SFE的现在与未来

在过去的2018年里,中国的医疗环境变化剧烈。作为制药公司中的一个function,SFE又将往怎样的方向发展?又到岁末更迭,借此机会抛砖引玉,回顾下SFE的现在,展望下未来。

01

SFE的现在

SFE(Sales Force Effectiveness),在当前百度百科中的解释:

销售队伍效力(Sales Force Effectiveness)也即“销售队伍的效率和效能“,它是一项涉及“企业制定完市场策略后,销售队伍如何实现最佳销售业绩?”的管理实践活动,最大化销售队伍的效率和生产力,其焦点在于“建立一支高绩效的销售队伍”。

SFE( Sales Force Effectiveness),作为西方标准化管理的一种理念,贯穿于传统管理理念的四个步骤之中:计划、组织、领导和控制。Sales Force Effectiveness的理念,在医疗行业尤其是制药公司企业环境中的具体应用和实施,跟ZS这家咨询公司密切相关。

安吉斯.索特納斯 Andris A. Zoltners是美国西北大学凯洛格管理学院的名誉教授,和Prabhakant Sinha共同创办了ZS公司。将过去二十年间这两位学者出版的著作按照时间维度排列和追溯:

1997年:The Fat Firm: The Transformation of A Firm From Fat to Fit

2001年:The Complete Guide to Accelerating Sales Force Performance

2004年:Sales Force Design for Strategic Advantage

2006年:The Complete Guide to Sales Force Incentive Compensation: How to Design and Implement Plans That Work

2009年:Building a Winning Sales Force: Powerful Strategies for Driving High Performance

2012年:Building a Winning Sales Management Team: The Force Behind the Sales Force

2015年:The Power of Sales Analytics

可以发现内容涵盖了目前制药公司SFE日常所熟悉的FF Structure、Territory Alignment、Quota Setting、Incentive和Data Analytics,并且随时间和制药行业环境发展而逐步延展。

当前我们所熟悉的SFE更加关注的还是传统的FF,也就是医药代表队伍的效率、效能最大化。

SFE的日常工作,包括指标分配、辖区划定、奖金设定等等,暂时并不会有显著的不同和变化。有时候难免会让人觉得无论世界如何变化,SFE都是年复一年的重复。

譬如指标分配,很多公司都会采取ZS那套框架体系,使用历史销量数据和潜力两个维度去做。当然,在实际过程中会有各种方法学上“变形”。有分配总指标的、有分配增量指标的、有用总潜力的、有用untapped潜力的、有限定有可能达到的市场份额作为潜力上限的、有用病人数量作为潜力的、有用潜在市场规模金额作为潜力的等等。但实际上,在整个指标分配中,分配方法和计算结果只是工具而已,更多的还是针对销售队伍“不公平”感的沟通和销售管理中的博弈。

现在SFE的数据分析也更多的还是停留在简单的数学“统计”和结果展示,也很少使用聚类、回归之类的数据挖掘方式。

SFE Department并不等于SFE Function

每家公司SFE部门目前的职能只是基于当前公司组织架构、部门设定以及职责划分,但并不代表Sales Force Effectiveness实际应该涵盖职能范围。

02

SFE的未来

如果从学术和理论研究的角度来说,也许ZS两位Andris A. Zoltners和Prabhakant Sinha近期的研究方向,对制药公司内部的SFE职能发展会有一些启示。

2016年:Insights for Sales Force Success: Practical Ideas for Winning in Today's Selling Environment

2017年:Sales Compensation Solutions: Addressing The Toughest Sales Incentive Issues in Today's Changing Business World

显然,如何在今天变化的商业世界和销售环境中获得成功,是过去这三年中的研究重点。在2016年的Insights for Sales Force Success书中,提到了6个部分的要点。

Find hidden opportunities for sales growth

Size and structure their sales teams to meet changing customer needs

Hire and retain the best sales and managerial talent

Motivate and direct sales activity to align with strategic priorities

Use data and analytics to create insights for driving sales performance

Lead sales forces to succeed in today's digital world

前五个部分可以理解为提高Sales Force Effectiveness的步骤和方法,最后一条则探讨了在商业推广多元化和digital时代的大背景下,如何更加成功的去实施这些方法。

从外部医药环境来说,政策影响和竞争压力日益增加。

对过了专利保护期的很多药品来说,仿制药一致性评价、医院总预算控制、强制医院药占比以及新的“4+7”城市带量采购等等,无不影响着未来的产品策略、销售队伍布局和推广模式变化。

对肿瘤、罕见病等特药来说,经过NRDL的国家价格谈判,平均降价幅度超过50%,摆在面前的问题就是如何快速的扩大市场、以价换量。不要忘了,大批的生物创新药即将加入市场竞争。譬如现在最热门的PD-1/PD-L1在CTA申请的就已经有13个了。

所以在这个竞争激烈的年代,商业模式需要创新,digital和数据的analytics不再是"nice to have",而是"must to have"。

在当前的推广活动中,我们面临的最大问题在于如何确保multi channel customer engagement 中的Efficiency和Effectiveness最大化,如何全面了解客户、进行精准推广并让客户在过程中得到最佳的体验。

Multi channel包括了以什么样的角色( FF, MSL, Key account manager, Tel sales, virtual Rep,…)以及以何种方式( Face to Face, events, email, Tel, digital,…)跟客户进行互动。

Sales Force Effectiveness必然会逐步“进化”成Commercial Excellence。

其实,现在很多公司的SFE也已经不拘泥于传统的SFE范围,开展了很多新的探索。

譬如比较流行的医生肖像项目,就是使用医生“静态”的论文、临床试验注册、学会信息等,结合医生“动态”的在医学问诊网络上跟患者互动的数据,可以帮助我们更全面的了解医生的学术背景、学术社交网络以及客观反映对产品的学术态度。虽然,在具体到单个个体医生,数据精准和覆盖的范围都并不完美,但目前的数据足以支持在医生群组的进行数据分析、追踪,具有广泛的应用场景。

应用场景1:对新产品上市,尤其是以前没有进入过的治疗领域,完全可以作为目标医院、目标医生甚至销售队伍构建的参考依据。

应用场景2:医生肖像里,包含医生和患者直接的“对话”。这可以看做是一种对医生产品支持度的客观反应。而传统若干年来,中国对医生产品支持度的评价,都只停留在医药代表的收集、预估上,具有很大的人为主观性。即使有市场调研,调研的医生样本数量也很小,且周期较长。所以,你也可以把这个医生和患者的“对话”,看做另一种广泛、大样本的针对医生支持度的市场调研。

譬如基于医生学术档案对FF或者MSL的动态拜访建议;譬如基于各种医生拜访、活动、digital engagement以及其他投资数据对未来销售趋势的预测等等。SFE人的讨论里,甚至是SFE的sub function team里都也慢慢开始出现跟大数据或者AI相关的部分。

请让新技术成为助手和工具,但不要过于迷信。

AI的先决条件在于大数据。

字面上理解,大数据无非就是打破数据壁垒,将各种数据放在一起进行分析,包括公司内部各种数据、行业数据等等。最后能得出类似那个大家都熟知的,超市摆放上啤酒放在纸尿裤旁边销量会增加的故事。所以,是不是我们把所有能找到的数据源放在一起,然后有个叫AI的就会告诉我们,如何提升业绩?这样想,就太天真了。

如果打个比方的话,大数据和AI就像我们烹饪美味佳肴一样,都是有过程的。

首先,你要把菜市场里能买到的蔬菜、肉菜、海鲜等等原材料,尽可能的都买回来,多去几家菜场、多几个途径去买。这就像我们先要把企业内部的数据壁垒打通,把销售、市场、代表行为、合规、活动、财务等等数据放在一个平台上。然后再尽可能加入外部的医保、病人、潜力等等行业相关的数据。

其次,是不是有了各种数据源和海量的数据,就可以开始分析了呢?这个就好比相信买回来菜,扔在大锅里就会成为美味佳肴,显然还差的很远。这个阶段很重要要做的事情,就在于数据清理、格式化和统一化。就像菜要先洗、摘、备用一样。请注意,不要现在就把土豆就切成丝,万一接着需要土豆块怎么办。所以,数据整理的目的是为了接下来的数据处理,既能进一步分拆,又不至于不能组合。

再次,轮到你要考虑你究竟做菜为了什么?宴请朋友?自家日常?纯粹为了练手?…不同的目的会影响你对整个这一桌菜的选择。譬如请朋友来吃饭,那你就要基于你对朋友的了解去判断,他大致喜欢吃什么口味的菜?辣的、不辣的、甜的、咸的、酸的、… 菜色的选择是为了让朋友觉着满意,不是为了展示你会做什么菜。请从对方的角度多考虑。

数据分析的本质,是为了找到真正对业务有帮助的驱动因素,不是仅仅为了证明分析技术精湛。

大数据时代,制药企业也需要跟上时代的变革,企业内部也需要懂得业务和大数据应用的人员。大数据和Digital并不是为了创新而创新,只是解决业务需求的一种新型技术手段。而SFE懂业务、懂数据结构,天然是未来企业内部Data Scientist的摇篮。

无论对医药行业或者制药企业内SFE的发展有何种推论和展望,没有人掌握着唯一的“正确”答案。正如一千个人心中有一千个哈姆雷特一般。比关注预测未来更重要的是,在你所坚信的未来道路上,你做了何种准备和努力以面对未知的挑战以及机遇。

未来已来,愿日生不殆!

图片@网络,版权归原作者所有

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20181211G163RE00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

同媒体快讯

扫码关注云+社区

领取腾讯云代金券

玩转腾讯云 有奖征文活动