Использование данных маркировки для расчета KPI

Маркировка все больше набирает популярность. Производители начинают анализировать данные по товаропроводящей цепочке, которые теперь можно выгрузить из личного кабинета МДЛП.

В начале 2023 года в результате последнего обновления, данные маркировки стали ещё удобнее для выгрузки производителям - появилась возможность выгружать данные по всему своему ассортименту, а не по каждой позиции GTIN отдельно. Сейчас производителям лекарственных препаратов доступны следующие отчёты в МДЛП:

• отчёт по выбытия
• отчёт по остаткам
• отчёт по средним ценам
• отчёт по перемещениям.

Эти данные должны полностью покрыть всю товаропроводящую цепочку от отгрузки упаковки со склада производителя до ее продажи конечному потребителю.

Конечно, такая полнота данных и независимость в получении информации от отчётов контрагентов, привлекает производителей и каждый из них задумывается об интеграции этого источника в свою систему анализа данных и принятия решений.

Однако здесь производители сталкиваются с некоторыми проблемами:

1. Данных в МДЛП очень много. Это совершенно непривычный объём данных для любого производителя. Как правило, базы данных, которые были спроектированы годами ранее и покрывали потребности производителей по хранению и обработке данных от дистрибьюторов и сетей, просто не готовы архитектурно к тому объёму, который выгружается из маркировки. Ведь каждая упаковка проходит в среднем 5-7 итераций движения прежде, чем дойдет до конечного потребителя: отгрузка от производителя дистрибьютору, перемещение между филиалами дистрибьютора, продажа этой упаковки другому дистрибьютору или на склад аптечной сети, затем перемещение со склада в аптеку, и только из аптеки - выбытие конечному потребителю. А уж перемещений между складами и дистрибьюторами может быть сколько угодно. К тому же, эта упаковка все это время фигурирует в остатках - а это ещё одна дополнительная ежедневная строка данных. Таким образом, в среднем по одной упаковке в месяц количество строк данных может доходить до X строк. Такое количество данных требуется соответствующих навыков по работе с ними: начиная с хранения и заканчивая обработкой, обогащением и метчингом с другими источниками информации.

2. "Сырые" данные из МДЛП конечно обладают уникальной полнотой с точки зрения наличия в них всего юниверса и дистрибьюторов, и сетей, и аптек. Не буду повторять особенности качества "сырых" данных, об этом вы можете прочитать в моей предыдущей статье. Сегодня я хочу поговорить об интерпретации этих данных. Производитель выгрузил информацию из личного кабинета МДЛП (самостоятельно или с помощью IT провайдера), а что дальше? Вот видит производитель, что аптека, например по адресу... продала за месяц или за неделю X упаковок препарата Y. А хорошо это или плохо? Как понять производителю? А какой план стоял на эту аптеку по продажам? А ходил ли в эту аптеку медицинский представитель с визитами? А это сетевая аптека или независимая розница? А проводилась ли какая-то маркетинговая акция в этой аптеке? А может быть аптека расположена в ЛПУ и в представители фармкомпании посещали врача в этом медучреждении? Только ответы на все эти вопросы позволят правильно оценить и интерпретировать фактические данные по продажам из аптеки и ответить на вопрос - достаточны ли они.

Автор: Ольга Сапронова, руководитель центра аналитики Matchflow

#маркировкалекарств #маркировка #аналитика #аналитика #matchflow #мэтчинг #матчинг #закрытие_факта_продаж #ольгасапронова #olga_sapronova #мэтчфлоу #матчфлоу