データサイエンスで勝つ: 製薬会社の幹部が始めるための 5 つのヒント

これら 5 つの重要なヒントは、製薬会社の幹部がデータ サイエンスの道への扉を開くのに役立つかもしれません。これをガイドとして、適切な分析プロジェクトの選択、資金の確保、初期チームの構築、データの取得、効果的な実装テクノロジの選択方法を段階的に学習します。

[[383634]]

2011 年当時、Google 社内ではディープラーニング技術の可能性について依然として懐疑的な見方が広まっていました。当時 Google Brain チームの責任者だった Andrew Ng 氏が、人工知能 (AI) のこの新しい方向にリソースを投資するよう全員を説得するために、困難な課題を克服しなければならなかったことは明らかでした。

アンドリュー・ン氏は抵抗を排除するために小さなことから始めることにしました。

彼はまず音声認識チーム内で初期のサポートを獲得しました。このチームは、Google 内で検索や広告のビジネス ユニットに比べると注目度がはるかに低かったものの、Andrew Ng は少なくともこのチームを最初の社内顧客が価値を得られるよう支援する出発点として活用し、Google 音声検索におけるディープラーニングの早期適用を可能にしました。この最初のステップの成功により、ディープラーニング技術を Google マップで使用してデータ品質を向上させる機会も得られました。

それぞれのプロジェクトの成功は人々の自信を強めます。最終的に、フライホイール効果が完全に活性化され、ディープラーニングは Google 内で止められない流れとなりました。現在、ディープラーニングは、検索、写真、YouTube、さらにはマップなど、Google のほとんどの製品に強力なサポートを提供しています。

このストーリーは、製薬業界の幹部にとっても貴重な教訓となり、誰もが自分の組織に基づいてデータサイエンスの分野を段階的に探求するきっかけとなるでしょう。

高度な分析の力を活用するために、すべての組織が実行する必要がある 5 つの重要なステップがあります。述べるのは簡単ですが、業界の経営者はこれらのステップに十分な注意を払わないことがよくあります。

「薬局で利用できるデータの量には常に驚かされますが、実際に有効に活用されているデータの少なさに驚かされます」と、TPS Global の臨床および戦略業務担当エグゼクティブ バイスプレジデントである Syed Shah 氏は述べています。一緒に、例を使用して、これらの 5 つのステップが製薬業界向けの堅実なデータ サイエンスの実践にどのように役立つかを学びます。

1. 「ムーンショット」的な野望を抑え、まずは簡単に達成できる目標を選ぶ

企業は、データ サイエンスの取り組みを開始するためのプロジェクトを選択する際に、同じ間違いを犯しがちです。つまり、緊急性はあるものの戦略的な影響が欠けているプロジェクト、あるいは興味深いものの目に見える成果がほとんどないプロジェクトを選択するのです。

さらに悪いことに、企業は複雑すぎるプロジェクトを選択してしまうことがよくあります。最も重要なことは、非常に壮大な展望を秘めているものの、不確実性とリスクに満ちた「月面着陸」プロジェクトを選択するのではなく、早期の小さな成功を通じてビジネス価値を迅速に実証することであることに注意してください。

「製薬業界でプロジェクトを始める場合、必ずしもマーケティング、営業、財務の観点からアプローチする必要はありません」と、ロシュ・ダイアグノスティクスのビジネスインテリジェンスおよび分析部門の責任者である KMA オマール氏は語ります。「研究などの分野は摩擦が少なく、患者に同じ価値を提供する傾向があります。さらに、これらの従業員は生物統計学とデータの使用方法の概念をよく理解しています。実際、彼らは組織の高度な分析の試みに熱心であることが多いのです。」

2. 漠然とした予測ではなく、事業への投資収益率を定量化して資金を確保する

ガートナーの調査によると、データ分析プロジェクトへの資金不足は、最高データ責任者 (CDO) が直面する最大の障害の 1 つとなっています。サイード・シャー氏は、「資金を獲得するためには、まずプロジェクトの最終的な利益が明確でなければならない」と指摘した。

「しかし、投資収益率（ROI）やコスト削減が明確でないプロジェクトも数多くあります」とシャー氏は付け加えた。「こうしたプロジェクトでは、品質の悪い製品に関連するやり直しコストの削減など、目に見えないメリットを特定することが重要です。」

たとえば、細胞カウントを自動化して創薬を加速するデータ サイエンス ソリューションを構築したとします。一般的に、このようなソリューションは、研究開発サイクルを短縮したり、生物学者の作業負荷を軽減したりできると考えられています。最も論理的なアプローチは、プロジェクトによってもたらされる潜在的なコスト削減と投資収益率を計算することです。この概算見積りを投資収益率の出発点として使用すると、組織内でプロジェクトに必要な注目と予算のサポートを得られるようになります。

3. 純粋なデータサイエンティストを急いで雇うのではなく、初期のデータサイエンスチームにジェネラリストを配置する

すべてのデータ サイエンス チームに必要な 5 つの専門的な役割があります。しかし、初期段階では、特定分野の専門家よりもジェネラリストの方が価値がある場合が多いです。一般的に、ジェネラリストは社内の既存の人員であり、製薬分野と組織のダイナミクスの両方について深い理解を持っています。

「多くの新しいリーダーは、組織内にすでに存在する人材プールを過小評価しています」と、米国食品医薬品局の CDO である Ram C Iyer 氏は述べています。「ほとんどの医療関連組織には、あらゆる種類の分析技術とツールの知識を持つ、高度なスキルを持つ博士レベルの人材プールがすでに存在します。」

データリーダーは、人材発掘機能を活用して、デジタルに精通し、好奇心が強く、学習意欲のある従業員を迅速に特定する必要があります。アイアー氏は、この才能が初期プロジェクトの立ち上げや長期的なデータサイエンス部門の構築にとって重要な基盤となるだろうと付け加えた。

4. 完璧なデータウェアハウスが実装されるまで待たずに、少量のデータから始めましょう。

安定した品質と適切に整理された構造を持つ大量のデータがなければ、データ サイエンスは実現できません。しかし、初期段階では、ほとんどの組織はそのような贅沢なリソースの備蓄を持っていません。それでは、製薬会社の幹部は、強力なデータ エンジニアリング レイヤーが整備されるまで、データ サイエンスの調査を延期すべきでしょうか?

「完璧なデータ可用性は決して実現しないので、待たないことを強くお勧めします」とオマール氏は語った。

同氏は、これらの初期プロジェクトは再利用可能なデータ資産を作成するための根拠を構築するのに役立つ可能性があると付け加えた。これを使用して、データ品質の問題に注意を喚起できます。最初から、データ アーキテクチャのギャップに注意を払い、これらの問題をデータ エンジニアリングの ToDo リストに完全に反映させる必要があります。

たとえば、臨床試験データのスプレッドシートを使用して、患者の行動、募集、維持に関する実用的な洞察を明らかにすることができます。データの可用性と品質を評価し、これらの指標が許容可能なしきい値を超えていることが確認できたら、高度な分析の取り組みを正式に開始する必要があります。

5. AIを使う前に、簡単なデータ分析方法から始めましょう

最初のデータ サイエンス プロジェクトで AI の可能性を最大限に活用できるでしょうか? 「流行語やトレンドに惑わされないでください。自分の直感に従い、真実を探り、独自の洞察を引き出し、それに基づいて決定を下してください。ほとんどの場合、初期の探究には高度なテクノロジーや統計は必要ありません」とシャー氏は語った。

ロシュ・ダイアグノスティクスでは、「AI はそれ自体が課題ではありません。それは、戦略目標を達成するために使用するツールであり、機能の一部です。」同社の CIO である Werner Boeing 氏は、MIT Sloan Management Review で次のように述べています。「AI を通常のツールの 1 つとして扱うこのアプローチにより、ロシュ・ダイアグノスティクスは実際のニーズに合わせて AI 機能を柔軟に使用できるようになっています。」

たとえば、コンピューター ビジョンは、ビデオ フィードを検査して医薬品の製造やパッケージングに関する問題を検出することで、医薬品製造の品質を向上させることができます。しかし、より適切な開始プロジェクトとしては、単純な回帰アルゴリズムを使用して薬剤の収量率を迅速に改善してみるのもよいでしょう。

データサイエンスの旅の最初のスプリント

適切なデータ サイエンス プロジェクトの選択、資金調達、チームの構築、データの取得、実用的な洞察の生成はすべて困難な課題です。これらの目標が達成されたとしても、データ サイエンスの探求の旅はまだ完全には完了していません。

ソリューションが実際の意思決定に適用されて初めて、データ サイエンスはすべての人にとって真の価値を生み出すことができます。ゴールラインを越えるには、ビジネス スポンサーと連携し、エンド ユーザーに影響を与え、製薬会社内で良好なデータ サイエンスの勢いを維持するための成果を継続的に達成するなど、プロジェクトがユーザーに実際に採用されるようにする必要があります。

シャー氏は、「リーダーは、データを見て、その背後にあるこれまで発見されたことのない魅力的なストーリーを理解することができて初めて、データサイエンスの現実世界の力に気づくだろう」と結論付けました。