr.B ･･･ 140万

Dr.C 3 700万

合計 XX 1640万

A

DTL回数

売上

規制やポリシーの製薬

リソースの制約

DTL回数

売上C

DTL回数

売上B

医師ごとの面談回数に対する反応度と期待効果を算出

制約条件・コンタクトポリシーを加味して期待効果が最大となる面談回数を算出

医師、製品ごとに異なるレスポンスカーブ

【制約条件】最小訪問回数：1回最大訪問回数：10回

MR全体訪問回数= 200(20日×10人)

※セグメントごとに算出

Dr. 回数期待効果

Dr.A 1 100万

Dr.A 2 120万

Dr.A ･･･ 600万

Dr.A 10 800万

Dr.B 1 100万

Dr.B 2 120万

Dr.B ･･･ 140万

Dr.B 3 600万

Dr.C 1 0万

Dr.C 2 0万

Dr.C ･･･ 0万

Dr.C 3 700万

STEP1:期待効果算出 STEP2:訪問回全体最適化

製品X

製品Y製品Z

SAS/OR®による最適化

（期待効果の最大化）

顧客ごとに算出したレスポンスカーブを利用して、MRリソースの最適化を行うことができます。無駄なリソースを再配分しROIを高めます。数理的には線形計画問題の最適化を行います。

MRリソースの最適化


④階層ベイズモデルによるOne-to-Oneマーケティング

10

前述の回帰モデルにおいては、各チャネルのプロモーション効果を表す回帰係数は顧客全体の代表値を表すものであった。

回帰モデルを「階層ベイズ化」することにより、顧客ごとにチャネル効果を測定することができる。

これにより顧客ごとのきめ細かい施策を行うことができる。一般に、階層ベイズの手法は顧客異質性を取り入れたOne-to-Oneマーケティングの実践を可能にする分析手法として近年注目されて

いる。

参考文献「階層ベイズモデルによる美容室顧客の来店間隔分析」：申忠建（2008）筑波大学大学院修士論文「医師の異質性を考慮した医薬品業界における営業訪問効果の分析」：

井上友彦・佐藤忠彦（2010）科研費(A) 21243030による研究集会 "マーケティングサイエンスの新展開"プログラム「ベイズモデリングによるマーケティング分析」：照井伸彦（2008）東京電機大学出版局「データ解析のための統計モデリング入門一般化線型モデル・階層ベイズモデル・MCMC」：久保拓弥（2012）岩波書店「ビッグデータ時代のマーケティングベイジアンモデリングの活用」：佐藤忠彦・樋口知之（2013）講談社

階層ベイズモデルでできること



11

説明変数：ディテール回数（その他のチャネルは無視）目的変数：売上額全顧客をまとめたモデリング

顧客ごとに分布系統が異なる。データ全体に対する回帰直線では顧客ごとのばらつき

（異質性）が取り込めていない。

0

100

200

300

400

500

600

700

800

0 50 100 150 200 250 300 350 400

Y

X

薬剤全体

0

100

200

300

400

500

600

700

800

0 50 100 150 200 250 300 350 400

Y

X

薬剤A薬剤B薬剤C薬剤D薬剤E

回帰モデルにおける顧客異質性

■売上に対するチャネル効果回帰モデル ■顧客ごとの分布

階層として「顧客」を導入することにより、顧客異質性を考慮する ⇒ 混合モデル

全顧客

顧客A顧客B顧客C顧客D顧客E



12

( ) ε++++= XbbaaY RandomFixedRandomFixed

固定項• 全体傾向を表す。

ランダム項• 顧客ごとにランダムに変動する項。• 一定の分布（正規分布）に従う。

混合モデル

回帰モデルから混合モデルへ

パラメータ推定方法

最尤推定

ベイズ推定顧客ごとのデータ数が少ない場合、安定な解が得られる



13

データからパラメータ（a,b）を推定したい

ベイズ推定

回帰モデル尤度関数最尤推定

ベイズ推定

パラメータの最適値を求める

ベイズの定理によりパラメータの事後分布を求める

■事後分布∝尤度関数×事前分布

a=58b=9.2

a58 b9.2

推定値はひとつの値として求まる

推定値は分布関数として求まる

事後分布

ベイズの定理

※混合モデルも同様にベイズ化することができる

𝐷𝐷 𝑥𝑥, 𝑦𝑦 𝑎𝑎, 𝑏𝑏 = �𝑖𝑖

𝑝𝑝 𝑦𝑦𝑖𝑖 𝑎𝑎, 𝑏𝑏, 𝑥𝑥𝑖𝑖

∝�𝑖𝑖

𝑒𝑒−𝑦𝑦𝑖𝑖−𝑎𝑎−𝑏𝑏𝑥𝑥𝑖𝑖 2

2𝜎𝜎2

𝑦𝑦 = 𝑎𝑎 + 𝑏𝑏𝑥𝑥 + 𝜀𝜀

𝑝𝑝 𝑎𝑎, 𝑏𝑏 𝑥𝑥,𝑦𝑦 ∝ 𝐷𝐷 𝑥𝑥,𝑦𝑦 𝑎𝑎, 𝑏𝑏 𝑝𝑝 𝑎𝑎, 𝑏𝑏



14

PROC MCMC DATA=data OUTPUT=postout NMC=50000 SEED=1234 PLOTS=trace;PARMS b0 0 b1 0 s2 1 s2g 1;PRIOR b: ~ normal(0, var=10000);PRIOR s: ~ igamma(0.01, scale=0.01);RANDOM gamma ~ normal(0, var = s2g) / SUBJECT=doctor;mu = b0 + b1 * X + gamma;MODEL Y ~ normal(mu, var = s2);

RUN;

proc mcmcによる階層ベイズのパラメータ推定 proc mcmc

• ベイズモデリングを行うためのSASプロシージャ。• MCMC（マルコフ・チェーン・モンテ・カルロ）を実行する。• 回帰モデル、混合モデルの他、一般的な統計モデルをベイズ化することができる。

ランダム項の分布の指定

■SASコードの実装例

事前分布の指定

モデル（尤度関数）の指定



15

アウトプットイメージ

顧客ごと×チャネルごとに効果が求まる

顧客ごとのチャネル嗜好性に基づいたきめ細かいプロモーション計画（One-to-Oneマーケティング）• デジタルチャネルを好む（デジタルチャネルの効果が高い）顧客へのデジタルリソースの重点配分

顧客のクラスタリングおよびプロファイリング• ディテールを好む顧客／デジタルチャネルを好む顧客はそれぞれどのような顧客か。

顧客ID ディテール効果説明会効果 eセミナー効果 DMクリック効果aaa 2,101 8,987 3,299 128bbb 2,598 13,035 2,582 982ccc 1,825 9,518 2,991 339ddd 2,093 9,902 1,207 1,755eee 1,552 11,405 2,295 894・・・

0

100

200

300

400

500

600

700

800

0 50 100 150 200 250 300 350 400

Y

X

薬剤A薬剤B薬剤C薬剤D薬剤E

顧客A顧客B顧客C顧客D顧客E

アウトプットの活用


⑤機械学習モデルによるターゲティング精緻化

16

チャネルAを実施した施設未実施の施設グループ

ランダム項：大

ランダム項：小

効果の高い施設グループ

フラグ=1

効果の低い施設グループ

フラグ=0

効果の高い施設フラグ（0/1）を目的変数にし、施設の属性データを説明変数にしたDMを作成。

目的変数（効果の高い施設）を予測する機械学習モデルを構築。（決定木、ランダムフォレスト、ニューラルネット等）

SAS/EMで実施可能

機械学習モデルの構築

機械学習モデルの適用

施設のスコアリング

スコア：大

スコア：小

スコアの高い施設にリソースを集中し効率を高める

階層ベイズによるランダム項の活用ランダム項で得られた施設のチャネル感度情報をもとに、プロモーション未実施の施設の中から「実施すれば効果が高いであろう」施設を予測しターゲティング精度を高めることができます。


⑥アソシエーション分析によるチャネル組合せ最適化

17

• どのようなチャネルの組合せ有効か• どのような順序でアクセスし購入に至っているか

DTL eセミナー DM 自社サイトNO 信頼度サポートリフト値カウントルール1 31.3 0.16 4.40 95 1_DTL & 0_eセミナー & 0_DM ==> 購入

2 31.2 0.15 4.39 92 2_DTL & 0_eセミナー & 0_DM ==> 購入

3 30.9 0.17 4.36 103 3_DTL & 0_eセミナー & 0_DM & 0_DTL ==> 購入

4 30.7 0.18 4.32 108 2_DTL & 1_DM & 0_eセミナー & 0_DTL ==> 購入

5 30.1 0.13 4.24 78 1_DM & 1_DTL & 0_eセミナー & 0_DTL ==> 購入

6 30.1 0.13 4.24 80 2_自社サイト & 2_DM & 2_DTL & 1_自社サイト & 1_DM ==> 購入

7 29.8 0.15 4.20 93 2_自社サイト & 2_DTL & 1_自社サイト & 1_DM & 1_DTL & 0_DM ==> 購入

8 29.8 0.14 4.20 87 2_自社サイト & 2_DTL & 1_自社サイト & 1_DM & 0_DM & 0_DTL ==> 購入

9 29.8 0.14 4.19 83 2_DM & 1_eセミナー ==> 購入

10 29.8 0.17 4.19 105 3_DTL & 2_自社サイト & 2_DM & 1_自社サイト & 0_DM & 0_DTL ==> 購入

11 29.7 0.16 4.19 96 2_DTL & 0_自社サイト & 0_DM & 0_DTL ==> 購入

12 29.6 0.14 4.18 83 3_DTL & 2_DTL & 1_DM & 0_自社サイト & 0_DTL ==> 購入

13 29.5 0.14 4.16 85 2_DTL & 1_DM & 1_DTL & 0_自社サイト & 0_DM ==> 購入

14 29.5 0.15 4.15 92 2_DM & 2_DTL & 1_DM & 1_DTL & 0_自社サイト ==> 購入

15 29.4 0.18 4.14 111 2_DM & 1_DM & 1_DTL & 0_自社サイト & 0_DM & 0_DTL ==> 購入

3ヶ月前 2ヶ月前 1ヶ月前当月

eセミナーを中心にDTL/DMとの組合せ

自社サイトを2ヶ月連続で閲覧後、翌月購入パターン

自社サイトを閲覧後、当月即購入のパターン

信頼度順にソート信頼度は購入率を意味し、効果の強さを表します

マルチチャネルプロモーションにおいて、どのようなチャネル接触履歴を経て購入／売上増につながるかを理解することが重要です。アソシエーション分析は接触履歴を購入・売上増につながりやすい順にランキングし、有効なチャネルアプローチを可視化します。

カスタマージャーニーの可視化


3. アナリティクスの仕組化・自動化


マーケティング・オートメーションの構築・運用

19

前述のマルチチャネル分析によりプロモーションを効率化する様々な知見・情報が得られた。

この結果を利用し実際の施策に落とし込みたい。

① マルチチャネル分析を組み合わせて、特定の医師に特定のタイミングで実施すべきアクションを決定する⇒ 施策実行エンジン

② 施策実行エンジンを自動化・システム化し運用する（マーケティング・オートメーション）

分析から実施策へ

アクション



20

自社Web医療従事者向け

コールセンター

ディテール

説明会

eセミナー

自社DM

3rd PartyDM

3rd Party Web

論文

売上データ

医師属性

施設データ

自社Web患者向け

医師

看護師薬剤師

患者

アクセスログ

通話ログ

訪問履歴

開催履歴

視聴ログ

送付・クリック

送付・クリック

アクセスログ

掲載データ

双方向のアクション

外部データ

• 興味・関心・行動・属性によるセグメンテーション＆ターゲティング

• ロイヤリティ評価

• リソース配分最適化

• チャネル間シナジーの評価

• Webサイト最適化• コールセンターにおける適切な応対

顧客理解

最適化

チャネル間シナジー

コンテンツ強化

• 適切なタイミング×チャネルでのオファー

• パーソナライズされたWebコンテンツ

イベント検知

分析環境オートメーション環境

効果検証

統合データ

オファーシナリオ

• 売上反応率• ROI• DMクリック率• Webサイト訪問回数

チャネルマーケティング・オートメーションのシステム例



21

MR支援シナリオイメージMR支援シナリオイメージ

戦略薬剤○購買促進アプローチシナリオ DM

eセミナー(自社)

MR

説明会

コールセンター

紙媒体

SAS医薬マーケティングソリューションチャネルシステム

チャネル連携

DM

薬剤情報要約メール

Eセミナー誘導

遷移 eセミナー登録あり MR

N

Y

Neセミナー登録

＆薬剤詳細情報

登録？

MRによる興味喚起

と講演会招待

N

Y

Y説明会アンケート施策検証

説明会実施

アプローチ対象

・○○専門医・中規模病院

・薬剤○ロイヤリティ：低・薬剤○購買確度：高

・DM反応度：高・推定eセミナー活用セグメント

・○○系KOLイベント

属性

チャネル選好

選択基準

・・・

アプローチシナリオのイメージ

【MR支援情報】タブレットへの情報配信

医師評価

インターラクティブな施策コミュニケーション

最適なアクションはインターラクティブに決定されます。例えばeセミナーに誘導し、視聴したタイミングで次の施策を決定します。その結果MR訪問が最適と判断されればMRへ訪問誘導情報を共有します。

医師ごとのカスタマージャーニー（例）分析結果から出てくるアウトプットの施策の例。医師ごとに、かつ医師のアクションイベントのタイミングに応じて最適なネクストアクションを導き出す。このために自動化システムが必要になります。



22

医師 eセミナー効果（売上への貢献度）

0073 1,500円0012 1,300円0054 1,200円0024 1,100円

… …0081 250円0011 100円0047 50円

施策実行エンジンのロジック（例）

DMクリック医師への次のアクションは？

【アウトプット】ターゲット医師リスト

例）信頼度の高いルールの上位10位を選定。その中の一つは DM ⇒ eセミナー ⇒ 購入

DM

薬剤情報要約メールeセミナー誘導

遷移 eセミナー

N

Y

eセミナー登録＆薬剤詳細情報

アソシエーション分析（チャネルシナジー）

エンジンの部品となる分析

階層ベイズモデル（チャネル効果測定）

マルチチャネル分析の結果を組合わせて、顧客ごとの次の打ち手を決定します。


END

医薬品マーケティングにおけるマルチチャネル分析 …...Title PowerPoint...

Documents

Transcript of 医薬品マーケティングにおけるマルチチャネル分析 …...Title PowerPoint...