फार्मा ब्रांड बिक्री पूर्वानुमान

मुझे याद है कि मैंने अपने सहकर्मियों/वरिष्ठों से एक प्रश्न पूछा था जब मैंने ड्रग की मात्रा के लिए एआरआईएमए पूर्वानुमान पर काम करना शुरू किया था और टीम के अन्य सदस्य रैंडम फ़ॉरेस्ट मॉडल का उपयोग करके अगले तीन महीनों में ड्रग वॉल्यूम की भविष्यवाणी करने पर काम कर रहे थे। सवाल था, "क्या भविष्यवाणी और भविष्यवाणी में कोई अंतर है?" और मुझे जो उत्तर मिलता था वह था 'हां', लेकिन मैं कभी संतुष्ट नहीं हुआ। उनकी चर्चा के दौरान मैंने महसूस किया कि उनके बीच एक धारणा थी कि दोनों बहुत अलग हैं। लेकिन समय के साथ, जब मैंने ६-महीने की पूर्वानुमान परियोजना पर काम किया, तो मैंने महसूस किया कि एक महीन रेखा है और पूर्वानुमान भविष्यवाणी मॉडलिंग के सबसे सामान्य अनुप्रयोगों में से एक है। तो, पूर्वानुमान वास्तव में क्या है? और यह भविष्य कहनेवाला विश्लेषण के क्षेत्र में कैसे फिट बैठता है?

एक औसत व्यक्ति के लिए पूर्वानुमान वर्तमान और अतीत के परिदृश्य के आधार पर अनदेखी भविष्य (मुख्य कीवर्ड) के बारे में सबसे अच्छा निर्णय (सीधे शब्दों में कहें, भविष्यवाणी) है, जबकि भविष्यवाणी केवल अनदेखी डेटा के आधार पर परिणाम का अनुमान लगा रही है। तो, संक्षेप में, पूर्वानुमान अस्थायी जानकारी, यानी समय-श्रृंखला डेटा के साथ भविष्यवाणी का एक सबसेट है। बहुत से लोग सटीक पूर्वानुमान लगाने पर काम कर रहे हैं, लेकिन भविष्य से जुड़ी अनिश्चितता के कारण मशीन लर्निंग के क्षेत्र में यह सबसे चुनौतीपूर्ण कार्यों में से एक है। कई लोगों ने वास्तविक संख्या को अधिक आंकने या अपेक्षा से कहीं अधिक प्राप्त करने के कारण प्रयास किया और असफल रहे। इसलिए, यह एक सतत सुधार प्रक्रिया है और बाजार में कई नए तरीके उभर कर सामने आएंगे।

फार्मा फोरकास्टिंग में और गहराई तक जाने के लिए, पहला महत्वपूर्ण प्रश्न किसी भी फार्मा कंपनी के लिए फोरकास्टिंग का उद्देश्य है? इसके विभिन्न उपयोग हो सकते हैं- जैसे कि राजस्व योजना, उत्पादन योजना, संसाधन आवंटन, परियोजना प्राथमिकता, भागीदारी निर्णय, मुआवजा योजना, पैरवी के प्रयास, और आगे । यह पूर्वानुमान को अधिक चुनौतीपूर्ण बनाता है क्योंकि इसे विविध हितधारकों को पूरा करने की आवश्यकता होती है। पूर्वानुमान उपयोग के साथ अन्य जटिलता यह है कि क्या इसका उपयोग अप्रत्यक्ष रूप से (किसी अन्य फ़ंक्शन में खिलाया गया) या द्विदिश रूप से किया जाता है (पूर्वानुमान में अन्य बाजार की घटनाओं के प्रभाव / योगदान को मापने के लिए उपयोग किया जाता है, जिसे " पूर्वानुमान फ़ंक्शन " कहा जाता है )। इसलिए, सर्वोत्तम पद्धति का चयन करने के लिए पूर्वानुमान प्राप्तकर्ताओं की आवश्यकता को समझना महत्वपूर्ण है।

परियोजना के पूरा होने के अंत तक, मैं समझ गया था कि पूर्वानुमान का अगला सबसे महत्वपूर्ण पहलू पूर्वानुमान को चलाने में हितधारकों द्वारा विचार किए गए इनपुट परिदृश्यों और धारणाओं को रिकॉर्ड करना है, क्योंकि इनका उपयोग संसाधन आवंटन निर्णयों को निर्देशित करने के लिए किया जाता है। फोरकास्टर ब्रांड को प्रभावित करने वाले सभी क्षेत्रों को इकट्ठा करने में सक्षम नहीं हो सकता है जहां अन्य कार्यात्मक टीमें खेल में आती हैं। कृपया ध्यान दें कि यह एक सतत प्रक्रिया है, जो बदलते संसाधन आवंटन के आधार पर समय-समय पर पूर्वानुमानों को समायोजित करती है।

दूसरी ओर, इस बात पर जोर देना आवश्यक है कि पूर्वानुमान आमतौर पर एक संख्या नहीं होती है। लेकिन भविष्य में अनिश्चितता से जुड़ी विविधताओं को शामिल करते हुए विश्वास के साथ घटित होने की संभावना के साथ पूर्वानुमानों की एक श्रृंखला प्रदान करना उद्योग में आम है। इसे संभाव्य पूर्वानुमान कहते हैं।

अब, एक भविष्यवक्ता के रूप में, मैं सीधे अगले भाग की ओर बढ़ूंगा कि पूर्वानुमान कैसे बनाया जाता है।

ए। पूर्वानुमान की आवश्यकता को परिभाषित करना (पहले से ही उपरोक्त अनुभाग में चर्चा की गई है)

बी. पूर्वानुमान के अंतिम दर्शकों का आकलन करना, यानी, व्यवसाय/प्रक्रिया केंद्रित या तकनीकी रूप से भारी?

सी. ऐतिहासिक ब्रांड बिक्री और घटनाओं की गतिशीलता पर बाजार अनुसंधान (नया/इन-मार्केट)

डी. उपयुक्त कार्यप्रणाली का चयन करना और मॉडल में प्रासंगिक बाजार संसाधनों को शामिल करना।

ई. सर्वोत्तम भविष्य की धारणाओं को अंतिम रूप देना और पूर्वानुमान परिणामों का विश्लेषण करना

एफ। अंतिम उपयोगकर्ता, यानी सभी हितधारकों को प्रस्तुत करना।

G. भविष्य के समायोजन के लिए पूर्वानुमान मॉडल में फीडबैक लूप जोड़ना।

बी. लक्षित दर्शकों का आकलन करना क्यों आवश्यक है?

मेरी परियोजना के प्रत्येक चरण में, मैंने महसूस किया कि हालांकि शुरू में, ग्राहक पूर्वानुमान के लिए तकनीकी रूप से भारी उन्नत भविष्य कहनेवाला विश्लेषण जैसे वृक्ष-आधारित मॉडल का लाभ उठाना चाहता था, उन्होंने बाद में महसूस किया कि यह एक व्यापक दर्शकों के लिए परिचालित होने के लिए पर्याप्त पारदर्शी नहीं हो सकता है। जटिल मशीन लर्निंग मॉडल से जुड़े 'ब्लैक बॉक्स' की आभा के कारण संगठन। इसके अलावा, एक अहसास था कि अंतिम-उपयोगकर्ताओं के लिए पूर्वानुमान को बार-बार समायोजित करने के लिए ऐसे मॉडल में साधारण परिवर्तन करना कठिन होता है। नतीजतन, हमने अपने मशीन लर्निंग मॉडल पर एक सिम्युलेटर बनाया जिसने क्लाइंट को विभिन्न परिदृश्यों के आधार पर अनुमानों को मोड़ने की अनुमति दी।

इसलिए, मैं कहूंगा कि वास्तविक जिम्मेदारी भविष्यवक्ता पर है कि वह ऐसे पूर्वानुमान तरीके प्रदान करे जो दर्शकों की जरूरतों को पूरा करें।

सी. यह समझना सबसे जरूरी है कि ब्रांड को बाजार में कैसे रखा जाता है, चाहे वह नया उत्पाद हो या परिपक्व हो। यदि यह एक नया उत्पाद है, तो डेटा की कमी के कारण भविष्य कहनेवाला मॉडलिंग संभव नहीं हो सकता है, और बाजार अनुसंधान को प्राथमिकता दी जाएगी (हालांकि इसी तरह की पुरानी सादृश्यता पर विचार किया जा सकता है)। मेरे मामले में, दवा एक परिपक्व ब्लॉकबस्टर थी, एक मतलब बाजार में पर्याप्त ऐतिहासिक डेटा (5 वर्ष) के साथ आगे बढ़ने के लिए। इसलिए, मैंने पिछले मासिक समय श्रृंखला बिक्री को समझने के लिए रुझान, चक्र, विचलन, महीने दर महीने वृद्धि को समझने में महत्वपूर्ण समय बिताया।

सी. अब, अगला सबसे महत्वपूर्ण प्रश्न यह है कि उस "सही" पूर्वानुमान पद्धति को कैसे चुना जाए?

1. हमारी परियोजना में प्रारंभिक चर्चा के दौरान, प्रारंभिक बातचीत पूर्वानुमान के समय क्षितिज पर थी। सर्वोत्तम विधि और मॉडलिंग संरचना को कम करने के लिए पहले से जानना बहुत महत्वपूर्ण है। जैसा कि मुझे एक साल का मॉडल पूर्वानुमान करना था, मैंने सटीकता बढ़ाने के लिए मासिक स्तर के पूर्वानुमानों को रोल अप करना चुना।

2. अगला प्रश्न पूर्वानुमान का स्तर था; मेरे लिए, यह राष्ट्रीय और जिला और भुगतानकर्ता स्तर (जिसे हम उप-राष्ट्रीय कहते हैं) पूर्वानुमान हैं क्योंकि ये ग्राहक के लिए व्यवसाय विकास को बढ़ावा देते हैं।

मैं अगली पोस्ट में विस्तृत मॉडल कोड/फ्लोचार्ट के साथ जारी रखूंगा ………………………………………

नोट: आर्थर जी कुक की किताब से लिए गए कुछ संदर्भ/तस्वीरें: फार्मास्युटिकल उद्योग के लिए पूर्वानुमान