문제 :
스털링 시뮬레이션 컨설팅 회사는 거대 제약회사에 고용되어 공급망 모델을 개발하였다. 그 회사는 같은 시장에서 경쟁하고 있는 비 유전성 약품 두 가지를 소유하고 있었다. 한 가지 약이 잘 확립되어 업계를 선도하는 경향을 보였으며, 다른 한 가지는 최근에 도입되었다.
회사 전체 약품의 시장 점유율을 유지하거나 높이는 한편, 신약에 대한 유용한 시장 점유율을 어떻게 획득할 것인가에 대한 여러 가지 우려가 있었다. 이 회사는 주로 TV, 핀트 등 매스컴과 소셜미디어를 통한 광고로 마무리되는 소비자직접(DTC) 마케팅 전략 등 다양한 형태의 홍보를 활용했다. 이 모델은 DTC 마케팅 투자에 대해 "언제까지 회사가 신약에 대한 DTC 마케팅을 중단해야 총 처방전 판매량을 극대화할 수 있는가"라는 질문에 답해야 했다. 제시된 답변이 뒤따를 경우 제약회사가 수천만 달러를 아낄 수 있었다.
해결책 :
제약분야 행위자 기반 시뮬레이션 모델
전통적으로 마케팅 분석은 마케팅 지출의 영향을 판단하기 위해 마케팅 믹스 모델을 사용하여 다양한 지출 시나리오를 결정해왔다. 그러나 이 접근법은 지출변경이 결과에 영향을 미치는 이유에 대한 명확한 이해를 제공하지 않는다. 마케팅 믹스 모델은 당신에게 가중치를 줄 수 있지만, 그들은 왜 이러한 가중치가 존재하는지 말해줄 수 없다. 그 회사는 적어도 마케팅 믹스 모델만큼 좋은 모델을 원했는데, 이는 계약자들이 시간이 지남에 따라 시장 점유율의 백분율을 찾아야 한다는 것을 의미했다.
마케팅-믹스 모델 뒤의 메커니즘을 더 잘 이해하기 위해(예를 들어, DTC 마케팅이 왜 수익 감소 v. 판매 사원 방문) 한 가지 대안은 에이전트 기반 모델링(ABM)을 사용하는 것이다. 모델에서 가정을 제거함으로써 더 완전한 이해를 가능하게 하는 이차적 이점을 제공한다.
ABM 접근법, 특히 이 모델에 대해 주목할 점은 데이터 요구사항이 마케팅 믹스 모델과 다르며 일반적으로 더 높다는 것이다. 이 경우 제약회사가 데이터를 갖고 있었고 ABM 접근법을 충분히 활용할 수 있었다. 에이전트 기반 모델은 가정에 더 개방적이고 통찰력을 제공하는 경향이 있는데, 이는 평이한 답변보다 더 수익성이 높다.
일단 ABM의 접근방식이 선정되면, 모델 구축을 위한 소프트웨어 플랫폼으로 애니로직(AnyLogic)이 선택되었다. 다음과 같은 몇 가지 이유가 있었다 :
- 회사는 소프트웨어와 그 기능에 익숙했다.
- AnyLogic은 프레임워크 모델링에 있어 최대의 유연성을 제공한다.
- AnyLogic은 모델링을 위한 최상의 시각화 가능성을 가지고 있다.
모델 프레임워크는 기존의 마케팅-믹스 모델과 상당히 달랐다. 특히 모델은 시장 지출의 영향을 결정하기 위해 전체 환자/의사 상호작용을 고려했다. 또한, 신약이 시장에 도입되었을 때의 영향을 통합하여 정확한 시장점유율 정보를 얻었다.
모델은 다음과 같은 요소로 구성된다.
- 환자
- 의사
- 판매 담당자
- 약물
- 납부자
- 처방전.
뒤의 두 가지 요소는 모델에서 거의 행동하지 않았기 때문에 사례에서 설명되지 않았다.
모델 안의 환자들은 모두 마약 시장이 취급하는 특정 질병에 대한 진단을 받았다. 관련된 질병은 생명을 위협하지 않았으므로 이 약물 범주는 선택적이다. 환자의 행동에는 다음이 포함된다.
- 3개월마다 담당 의사와의 면담.
- 특정 약물을 원하는지 여부 결정(결과에 기본 DTC 시장 영향이 표시됨).
- 광고에 기반한 다양한 약물에 대한 인식 및 의사에게 요청할 수 있는 능력.
- 처방전을 작성했는지 여부(주로 약값에 따라 다름).
- 약물을 복용했는지 여부(평균적으로 첫 달과 두 번째/세 번째 달의 손실은 각각 약 40%, 20% 미만으로 계산됨).
모델 로직 — 환자 라이프사이클
모델 내 의사들은 질병과 관련된 전문화가 다르고, 전문화에 따라 환자 수가 달랐다. 의사의 행동에는 다음과 같은 것들이 포함되어 있었다.
- 환자 약속 처리.
- 환자에게 어떤 약을 처방할 것인지 결정(이론적 선호도는 임상적 약물 성능에 기초하고, 실제적 선호도는 약물에 대한 환자의 반응을 기초로 함).
- 새로운 환자에게 샘플 또는 스크립트를 제공할 것인지 여부.
- 영업 사원과 상호 작용.
예약 중 및 예약 후 환자의 행동에 대한 사전 할당된 모델과 환자의 라이프사이클에 대한 설명은 아래에서 찾을 수 있다.
영업 사원들은 의사 풀에 배치되었다. 그들은 각 의사의 환자 풀과 역사적 정보를 바탕으로 각기 다른 비율로 의사를 찾아갔다. 방문 기간 동안 대표는 의사 공급에 샘플을 추가해 특정 약물에 대한 의사의 태도를 바꾸려 했다.
모델 내 약품은 두 회사 약품, 또 다른 특정 비일반 의약품, 그리고 집단으로서의 제네릭이었다.
결과 :
그 모델은 제대로 보정하는 데 시간이 좀 걸렸다. 원하는 정보의 영역에 데이터가 조금 이상 희박했기 때문이었다. 모델은 주로 각 약품(또는 제네릭의 경우 약품군)의 시장점유율에 따라 매월 환자와 처방 두 가지 측면에서 보정되었다. 이 모델은 일단 보정되면 신약에 대한 DTC 마케팅을 중단하는 데 가장 적합한 시기는 현재 날짜 6개월 전이었을 것이라는 것을 보여주었다. 이는 같은 기간 동안 보정된 측정기준에 차이가 없음을 알아봄으로써 확립되었다. 이는 실현 불가능한 일이었기 때문에, 주어진 대답은 가까운 미래에 DTC 마케팅을 중단하는 것이었다.
또 다른 흥미로운 통찰력은 영업사원 마케팅과 연결되었다. 시간이 지남에 따라 의사들의 선호도가 약물에 대한 환자들의 선호도를 압도했다는 것이 명백해졌다. 그렇기 때문에 영업사원 방문에 투자한 돈은 DTC 마케팅과 달리 수익률이 떨어지지 않고 항상 시장점유율에도 영향을 미쳤다. 이는 샘플의 이용가능성이 방문과 직접 연관되어 있고, 환자의 투약 의지에 광범위한 영향을 미친다는 점에서 기대되었다.
예산 문제와 관련하여, 제약 회사가 모델의 결과를 따르고 DTC 마케팅을 없애면 적어도 연간 1천만 달러를 절약할 수 있을 것이라고 해도 무방했다.
