Бизнес–аналитика. Типология данных и их визуализация

Умаров Сергей Закирджанович
Проф. кафедры военной фармации Военно–медицинской академии им. С.М. Кирова (Санкт–Петербург), д.фарм.н.

Постепенно информация начинает играть ключевую роль в фармацевтическом бизнесе: без четкого понимания своего места на рынке, потребностей клиентов, действий конкурентов и много другого невозможно построить эффективную фармацевтическую организацию.

Нарастающий темп развития высоких технологий, в частности информационных, позволил анализировать бизнес-данные широкому кругу лиц. Ритейл имеет возможность фиксировать время каждой покупки, характеристики товара и покупателя. Как отмечал Билл Гейтс в книге "Бизнес со скоростью мысли": "Успеха в ближайшем десятилетии добьются только те компании, которые сумеют реорганизовать свою работу с помощью электронного инструментария… Самый надежный способ выделить свою компанию среди конкурентов — это хорошо организовать работу с информацией". Однако, чем больше информации, тем сложнее увидеть в ней скрытые для обычного взгляда тенденции и закономерности, крайне важные для принятия верного управленческого решения. Для того чтобы найти такое решение, был разработан целый комплекс количественных методов и технологий, объединенных общим понятием — бизнес-аналитика. Фармацевтическая бизнес–аналитика — мультидисциплинарная область, находящаяся на стыке информационных технологий, управления и экономики фармации, алгоритмов интеллектуальной обработки информации, математической статистики и методов визуализации.

Прежде чем принять решение, менеджмент фармацевтической организации должен сделать все, чтобы эти решения были оптимальными и своевременными. Для этого требуются не просто отчеты о проделанной работе, а в первую очередь цифры (показатели) в различных разрезах, правила, зависимости, тенденции и прогнозы. Для реализации всего вышеперечисленного необходимы исходные данные, характеризующие параметры тех или иных бизнес-процессов фармацевтической организации.

Для подготовки управленческого решения на основе методов бизнес-аналитики могут быть использованы данные разных типов. Для корректного использования соответствующих методов важно представлять, какого типа данные будут обрабатываться. Упрощенно все данные можно разделить на два основных типа: качественные и количественные. Качественные данные (nominal data) также называются классификационными, неупорядоченными, когда наличествуют признаки, которые нельзя выразить количественно: наименование лекарственного препарата, номер аптеки, квалификация персонала (провизор, фармацевт). Иными словами, можно сказать, что такие данные измерены по номинальной шкале. Название «номинальный» означает, что такой признак дает лишь ничем не связанные имена объектам. Эти значения для разных объектов либо совпадают, либо различаются; никакие более тонкие соотношения между значениями не зафиксированы. Если для обработки качественных данных предполагается использовать специализированное программное обеспечение, то такие данные могут (или должны) быть оцифрованы: например, 1 — Ацетилсалициловая кислота, 2 — Баралгин, 3 — Викаир и т.д. Смысла эти числа не имеют, только удобную форму записи. Частным случаем качественных данных являются дихотомические данные (признаки, имеющие только два значения, типа "да — нет", называются также бинарными). Примером дихотомических данных может быть оценка качества лекарственного препарата (качественный, некачественный). Для оцифровки дихотомических данных принято использовать числа 0 и 1: 0 — "нет", 1 — "да". Для некоторых программных пакетов такая кодировка обязательна. Следует обратить особое внимание на две особенности качественных (номинальных) данных:

1. Если двум элементам поставлено в соответствие одно и то же номинальное значение, то это означает, что при измерении эти элементы не различаются. Например, если при оценке выполнения планов трех аптек двум из них присвоена «1», а третьей – «0», то это может означить, что только две аптеки добились выполнения плана (1 — план выполнен; 0 — не выполнен).

2. При использовании качественных (номинальных) данных символы 1, 2, … n, используемые в качестве измерений, являются не числами, а цифрами, служащими лишь для обозначения и различения объектов (цифра 2 не является в два раза или на 1 больше цифры 1, в отличие от чисел 2 и 1).

Промежуточное место между качественными и количественными данными занимают так называемые порядковые данные (ordinal data), которые могут носить названия – ординальные или признаки с упорядоченными состояниями. Примером данных, измеряемых по шкале порядка, может быть терапевтический эффект препарата (высокий, средний, низкий). Такие признаки могут быть осмысленно оцифрованы, поскольку порядок состояний имеет смысл. Часто к порядковым (ординальным) данным следует относить балльные оценки, полученные при проведении тестов или экспертиз.

Количественные данные (numerical data) выражают те или иные характеристики бизнес-процессов с помощью чисел, имеющих содержательный смысл: товарооборот аптеки, численность персонала, широта ассортимента фармацевтических товаров и др. Характерной особенностью количественных данных является возможность производить с ними любые математические операции, результаты которых имеют смысловую нагрузку. Для большей наглядности структура типологии данных представлена на рис. 1.

В качестве примера различного типа данных можно рассмотреть показатели, характеризующие динамику условных транзакций (продаж) лекарственных препаратов, применяемых для лечения гриппа и простуды различными категориями посетителей условной аптеки (табл. 1).

Так, данные, представленные в графах 1–2 табл. 1, можно смело отнести к качественным (номинальным) — порядковые номера и наименования ЛП. Что же касается информации, находящейся в графах 3–6, то она представляет собой категорию количественных данных, т.к. числа имеют содержательный смысл, что подтверждают результаты суммирования (графа 6). Посетители аптеки характеризуются в формате порядковых данных ("Пожилые", "Среднего возраста", "Молодые"). В таблице наглядно проиллюстрирована природа данных, она дает возможность, при необходимости, получить новые количественные показатели, такие, например, как, "Суммарное количество продаж по группам посетителей", "Среднее количество продаж" и др., характеризующие фармацевтические бизнес–процессы.

Однако на практике подобного рода данные получить достаточно непросто. Дело в том, что бизнес–данные, накапливаемые фармацевтическими компаниями, редко нацелены на решение аналитических задач. В первую очередь данные собирают для коммерческих целей — ведение учета, составление финансовой отчетности и др. Тем не менее знание основ фармацевтической бизнес-аналитики позволяет решить эту проблему. В качестве первого шага необходимо использовать визуализацию данных — представление данных в виде, который обеспечивает максимально удобную (эффективную) работу руководителя. В настоящее время в фармацевтической бизнес-аналитике используется несколько методов визуализации. Выбор того или иного метода определяется особенностями и типом данных, спецификой решаемой задачи и, наконец, предпочтениями специалиста. С практической точки зрения интерес представляет метод анализа частот. Результатом анализа частот является построение таблиц и графиков частот. Процесс построения таблицы частот для одной переменной называется табуляцией, а для нескольких переменных — кросстабуляцией.

Рассмотрим способы визуализации данных с помощью анализа частот на примере (табл. 2).

Как видно, в табл. 2 представлены неупорядоченные данные (за исключением порядковых номеров), ординального (графы 1 и 2) и порядкового типа (графа 3). Интерес представляют данные в формате двух переменных — "Наименование ЛП" и "Тип клиента". Первоначально попытаемся определить частоту продаж того или иного препарата. Для этого необходимо табулировать данные переменной "Наименование ЛП". На выходе получаем результаты, представленные в табл. 3.

Анализ результатов, представленных в табл. 3, показывает, что наиболее часто имеют место продажи таких препаратов, как Ацетилсалициловая кислота (АСК) и Антигриппин. Остальные лекарственные препараты разделились на две группы с абсолютным уровнем продаж — 11 и 8 соответственно. Более наглядно полученные результаты могут быть иллюстрированы на диаграмме (рис. 2).

Аналогичным образом, табулируя исходные данные табл. 1, можно получить распределение частот продаж в разрезе типа клиентов. Результаты представлены в табл. 4 и на рис. 3.

Как мы видим, максимальная частота продаж ЛП, применяемых в терапии гриппа и ОРЗ, обеспечивается за счет посетителей средневозрастной категории (46,72% — практически половина всех наблюдаемых продаж). Лидирующее положение можно объяснить тем, что это наиболее активная часть населения и, как следствие, наиболее обеспеченная, которая не может позволить себе длительный период заболевания и готова платить. Что касается пожилых пациентов, то, несмотря на возрастные причины и большую склонность к заболеваниям, они в ряде случаев и в силу экономических обстоятельств не всегда могут позволить себе интенсивное приобретение препаратов. Ну а молодые клиенты по причине уже упомянутых экономических обстоятельств и достаточно крепкого здоровья могут обойтись и минимальным количеством ЛП.

Однако с практической точки зрения весьма интересными могут оказаться данные, характеризующие потребительские предпочтения. Для того чтобы выяснить, какие конкретно ЛП для лечения гриппа и ОРЗ предпочитает та или иная группа посетителей аптечного предприятия, следует использовать метод кросстабуляции.

Кросстабуляция — это процесс объединения двух (или нескольких) таблиц частот так, что каждая ячейка (клетка) в построенной таблице представляется единственной комбинацией значений кросстабулированных переменных, тем самым позволяя совместить частоты появления наблюдений на разных уровнях рассматриваемых факторов. Исследуя эти частоты, можно определить зависимости между кросстабулированными переменными. Данные, полученные в ходе обработки исходных, представлены в табл. 5 и на рис. 4.

На представленных выше табл. 5 и рис. 4 отчетливо просматриваются предпочтения клиентов (отмечены овалом). Так, лица пожилого возраста, в подавляющем большинстве, приобретают проверенные Антигриппин (13 покупок) и АСК (16 покупок). Спектр предпочтений клиентов среднего возраста несколько шире и включает Анвимакс (10 покупок), а также Викс Актив и Максиколд (по 9 покупок). Молодежь предпочитает в основном Фервекс и Ринзу с витамином С (по 6 покупок) — препараты с широкой рекламной поддержкой.

Таким образом, на примере, максимально приближенном к реальности, нам удалось показать, как методами фармацевтической бизнес–аналитики на основе качественных данных получить количественные результаты и интерпретировать их в интересах фармацевтической бизнес-практики руководством аптечной сети (аптечного предприятия).