医疗科技行业正处于关键时刻。 在与 COVID-19 大流行相关的封锁期间实施的数字解决方案已演变成明确的客户参与偏好。 希望保持竞争力的公司正在重新思考其传统商业模式，并为未来设计差异化的数字战略。
医疗技术行业的公司可以获得比以往更多的数据和更先进的分析。 随着人工智能的可用性和能力不断增长，它被部署来解决日益广泛的商业挑战，包括对客户进行微细分以提供账户洞察、创建账户优先级的购买倾向模型、为客户推荐下一步最佳行动 参与，建议投标支持的投标价格，并帮助预测和防止客户流失（图表 1）。 现在是医疗科技公司通过整合这些和其他功能来重新构想其客户参与模式的时候了。
已经开始探索商业人工智能用例的医疗科技公司已经看到了显着的商业利益和商业增长。 这些早期采用者公司正在获得多项改进，包括客户漏斗指标（例如已识别潜在客户的数量）增加了 1.5 至 2.0 倍； 提案转化率提高 50%； 根据麦肯锡的分析，增量收入增幅高达 10%。
在数据和人工智能的新功能的推动下，医疗技术商业组织中的人工智能用例似乎是无限的——这也是挑战的一部分。 虽然一些公司在人工智能采用方面处于领先地位，但其他公司却因各种可能性而不知所措，并犯了常见的错误。 他们可能正在等待完美的数据集或先进的机器学习工具，而忽视了更基本算法的直接好处。 有些人忙于规划大规模、长期的人工智能战略，以至于错过了增量人工智能的胜利和经验。 其他商业团队不堪重负的公司则将工作外包给 IT 部门，但收效甚微。
人工智能是一个快速发展的领域。 等待最佳工具、数据集、算法、用例或启动时间的公司可能会被抛在后面； 那些越早开始越会产生最大价值。 本文列出了公司常犯的五个错误，以及寻求建立成功的客户参与模型的商业组织可以采取的措施，以实现近期利益并为未来奠定基础。
探索商业人工智能用例时的五个潜在陷阱
医疗科技公司在商业用途中使用人工智能和分析时可以避免五个陷阱：等待完美的数据或技术，假设只有最先进的人工智能才能提供见解，假设数据科学家和现场代表无法合作，只追求完美 机会最大的领域，并采用“要么做大，要么回家”的方法进行高级分析。
1.等待完美的数据或技术
所有类型的客户都期望他们最喜欢的在线零售商或首选金融机构提供无缝、直观、全渠道的消费者体验。 这些经验可以激励医疗技术领导者转变他们自己的客户参与模式。
但企业领导者可能会错误地认为，进步需要数字科技巨头拥有的海量数据和先进技术堆栈。 试图效仿这些巨头可能会引发人们对行业数据广度和质量的担忧。 事实上，医疗科技行业在数据积累和管理方面一直滞后。 历史上，记录客户访问或发送的电子邮件等有价值的数据的优先级较低。 内部数据集常常得不到有效管理。 销售组织依靠直觉而不是洞察力运作。 因此，分析的价值是有限的。
然而，重要的是不要让完美成为完美的敌人。 商业组织可以从数据和分析中获得巨大的价值，而无需新的数据集或理想的技术基础。 一家拥有广泛资本设备和相关消耗品的美国领先医疗技术公司发现，“足够好”的数据基础设施可以实现有价值的分析用例，包括为代表提供有关最有可能购买特定产品的客户的指导 在接下来的三个月中，并产生该指导背后的见解。 该公司没有为是否有足够的数据而绞尽脑汁，也没有担心销售代表永远不会采用分析驱动的流程，而是采取了行动。 它专注于做一些重要的事情，并把它们做好：
它创建了标准数据分类法作为内部数据的支柱，并指派所有者维护数据卫生以及云中数据存储和合规性的最佳实践。
它从单一外部供应商处购买了账户和医疗保健专业人员级别的治疗和使用数据，例如索赔和程序。
最重要的是，它使用通用标识符链接内部和外部数据集。
由于最初的用例证明了它们的好处，该公司购买了额外的数据集，例如付款人组合、患者动态和医疗保健专业人员的渠道偏好。 该公司对数据进行整合、分析，并将所得见解输入到其销售代表和客户服务代理的客户关系管理 (CRM) 系统中。
另一家医疗科技公司的起步更加简单。 该公司是成像领域的全球领导者，希望探索长尾客户细分市场的机会。 首先，它确定了需要清理的数据源，设计了主数据存储库，并手动提取数据。 它无需构建高级算法或雇用数据科学团队，而是使用电子表格功能来开发数据驱动的销售线索评分应用程序，为销售代表带来明显的好处。 此后，该公司整合了更多数据和技术堆栈，采用了新的 CRM 系统，并推出了云营销平台。
终点线总是在移动。 公司永远不会拥有他们认为需要的所有数据，更好的工具将永远在开发中。 但是，当一些公司等待理想的时候，其他公司正在卷起袖子来标准化数据分类，充分利用现有技术，整合内部和外部数据，并构建使他们在市场上脱颖而出的分析用例。 最好的方法是开始试点，通过最小可行的解决方案证明其价值，并利用吸取的经验教训来制定数据和技术堆栈的要求。
2. 假设只有最先进的人工智能才能提供见解
医疗技术领导者可能会被复杂算法产生准确预测的潜力所吸引。 确实，有很多值得兴奋的事情。 但公司不需要最先进的机器学习技术来获得重要的见解。 事实上，更基本的方法可以产生更好的结果，特别是当商业组织开始人工智能进化时。
一家专注于手术设备和用品的美国跨国医疗科技公司在构建预测性下一个最佳行动引擎时吸取了这一教训。 商业成功依赖于公司与医院各利益相关者互动的能力，以展示其生产的医疗用品的价值和效益。 因此，能够向销售代表提供如何更好地吸引利益相关者的建议是企业的首要任务。
该公司将大部分精力投入到数据工程和创建算法上，为销售代表提供关于如何提高与客户互动的高度准确的账户级建议（图表 3）。 在此过程中，它将内部销售和营销数据与外部数据（例如公开的医疗系统数据）结合在一起。 由于预测模型仍在开发中，项目团队使用简单的分析和业务规则来创建帐户潜力和渗透率的量化视图，这是确定帐户优先级的宝贵工具。 将“简单”的帐户优先级工具与“复杂的”次佳操作推荐模型相结合，产生了比单独提供的预测模型更全面的解决方案。 随着预测建模的继续，销售代表可以立即使用客户优先级工具。 一些销售代表花了一些时间才相信模型的建议，如果没有额外的分析，他们可能会完全放弃该解决方案。
当医疗技术领导者定义数据和分析时，他们可以从他们寻求的结果开始，然后相应地做出技术选择。 高价值的见解通常会在流程的早期被发现，甚至在复杂的建模发生之前。
3. 假设数据科学家和现场代表无法一起工作
技术团队倾向于领导医疗科技公司的商业人工智能项目。 假设产品经理、数据科学家和数据工程师有能力提供最佳解决方案。 企业通常参与前期需求收集，然后参与用户测试，而很少参与解决方案开发。 毕竟，经理和销售代表对机器学习了解多少？ 然而，一个同样重要的考虑因素是数据科学家对商业组织面临的挑战了解多少。
将商业企业排除在开发解决方案之外是一个错误，会产生技术和变更管理风险。 解决方案可能无法满足业务环境或潜在需求，商业用户可能会抵制购买和采用。 随着解决方案在整个开发过程中不断发展，业务可以发挥重要作用。 只有当经验丰富的销售代表和经理（他们带来商业判断）和训练有素的数据科学家（将判断转化为分析）之间密切合作时，才能获得全部价值。
如果您想了解有关麦肯锡商业人工智能诊断产品的更多信息，请联系作者。
一家美国医疗科技公司试行了购买倾向解决方案，创建了一个跨职能团队，其中包括两个关键角色：用户拥护者和分析翻译者。 用户冠军是因开放思想和渴望创新而被选中的销售团队成员。 分析翻译人员充当项目技术和业务方面之间的联络人。 用户冠军确保在整个 12 周的项目中听到业务的声音，分析翻译人员确保将业务需求正确地转化为技术团队的要求。
解决方案的性质在试点期间不断演变。 虽然最初的目标是识别高潜力客户，但该解决方案转向了下一个最佳行动用例。 由此产生的解决方案为销售团队和业务提供了更多价值，如果没有最终用户的参与，解决方案永远不会出现。
寻求人工智能机会的医疗技术商业领袖最好从一开始就将商业和科学结合在一起。 最佳实践包括创建一个具有关键业务、技术和翻译角色的跨职能团队，并建立涉及所有阶段的业务利益相关者的敏捷开发流程。
4. 只追求最有机会的领域
医疗技术领导者可能错误地认为人工智能对商业组织的价值与客户规模相关。 他们推测，规模越大越好，这导致他们对于利用商业人工智能解决方案（例如针对较小客户的潜在客户评分）犹豫不决。
大客户确实可以带动大量业务，并占用相当一部分销售和售后服务资源。 前 10 到 20 个帐户通常占据某些产品类别的大部分销售额。 此外，公司往往会获取较大账户的更多数据。
但是，虽然分析可以揭示对大客户的洞察，但医疗科技公司可以在整个客户组合中产生洞察。 当一家全球资本和消费品公司创建了一个购买倾向模型来指导销售代表了解客户追加销售机会和客户流失风险时，它对某些输出感到惊讶。 大品牌在追加销售机会列表中名列前茅，但也有一些中型客户和更传统的公司对探索新产品不太感兴趣。 当销售代表访问这些二级和三级客户时，他们确认了这些机会，增强了对该模型的信心。
人工智能可以在整个客户组合中发现重要价值。 由于较小的客户很容易被忽视，因此分析模型对这些客户的价值可能更大。 潜在客户评分引擎可以帮助识别和优先考虑任何规模的最具经济吸引力的客户。
5. 采用“要么做大，要么回家”的方法进行高级分析
一旦医疗技术高管了解了高级商业分析的潜在价值，他们可能会渴望全力以赴，从一开始就涉及每个国家和业务部门。 他们可能会尝试开发用于客户流失预测、潜在客户评分和下一步最佳行动的全球解决方案。 但起点太宽泛并试图同时解决多个业务问题是危险的追求。 它们可能会带来重大的开发挑战、增加复杂性、增加风险，并最终延迟交付。
限制早期工作的范围对于尽快建立重要的证据点至关重要。 在构建和扩展商业人工智能解决方案方面最成功的医疗科技公司始于明确的业务目标、积极的参与者和有限的产品范围。
一家在骨科领域拥有广泛产品组合的跨国公司渴望为其现场代表开发领先评分解决方案。 在明确业务目标后，该公司对国家、业务部门和产品层面的可行性进行了务实的评估，包括当地资源的可用性和可用数据的质量等。 根据研究结果，该公司优先考虑了两个国家和两个产品领域的潜在客户评分解决方案。
限制范围确保了快速开发最低限度可行产品的重点和协作，需要集成的国家和产品特定要求更少。 该解决方案稍后可以适应特定的国家或业务部门。 这种方法（就一个业务目标达成一致并从小规模开始）使医疗技术公司能够更快地获得见解并证明初始价值，从而为更广泛的人工智能采用和业务影响创造动力。
如何开始
对于已经开始或计划开始商业人工智能之旅的医疗科技公司来说，最好的开始方式是识别和优先考虑潜在的用例，并评估内部分析能力。 形成对现状的整体看法有助于公司识别相对于一流绩效的优势和差距。 因此，商业组织在集成数据和高级分析以创建差异化的客户参与模型时，不仅必须检查数据和分析能力，还必须检查设计思维、敏捷执行和变革管理。
