Обеспечение качества данных в фармацевтических компаниях
от: 25-11-2024 22:17 | раздел: Soft
С ростом автоматизации в бизнес-процессах фармацевтических компаний все более и более важным является обеспечение качества данных в информационных системах. От качества данных напрямую зависит качество принимаемых топ-менеджментом решений о принятии и исполнении тех или иных бизнес-стратегий, планов, прогнозов.
Отличительной чертой наборов данных в фармацевтических компаниях от других отраслей, таких как, FMCG, является неоднородность доступных данных. Сюда могут входить:
- Отчеты по продажам от дистрибьюторов, аптечных сетей;
- Данные по тендерам, собранные различными организациями;
- Данные из государственных систем, таких, как МДЛП;
- Отчеты по долям рынка от крупных агентств;
- Внутренние данные компании – продажи, визиты медицинских представителей и т.д.;
Таким образом, часто возникает ситуация, когда в компании есть ряд рассогласованных данных, которые очень сложно сопоставить между собой. В ходе ручного сопоставления часто бывают ошибки, в результате которых менеджменту может предоставляться некорректная информация. Также подготовка отчетов, содержащих данные от нескольких разных поставщиков, может быть крайне трудозатратна, особенно в случае абсолютно разных наборов справочников от каждого из поставщиков.
Наиболее эффективным способом улучшить данную ситуацию является реорганизация процессов компании с целью создания и использования корпоративной системы мастер-данных, состоящей из единых справочников для всех процессов внутри организации, а также создание таблиц и алгоритмов сопоставления данных между основными справочниками, используемыми в компании, с данными, предоставляемыми внешними поставщиками – дистрибьюторами, агентствами и т.д.
Данные, генерирующиеся внутри организации, например, визиты медицинских представителей или продажи из фармацевтической компании дистрибьюторам, должны изначально ссылаться на справочники из корпоративной системы мастер-данных. Самым оптимальным вариантом является автоматическая синхронизация внутренних справочников каждого из приложений с системой мастер-данных. В случае, когда во внутренних системах компании требуется добавление новых значений в справочники или новых сущностей, это сначала реализуется в системе мастер-данных, а затем уже переносится в каждую из систем.
Подобный подход требует вовлечения всех департаментов, создающих данные, в использование системы мастер-данных, для этого нередко требуется перестройка процессов внутри компании. Помимо этого, у системы мастер-данных обязательно должен быть архитектор, который принимает запросы от бизнес-подразделений на добавление новых типов данных и структур, а также организацию связей между ними и утверждает технический дизайн изменений в систему мастер-данных.
Для данных, которые поступают от поставщиков, возможны несколько вариантов по приведению данных в тот вид, который подходит для построения корпоративной отчетности внутри организации:
- Передача справочников из системы мастер-данных поставщику, чтобы тот, в свою очередь, предоставлял данные в формате, приведенном к стандартам организации. В этом случае, трудозатраты со стороны фармацевтической компании минимальны и процесс выпуска отчетности можно полностью автоматизировать.
- В случае, если вариант выше по тем или иным причинам невозможен, либо удорожает контракт с поставщиком, можно реализовать в корпоративной системе мастер-данных таблицы сопоставления значений справочников, приходящих от поставщика данных со значениями из справочников системы мастер-данных. Этот вариант требует ручного вмешательства для всех новых значений, которые приходят в наборах данных поставщиков.
- Чтобы снизить объем ручного труда при сопоставлениях, можно использовать различные алгоритмы, например, Расстояние Левенштейна. Подобные способы могут давать большой процент корректного сопоставления строк, но, тем не менее, в определенных случаях сопоставление может быть некорректным. Поэтому данные алгоритмы также требуют наличие специалиста, который будет контролировать качество сопоставления.
- Существует также возможность использовать технологии Artificial Intelligence (Machine Learning) для автоматического сопоставления. Для этого модель, используемая для сопоставления, должна быть обучена на достаточно объемных наборах данных. Но, при этом, с каждой следующей итерацией качество сопоставления будет повышаться. Учитывая более высокую трудоемкость данного способа, его имеет смысл применять на больших наборах данных от поставщика, где ожидается большое число новых различных элементов. Данный способ также требует вовлечения специалистов для контроля качества сопоставления данных.
Другим важным вопросом является контроль качества выпускаемой отчетности на сходимость с golden source. В качестве последнего может выступать эталонный SQL-запрос или табличное представление. В зависимости от типа отчетов и необходимости детальной проверки выпускаемой отчетности, данные запросы могут быть как более, так и менее гранулярными. Помимо этого, рекомендуется сверять контрольные суммы со значениями, предоставляемыми поставщиками данных в качестве дополнительного контроля корректности выпускаемой отчетности.
Таким образом, ключом к повышению качества данных и улучшению ситуации с отчетностью в компании, являются вышеперечисленные факторы, которые в сумме позволят существенно улучшить качество выпускаемой отчетности и ускорить ее предоставление.
Автор: Александр Бородич
Подписывайтесь и читайте новости от ITквариат раньше остальных в нашем
Telegram-канале !
Заметили ошибку? Выделите ее мышкой и нажмите Ctrl+Enter!
И еще об интересном...
Почему современные компьютерные игры используют так много видеопамяти?Данные медицинских карт стоят дороже банковских. Хакеры сменят объекты атак?Итоги второго дня PHDays 8: Games OverЧто случилось в первый день PHDays 8 или "Цифра" наизнанкуXbox One vs PS4: Самое детальное сравнение двух платформLG G6: большой тест - обзорМатеринская плата ASRock Fatal1ty H170 Performance/Hyper. Skylake опять можно разгонять
