Debido a la COVID-19, las visitas y reuniones presenciales con médicos han disminuido de forma considerable. Los centros de salud implementaron protocolos en los que se prioriza la atención de pacientes y no se permite el acceso a los representantes médicos. Como respuesta, surgieron los canales telefónicos y virtuales. 

Los representantes deberían contactar a aquellos médicos con alto potencial. Asimismo, deberían tener una baja dispersión en el enfoque de médicos que se encuentran en su panel de visita. Para lograrlo, se propone una segmentación de médicos mediante datos digitales recolectados con el software CRM Sales Cloud de Salesforce®. 

Datos digitales recolectados con Sales Cloud

Los datos digitales son la información recolectada sobre el cliente (en este caso, el médico), la cual está protegida por la Ley n.^o 29733 en el Perú. La empresa farmacéutica puede recolectar esta información a través del CRM Sales Cloud, que es un módulo de Salesforce® que permite gestionar de forma eficiente las relaciones con los clientes y la colaboración entre equipos comerciales (Tejero, 2019). 

Entre los datos digitales que se pueden almacenar y utilizar para la segmentación se encuentran la cantidad de consultas al año, la cantidad de prescripciones, y si el producto del laboratorio representado prescribe o no. El acceso a esta data será posible siempre que se cuente con el consentimiento para el tratamiento de datos personales. 

Propuesta de segmentación por clústeres

La segmentación por clústeres es un método utilizado para agrupar a los clientes según un conjunto de variables. Así, los clientes en un grupo son similares entre sí, pero también son diferentes de los clientes de otro grupo (Dabbura, 2018). En este caso, puede usarse el algoritmo k-medias, que agrupa objetos en K grupos, con base en sus características.

La segmentación por clústeres agrupa a los clientes según un conjunto de variables, de modo que los clientes en un grupo son similares entre sí, pero también diferentes de otros grupos.

El agrupamiento se realiza minimizando la suma de distancias entre cada objeto y el centroide de su grupo o clúster (Garbade, 2018). Según el doctor Michael J. Garbade (2018), el algoritmo consiste de tres pasos: inicialización, asignación de elementos a los centroides y actualización de centroides. Los pasos 2 y 3 se repiten hasta que los centroides no se muevan. Este algoritmo optimiza (minimiza) la suma de las distancias cuadráticas de cada elemento al centroide de su clúster. 

Para definir el número óptimo de clústeres se utiliza el método de la silueta promedio, el cual calcula la silueta promedio de las observaciones para diferentes valores de K. El número óptimo de grupos K es el que maximiza la silueta promedio en un rango de valores posibles para K (Kaufman y Rousseeuw, 1990). 

Aplicación de segmentación en base de médicos peruanos

Para la segmentación de una base de 300 médicos peruanos que sí dieron su consentimiento de tratamiento de datos personales, se consideraron las variables que se muestran en la tabla 1.

Tabla 1. Variables utilizadas en la segmentación de médicos

Durante la definición del número óptimo de clústeres para la base de médicos en el programa R, se obtuvo que el número óptimo de clústeres según el método de la silueta promedio era 10. En la figura 1 pueden visualizarse los clústeres conseguidos por el método de K-medias en R. 

Figura 1. Clústeres para la base de médicos

Fuente: Elaboración propia 

Se revisaron los clústeres y se agruparon nuevamente como sigue: 

• Grupo Enamorar-captar-motivar (30 médicos): Agrupa los clústeres 1 y 2, contiene médicos con gran demanda de citas, regular cantidad de prescripciones y prescripción promedio del producto recomendado (30 %).
• Grupo Comprometidos (60 médicos): Agrupa los clústeres 3 y 4, contiene médicos con demanda de citas regular a alta, regular cantidad de prescripciones y sí prescriben el producto recomendado (93 %).
• Grupo Mitad del camino (70 médicos): Agrupa los clústeres 5 y 7, contiene médicos con demanda de citas regular a baja, regular cantidad de prescripciones y prescripción promedio del producto recomendado (30 %).
• Grupo Crear awareness (75 médicos): Agrupa los clústeres 6 y 8, contiene médicos con cantidad de citas regular a baja, regular a baja cantidad de prescripciones y prescripción baja del producto recomendado (2 %).
• Grupo Mantener (35 médicos): Se refiere al clúster 9, contiene médicos con baja cantidad de citas, baja cantidad de cirugías y alta prescripción del producto recomendado (99 %).
• Grupo Dejar ir-no interesados (30 médicos): Se refiere al clúster 10, contiene médicos con baja cantidad de citas, baja cantidad de cirugías, prescripción muy baja del producto recomendado (0 %). 

Con esta segmentación, sabemos qué médicos prefieren el producto recomendando o de la competencia, de manera que se pueda enfocar el discurso del representante para ambas situaciones. Para los segmentos de médicos con una mayor prescripción del producto recomendado, debería lograrse que ellos sean voceros de los atributos y beneficios del mismo. Por otro lado, debería replantearse la permanencia del segmento Dejar ir-no interesados, ya que podría estar generando más costos que beneficios. ¿Te resulta factible emplear este sistema en tu empresa? Déjanos tu opinión.

Bibliografía

Dabbura, I. (2018). K-means Clsutering: Algorithm, Applications, Evaluation Methods, and Drawbacks. Towards data science.  

Garbade, M. (2018). Understanding K-means Clustering in Machine Learning. Towards data science. 

Ley n.^o 29733. Diario Oficial El Peruano, Lima, Perú, 3 de julio de 2011  

Tejero, R. (2019). Sales Cloud de Salesforce: Funcionalidades y ventajas, The Digital Marketing Lab.