Ampliar el impacto de la IA: cómo Bayer y otras empresas farmacéuticas líderes están construyendo una base de datos global para impulsar la excelencia comercial

Los casos de uso de la Inteligencia Artificial (IA) se están extendiendo por las áreas comerciales de la industria farmacéutica, ayudando a las empresas a tomar decisiones más rápidas y fundamentadas. Sin embargo, casi el 70% de los usuarios de IA generativa (GenAI) señalan la mala calidad de los datos como el obstáculo más importante a la hora de aprovechar todo el potencial que ofrece la IA. A medida que crece la adopción de aplicaciones, la verdadera ventaja competitiva reside en la calidad de los datos que las alimentan.

Para aprovechar plenamente la IA, los líderes comerciales están desarrollando una base de datos escalable y perfectamente conectada en todos los mercados, funciones y áreas terapéuticas. Sin ella, los proyectos piloto de IA de las empresas podrían quedarse en experimentos aislados. Quienes se centran en crear datos estandarizados y bien integrados pueden liberar todo el potencial de la IA para obtener una ventaja competitiva y asegurar el éxito a largo plazo.

Coherencia y conectividad de los datos: la base de la IA

Los equipos comerciales de las empresas farmacéuticas se encuentran en una posición única para aprovechar estratégicamente la IA, ya que recopilan grandes cantidades de datos, tanto por parte de sus clientes, como de los equipos de ventas, de medical engagement o de las redes sociales. El siguiente paso es armonizar los datos, es decir, “hablar el mismo idioma” para generar información precisa y escalable.

Consideremos una situación común: un sistema registra a un profesional sanitario (HCP) como “John Smith” y otro como “J. Smith.” De la misma manera, en una base de datos se registra el término “cardiología” mientras que en otra base encontramos “medicina cardíaca.” La IA puede no distinguir estas diferencias, dando lugar a errores, redundancias y datos poco fiables. Estas incoherencias suelen proceder de las variaciones entre diversas fuentes de datos, lo que da lugar a confusión para las herramientas de IA y reduce significativamente su capacidad para aportar valor.

Continuando con los ejemplos, la base datos de HCPs de una empresa farmacéutica contaba con más de 25.000 nomenclaturas de especialidades, lo que hacía casi imposible ofrecer información basada en IA. La empresa resolvió este problema implementando estándares de datos globales, lo que mejoró significativamente su precisión y escalabilidad.

Aunque la IA sigue mejorando en lo que respecta al tratamiento de este tipo de imprecisiones, su éxito sigue dependiendo de la calidad de los datos con los que se entrena. Esto es especialmente decisivo en el ámbito comercial de las empresas farmacéuticas, donde los datos son a menudo fragmentados, escasos e inconsistentes, lo que obstaculiza la capacidad de la IA para generar conclusiones significativas.

El proceso de Bayer AG hasta contar con datos globalmente estandarizados y aptos para la IA

Superar los retos basados en la coherencia de los datos supone tomar un enfoque que abarque a toda la organización. Algunas empresas farmacéuticas líderes ya están avanzando al priorizar la estandarización global de datos para conectar la información y ejecutar iniciativas de análisis avanzado.

Por ejemplo, Bayer AG buscaba crear una visión 360º del cliente para proporcionar a sus equipos de campo información completa antes de interactuar con los HCPs. Sin embargo, los silos de datos en distintas regiones dificultaban la obtención de una visión unificada.

Stefan Schmidt, group product manager de Bayer AG, lideró los esfuerzos de armonización de datos de la compañía. Schmidt comprendió que los datos generados a partir de la IA seguirían siendo poco fiables sin una base de datos centralizada y precisa. “Nuestro panorama global de datos estaba fragmentado: los distintos países dependían de fuentes diferentes. Para tener una visión completa, necesitábamos un sistema de clientes unificado,” explica Schmidt.

Al armonizar los datos en todas las zonas geográficas y funciones, Bayer eliminó las incoherencias y mejoró la accesibilidad. La empresa consolidó fuentes de datos clave (CRM, historial de engagement y perfiles de clientes) en una plataforma única e intuitiva para sus equipos de ventas.

“En cuestión de semanas, desarrollamos una solución que nuestros equipos valoraron realmente,” afirma Schmidt. Con una única fuente de información conectada, Bayer AG está ahora preparada para obtener información escalable e impulsada por IA en toda la organización.

Cómo los líderes comerciales pueden escalar la IA

La experiencia de Bayer AG demuestra el poder de una base de datos estandarizada a escala global y la importancia de convertirla en una prioridad estratégica para ampliar el impacto de la IA.

Para evitar los errores más comunes, los responsables comerciales deben abordar tres retos clave relacionados con los datos.

1. El negocio: trasladar los pilotos de IA del aislamiento a la ejecución

Una estrategia de IA coherente, alineada con las prioridades de la empresa, es el mejor indicador de éxito. Muchas organizaciones llevan a cabo proyectos piloto locales sin tener en cuenta la escalabilidad, creando repetidamente soluciones específicas para cada país basadas únicamente en datos nacionales. Este planteamiento impide que los datos se conecten entre países y limita la capacidad de la IA para generar perspectivas transnacionales.

Para ampliar eficazmente los resultados de la IA, los líderes comerciales deberían:

● Alinear las prioridades de la IA con objetivos empresariales a largo plazo que aseguren que se abordan oportunidades de gran impacto en lugar de experimentos a corto plazo.

● Colaboración entre funciones — datos, analítica, digital, e IT— para crear una hoja de ruta de IA escalable; con recursos, plazos e inversiones bien definidas.

● Establecer estructuras de gobernanza que apoyen la adopción de la IA a nivel empresarial, asegurando la coherencia y homogeneidad entre regiones.

2. Datos y análisis: estableciendo estándares globales de datos

Una vez establecida una dirección estratégica, los equipos de datos y análisis pueden garantizar el acceso a datos de alta calidad, estandarizados y conectados a nivel mundial. Reunir datos específicos de cada país dificultará el despliegue de iniciativas en distintos mercados.

Para superar esta fragmentación, las organizaciones deben:

● Estandarizar las estructuras de datos a nivel global, garantizando que los modelos de IA entrenados en una región específica puedan ser aplicados sin problema de forma global.

● Invertir en assets de datos conectables que puedan ser integrados con información de clientes, ventas y engagement en toda la organización.

● Perfeccionar continuamente la calidad de los datos, asegurando que los modelos de IA se construyan a partir de datos precisos y armonizados que respalden la toma de decisiones de toda la empresa.

3. Digital e IT: reducir la complejidad de la integración

Los equipos tecnológicos desempeñan un papel fundamental a la hora de hacer escalable la IA reduciendo la fricción de los datos, eliminando integraciones costosas y rompiendo los silos de datos.

Para respaldar los esfuerzos de la IA, los equipos tecnológicos deben:

● Alinear los modelos de datos en todos los sistemas para evitar el mapeo ineficiente de datos y las integraciones redundantes.

● Evaluar las ineficiencias de los procesos como los acuerdos de third-party access (TPA) que ralentizan el flujo de datos y requieren un trabajo administrativo innecesario.

● Implementar marcos de gobernanza de datos escalables que agilicen el despliegue de IA en múltiples mercados.

Tus datos definen las posibilidades de la IA

La adopción de la IA por parte de los equipos comerciales de las empresas farmacéuticas se está acelerando, lo que incrementa la necesidad de contar con datos de alta calidad y conectados, para un engagement más personalizado.

Es fundamental abordar la estandarización de los datos con la misma urgencia que la definición de la estrategia y la infraestructura de la IA. En definitiva, la verdadera pregunta no es “¿Cómo puedo usar la IA?” sino “¿Cómo puedo hacer que mis datos funcionen y sean útiles para la IA?”

Autor: Karl Goossens, Director, OpenData Strategy en Veeva Europa