Março de 2019

Estudo de caso: Life Sciences

Como a Análise de Dados Não Estruturados Pode Levar o Paciente a um Comportamento Mais Saudável.A combinação de Processamento de Linguagem Natural com Machine Learning ajudou uma empresa de biotecnologia a atender melhor os pacientes que usam seus produtos.Para uma gigante da biotecnologia, o suporte ao paciente está no centro dos negócios. Agora, o Processamento de Linguagem Natural (PLN) tem permitido que a empresa amplie esse suporte de maneiras que possam resultar em melhores resultados para os pacientes.

Durante uma parceria de cinco meses, nossa equipe aplicou Machine Learning e PLN a anos de anotações que a empresa havia coletado. Usando análise de sentimentos e modelagem preditiva, a empresa conseguiu uma melhor compreensão dos fatores que influenciam os pacientes a começar e continuar um tratamento. O projeto também gerou insights importantes sobre os processos de atendimento ao cliente e criou novos KPIs, melhorias no fluxo de trabalho e oportunidades de coaching para um melhor engajamento dos clientes.

ResumoPara melhorar a jornada do paciente, uma empresa global de biotecnologia queria analisar as anotações de texto livre feitas pela divisão de serviços para pacientes. Por meio da aplicação de Machine Learning ao processamento de linguagem natural, ajudamos nosso cliente a adquirir insights sobre os fatores que motivam os pacientes a iniciar, interromper e alterar o uso de medicamentos.

Resultados• Revelou 30 insights significativos e nove

recomendações.• Associou-se a stakeholders para criar

taxonomias e ontologias.• A modelagem preditiva identificou os tipos

de pacientes, bem como as marcas para as quais os pacientes foram mais sensíveis a fatores como assistência ao co-pagamento.

Como a Análise de Dados Não Estruturados Pode Levar o Paciente a um Comportamento Mais Saudável. 2

Figura 1

Como o Projeto FuncionouSeguimos uma abordagem bem definida para passar de entradas a insights

4

1

3

2

Limpeza de dados

Análise de estágios do paciente em série temporal

Combinação de dados estruturados e não estruturados para uma análise abrangente

Análise da jornada do paciente

Taxonomia Análise exploratóriade dados

Estruturada Solução

Dadosestruturados

Análise de afinidade para encontrar associações entre os estágios da jornada do paciente

Modelos de Machine Learning para prever a interrupção/fracasso ao iniciar

Análise de sentimentosno atendimento ao cliente

Análise e modelagem

Dad

os e

stru

tura

dos

Identificar conceitos

PLN de análise sem

ântica latente

Criação de taxonomia

Chegando ao cerne das conversas com pacientesO objetivo da divisão de atendimento ao paciente da empresa de biotecnologia é auxiliar as pessoas no processo complexo de conseguir acesso a medicamentos. Os gestores da divisão documentam as interações com operadoras de saúde, pacientes e prestadores de serviço de saúde e fazem anotações extensivas.

Exceto anedoticamente, as notas não haviam sido extraídas em busca de insights. A empresa avaliada em um bilhão de dólares necessitava de uma maneira de analisar o formato de texto livre das anotações para isolar tendências e padrões, além de saber mais sobre como melhorar o atendimento ao cliente e os resultados dos pacientes.

Com a capacidade do PLN de extrair significado da linguagem e das palavras de uso cotidiano, uma janela poderia se abrir nas anotações de visitas. Isso poderia responder a perguntas importantes para a empresa. Por exemplo, como as experiências dos pacientes diferem por grupo e subgrupo? Quais fatores influenciam os pacientes a continuar o tratamento?

Abrindo novos caminhosO projeto de PLN abriu caminhos novos e importantes para a empresa. Por um lado, embora tenham sido significativas, as vantagens para a empresa também eram incertas: Não havia garantias sobre quais padrões poderiam ser encontrados nos dados não estruturados. Por outro, foi a primeira vez que a empresa colaborou em um projeto na organização.

Conseguindo o suporte dos stakeholders internos, incluindo os departamentos jurídico e de privacidade, a empresa garantiu que a RFP (do inglês, Request For Proposal) do projeto tratasse de todos os detalhes. Essa preparação ajudou a assegurar apoio e incorporar integridade ao projeto.

A RFP detalhada propunha a modelagem preditiva de dados não estruturados e estruturados, além de melhorias tecnológicas, como aprimoramentos na nuvem.

Depois de analisar as RFPs entregues por escrito, a empresa convidou vários participantes para fazer apresentações

Como a Análise de Dados Não Estruturados Pode Levar o Paciente a um Comportamento Mais Saudável. 3

Uma jornada de colaboraçãoPara estabelecer uma base sólida, nossa equipe passou dois meses trabalhando junto com os stakeholders da empresa, desenvolvendo hipóteses e realizando validação de dados.

Em uma série de workshops, colaboramos com o cliente para entender melhor os produtos e os estados das doenças, identificando as palavras e frases que ocorrem com mais frequência nas anotações analisadas. Usando essas informações, nossa equipe construiu as taxonomias e ontologias personalizadas necessárias para informar o mecanismo de PLN. Em seguida, identificamos duas dúzias de hipóteses de dados para explorar.

A proteção da privacidade dos pacientes era fundamental. A empresa removeu todas as informações que pudessem identificar as pessoas (nomes e outros detalhes) antes de compartilhar conosco para a mineração de dados.

Para realizar a mineração de dados, a equipe usou as linguagens de código aberto R e Python – os conjuntos de ferramentas preferidos dos cientistas de dados – e o software de modelagem de negócios IBM SPSS. Com R e Python, a equipe converteu a ontologia em um formato que permite que o PLN sonde as anotações de visitas e classifique as conversas por tópicos, como cobrança, efeitos colaterais e localizar médicos nas proximidades.

Durante os três meses seguintes, continuamos uma forte colaboração, desenvolvendo o projeto com reuniões mensais do comitê diretivo e verificações regulares para alcançar as metas. Ao fim do projeto, entregamos 138 páginas de insights analíticos, incluindo nove recomendações importantes.

Compartilhando as descobertas: A importância de contar históriasA comunicação das descobertas do projeto aos stakeholders e à alta liderança do cliente foi tão importante quanto os insights entregues. Nossas equipes dedicaram-se a criar uma narrativa que tornasse as técnicas complexas mais compreensíveis e acionáveis. O livro da apresentação tinha 40 páginas.

Os resultados do piloto ajudaram a empresa a redobrar os esforços em sua missão de melhorar os resultados dos pacientes. Ela conseguiu melhores insights sobre a jornada do paciente e as informações necessárias para expandir os negócios.

Os resultados comerciais e os benefícios aos clientes importantes incluem:

• Melhor suporte ao paciente. A modelagem preditiva identificou os tipos de pacientes, bem como as marcas para as quais os pacientes eram mais sensíveis a fatores como assistência ao co-pagamento.

• Correlação de anotações mais completas com remessas maiores. As anotações sobre pacientes que documentavam ações, reações e acompanhamento estavam correlacionadas a remessas de produtos mais frequentes. Para a empresa, a descoberta reforça a importância de estabelecer fortes conexões com os pacientes como motivação para continuar o tratamento.

• Desenvolvimento de novos KPIs. O projeto destacou como a experiência do cliente é afetada pelo tempo gasto em cada ponto na jornada do paciente, como início do tratamento e confirmação da assistência ao co-pagamento. Ele identificou pontos de inflexão na jornada do paciente que poderiam levar os pacientes a interromper o tratamento.

Realizamos uma série de workshops com os principais stakeholders para entender melhor os produtos da empresa, assim como os estados das doenças. Juntos, identificamos as palavras e frases que ocorrem com mais frequência nos dados e construímos as taxonomias e ontologias personalizadas necessárias para informar o mecanismo de PLN. Em seguida, destacamos duas dúzias de hipóteses de dados para explorar.

Quer saber mais sobre nossas soluções?Entre em contato conosco:

Alexandre GrandiLife Sciences and Healthcare Head - Brasil

Email: Alexandre.Grandi@cognizant.com

Sobre a Cognizant Life SciencesA unidade de negócios Life Sciences da Cognizant dedica-se a construir soluções para desafios de saúde e a melhorar as vidas de pacientes em todo o mundo. Atendendo a 30 das 30 maiores empresas farmacêuticas globais, 9 das 10 maiores empresas de biotecnologia e 12 das 15 maiores empresas de dispositivos médicos, a Cognizant ajuda o setor de ciências da vida a acelerar a transição para o digital em pesquisa, desenvolvimento clínico, manufatura, cadeia de suprimento e operações comerciais. A prática fornece consultoria alinhada ao domínio, melhoria de processos de negócios, integração de sistemas, plataformas colaborativas e soluções de software como serviço mundialmente. Acesse nosso site em http://cognizant.com/life-sciences.

Sobre a Cognizant Digital BusinessA Cognizant Digital Business ajuda nossos clientes a imaginar e criar a economia digital. Fazemos isso reunindo insights humanos, estratégias digitais, conhecimentos sobre o setor, design e novas tecnologias para criar novas experiências e lançar novos modelos de negócios. Para obter mais informações, acesse www.cognizant.com/digital ou participe da conversa no LinkedIn.

Sobre a CognizantA Cognizant (NASDAQ-100: CTSH) é uma das empresas líderes mundiais em serviços profissionais que transforma os modelos de negócios, operacionais e de tecnologia de seus clientes para a era digital. Nossa abordagem consultiva única, baseada em profundos conhecimentos das indústrias em que atuamos, auxilia clientes a visualizar, construir e administrar negócios cada vez mais inovadores e eficientes. Com sede nos Estados Unidos, a Cognizant ocupa a 193ª colocação no ranking da Fortune 500 e é consistentemente listada entre as empresas mais admiradas do mundo. Veja como a Cognizant ajuda clientes a serem líderes no mundo digital em www.cognizant.com.br ou siga-nos: @Cognizant.

Sede Mundial500 Frank W. Burr Blvd. Teaneck, NJ 07666 EUA Fone: +1 201 801 0233Fax: +1 201 801 0243Ligação gratuita: +1 888 937 3277

Sede BrasilAv. Doutor Chucri Zaidan, 1240 Morumbi Corporate Diamond Tower - 15º andarSão Paulo - SP - 04711-130

© Copyright 2019, Cognizant. Todos os direitos reservados. Nenhuma parte deste documento pode ser reproduzida, armazenada em um sistema de recuperação, transmitida de qualquer forma ou por qualquer meio, seja eletrônico, mecânico, fotocópias, gravação ou outros, sem a permissão expressa por escrito da Cognizant. As informações contidas aqui estão sujeitas a alteração sem aviso prévio. Todas as outras marcas comerciais mencionadas aqui são de propriedade de seus respectivos proprietários.

Olhando para o futuroA conexão que a empresa fez entre o piloto de PLN e as metas estratégicas gerais ajudou a assegurar o sucesso geral do projeto. Agora, a empresa está implementando as recomendações do projeto em toda a organização e mostrando o valor das novas técnicas para melhorar o engajamento dos pacientes. As próximas etapas incluem uma documentação mais completa da

interação com os pacientes e orientar os gestores a fazer anotações mais minuciosas. A empresa também espera explorar a forma como o PLN poderia beneficiar outras funções, como vendas e marketing. A parceria mostrou como usar o PLN em escala e velocidade para permitir uma interpretação mais completa dos sentimentos dos pacientes e uma maior correlação com a satisfação dos pacientes.