オムニチャネル最適化につながる医師興味嗜好を明らかにする新アプローチのご提案

1. 背景・課題：

コロナ禍以降、医師の医薬品情報の収集は、従来のヒト中心からデジタルを組み合わせた情報収集へと大きく変化し、この傾向は今後も持続すると予想されている。製薬会社は、自社製品をプロモーションする際に、医師の好みや利便性に応じて多様なチャネルを的確に組み合わせ、シームレスな体験を提供するオムニチャネル最適化が求められていると言える。

オムニチャネル最適化を適切に実現するにあたり、医師の興味嗜好をリアルタイムかつ詳細に把握することが重要と言える。興味嗜好が正しく反映されたオムニチャネルが実現されないと、ターゲット医師に十分な効果を発揮するようなふさわしいアプローチが実現されず販売効率が低下したり、期待やニーズに合わない製品について無駄にアプローチし続けることでかえって医師の満足度が低下したりといった問題に繋がる懸念があるからである。

ここで、医師の興味嗜好を把握する際には、存在すると想定される興味嗜好の観点を人手で網羅的かつ的確に定義することの困難さや、コロナ禍前後の変化でも見られるような時間経過により大きく変化しやすいチャネル嗜好性への即座の対応といった課題について考慮しければならない。このような課題を乗り越える一案として、医師の行動履歴データを複数のチャネルを通じて収集・分析し、データに基づいて動的に興味嗜好を抽出することが挙げられる。これにより、医薬情報担当者（Medical Representative: MR）への精度の高い活動レコメンデーションや本社マーケティング戦略策定の一助となるなどのメリットが享受できる。結果として、激しい競争が繰り広げられる現代の製薬ビジネス環境において、医師の信頼と支持を構築し優位性を確立することが期待できる。

今回はDeloitte Analyticsから、オムニチャネル最適化の一環として、医師の嗜好性に応じた一貫性のある情報提供を実現する新たな医師理解アプローチを紹介する。

2. LDA（Latent Dirichlet Allocation）とは

本章では、文書やテキストデータの中に隠れているテーマやトピックの構造を特定するための統計的手法であるトピックモデルの一つ、LDA（Latent Dirichlet Allocation）を紹介する。

2003年にDavid M. Bleiらによって提案されたLDAは、「隠れた潜在トピックが存在すると仮定し、確率的に割り当てられた潜在トピックから、確率的に単語が生成され、その単語群が文書となる」というように、文書の生成過程をモデル化したものである。各文書のトピック分布や各トピックにおける単語分布にはディリクレ分布を仮定する。与えられた学習用の文書データに対して変分ベイズ法やギブスサンプリング法等を用いてモデル学習を行う。

LDAの特徴として、各データが全てのトピックにまたがって所属しその所属度合いが確率として与えられる「ソフトクラスタリング」であることが挙げられる。つまり、各データが１つのトピックのみに所属するハードクラスタリングよりも、柔軟性の高いクラスタリングが可能である。さらに、LDAでは個々の文書における各トピックの現れやすさを表す確率を、学習させた観測データのみから定義するのではなく、ディリクレ分布を仮定して生成させる。これにより、学習済みのトピックモデルを用いることで、新規データに関してもトピック分布を推定することが可能である。

以上のように、本来LDAは文書データに対して文書分類する手法であるが、最近では多様な適用事例が報告されている。

例えば、購買履歴データへの適用による購買傾向に基づいた顧客分類、Web閲覧履歴データへの適用による閲覧傾向把握および関心を持つであろう記事の推薦などが存在する。

3. Deloitte Analyticsからの提案「トピックモデルを用いた医師の興味嗜好判別」

製薬会社が所有する医師へのマーケティング活動に関するデータには、カテゴリカル情報とテキスト情報が存在する。カテゴリカル情報は集計等の処理によって傾向を把握することができるが、テキスト情報は表現の多様性などもあり容易でない。本記事でご紹介させていただく手法では、マーケティングコンテンツデータのテキスト情報に、LDAを適用する。これにより、医師の詳細な意見、感情、興味、関心が豊富に含まれているものの従来では分析処理が容易でなかったテキスト情報から、より具体的な医師興味嗜好を抽出することが可能になり、製薬会社の医師ニーズ把握の高度化が期待できる。

具体的には、LDAの特徴に由来し以下のようなビジネス面でのメリットを享受することが可能である。

① 医師の潜在的な興味嗜好を定量的根拠に基づき発見・把握することができる

LDAにより推定されたトピックに対し、それらに属する単語集合から人の手で解釈を与える。その際、想定されていたようなトピックについて再確認するのみならず、想定外の新たな概念のトピックが得られる可能性もある。このように、過去の活動実績から従来手法では十分に把握できなかった潜在的な嗜好について、発見・把握できることが期待できる。

② 医師の興味嗜好について、柔軟かつ精緻に把握できる

LDAによるソフトクラスタリングの結果として複数のトピックに対する各データの所属確率が得られるので、医師に複数の重要な意味を持つ嗜好性がある場合でも自然と表現でき、傾向をより正しく詳細に分析することができる。

③ 新規の医師に関する興味嗜好把握に対応できる

LDAによる学習済みのトピックモデルにより、新規の医師に対してもその医師の活動ログから興味嗜好の傾向（各トピックへの所属度合い）を推定することが可能である。その結果を根拠として定量的に嗜好性を把握した上で、ビジネス活動をすることができる。

4. 実際の手法の運用手順：

実際の手法の運用は以下の通りに実施する。

① モデル構築フェーズ

A) 分析対象とする医師と、活動ログの範囲を定義

B) 活動ログに基づきトピックモデルを学習

C) トピックモデル学習によって得られた各トピックに対して専門家による解釈・名付け 

② 医師興味嗜好分析フェーズ

A) 学習したトピックモデルと医師ごとの活動ログから各トピックへの所属度合いのスコアを計算 

B) ②のトピック解釈結果と③の医師-トピック所属度合いを用いて各医師の興味嗜好の把握

③ 新規の医師に関する興味嗜好予測フェーズ

A) 新規の医師に対しても学習済みトピックモデルを用いて興味嗜好を推定

なお、トピックモデル学習から一定期間経過後、もしくは、医師の傾向に大きな変化が予測される場合には、①-Aからモデルの再学習を行う。

医師の嗜好性分析について課題を感じている場合やこれら技術の詳細については、お問い合わせフォームよりご連絡ください。