川海智库

报告概述

本报告基于IQVIA对100位预测专业人士的调查，分析了商业预测的当前状态、主要挑战和期望改进。研究对象包括预测活动中的标准化、数据集成、自动化需求等，并探讨了AI/ML提升预测流程的潜力。报告帮助读者理解预测行业痛点，为优化预测工具和流程提供参考。

报告的核心结论

标准化预测方法是预测者面临的最大挑战

约60%的受访者将跨组织标准化预测方法列为显著挑战，反映出企业在统一预测流程、模型和术语方面存在困难，导致效率低下和协作障碍。

预测者高度渴望自动化QC模型和复杂分析

约50%的预测者认为质量检查模型、生成报告、数据收集和复杂分析是耗时且亟需自动化的任务。自动化可释放人力，提升预测准确性。

市场份额、持久性和依从性是最难预测的输入

预测者对市场份额、患者持久性和治疗依从性等输入的置信度最低。报告指出，更多真实世界数据（RWD）和类比分析可提高信心。

AI/ML被视作改进趋势分析的关键工具

约30%的预测者认为AI/ML可显著改进趋势分析，同时也在数据预处理、质量检查、模型构建等环节展现出潜力，但整体应用仍处于早期。

报告回答的关键问题

商业预测中最大的挑战是什么？

最大的挑战是跨组织标准化预测方法，约60%的预测者将其评为显著挑战。这包括统一全球和本地团队的预测流程、模型和报告，以提升一致性和协作效率。

AI如何改进商业预测流程？

AI/ML被认为可显著改进趋势分析、质量检查、数据预处理和模型构建。约30%的预测者首选AI优化趋势分析，但报告强调AI在多个环节均有提升潜力，需结合具体场景落地。

预测者对哪些输入数据最不自信？

预测者对市场份额、患者持久性和依从性三类输入的置信度最低。报告建议通过引入更多真实世界数据（RWD）和类比分析来降低这些输入的不确定性。

预测者希望创新聚焦于哪个产品阶段？

约60%的预测者希望将创新（工具或流程）优先应用于管线产品（Pipeline），而非已上市产品。因为管线产品数据稀缺、不确定性更高，更需要创新支持。

报告中的代表性数据

60%

面临显著挑战的预测者比例

2024年调查，将标准化预测方法列为显著挑战（评分4或5）的受访者占比。

50%

认为QC模型可受益自动化的预测者比例

2024年调查，选择质量检查模型作为亟需自动化任务的受访者比例。

30%

选择AI/ML改进趋势分析的预测者比例

2024年调查，受访者认为AI/ML可显著改进趋势分析的比例，为所有选项中最高。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 详细调查人群画像：包括职位、公司类型、公司规模、预测职能、产品阶段等分布。
  • 当前预测挑战评分分布：以1-5分制展示标准化、数据分析、数据收集等活动的挑战程度。
  • 挑战影响程度分析：评分展示模型共享、不确定性分析、患者流建模等对不同预测者的影响。
  • 数据库集成挑战：数据清洗、更新触发返工、手动转移等问题的受访者选择比例。
  • 自动化需求优先级：质量检查、报告生成、数据收集、复杂分析等任务的自动化需求排名。
  • 预测输入置信度分析：市场份额、持久性、依从性等输入的低置信度原因及提升信心的方法。
  • 开放式问题回答汇总：预测者对当前挑战和理想创新愿景的原话摘录。
  • AI/ML改进潜力：受访者认为AI可优化的具体预测环节及其比例。
  • 产品阶段创新偏好：管线产品与在售产品创新需求对比。
  • 关键结论与行动建议：四大核心发现及对预测实践的启示。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告