Challenges and opportunities in sustainable public procurement

Challenges

While the shift towards sustainable purchasing in healthcare is promising, it is not without its challenges. One of the main barriers is the upfront cost. Often, sustainable products and solutions come at a higher price point than conventional alternatives. This can be a significant barrier, particularly in regions with limited healthcare budgets.

Another challenge is the availability and accessibility of sustainable options. The market for ethical and environmentally friendly products is still evolving. Healthcare providers may struggle to source products that meet both their sustainability criteria and medical standards.

Strategic Purchasing in the Healthcare Sector

Strategic purchasing in healthcare goes beyond the traditional focus on profitability and quality. It is a broader vision, integrating ethical sourcing, environmental sustainability and societal well-being into purchasing decisions. It is not simply about selecting products and services, but about aligning purchasing practices with the values ​​of health and sustainability.

This concept is in line with the core mission of healthcare, which is to promote and protect health. By prioritising ethical and sustainable products, healthcare providers can influence the market, encouraging manufacturers to adopt more environmentally friendly and socially responsible practices. This approach is all the more important given the healthcare sector’s considerable purchasing power within the EU.

Case studies on sustainable public procurement in the EU healthcare sector

Circular procurement in the Danish healthcare sector

In Denmark, the healthcare sector is a pioneer in circular procurement, an approach that focuses on the reuse and recycling of products. This strategy not only reduces waste, but also ensures that products have a longer life cycle, which is in line with sustainability goals. For example, Danish hospitals are increasingly opting for medical equipment and supplies that offer environmentally friendly disposal options or can be recycled, thereby reducing their carbon footprint.

Public procurement before commercialisation in Catalonia

Catalonia is taking a different but equally innovative approach by implementing pre-commercial procurement (PCP) procedures. These procedures are designed to address societal challenges such as antimicrobial resistance (AMR). By focusing on the pre-commercial stages, Catalonia is encouraging the development of cutting-edge solutions that are not only sustainable, but also address critical health challenges. This forward-thinking approach positions the region at the forefront of innovation and sustainability in healthcare.

Other EU initiatives

Across the EU, several regions are adopting similar strategies. These include efforts to source locally, thereby reducing transport emissions, and prioritising products with a low environmental impact. This diversity of approaches highlights the versatility of strategic purchasing and its ability to adapt to different regional needs and challenges.

Introduction

The European healthcare sector is a key component of the continent’s economy, contributing around 14% of the European Union’s annual gross domestic product (GDP). This significant financial influence not only demonstrates its economic importance, but also provides a powerful lever for broader societal impacts. In recent years, there has been a growing focus on leveraging this influence to promote sustainability. This approach, known as strategic purchasing, is increasingly recognised for its potential to promote ethical, healthy and environmentally sustainable practices within the sector.

Opportunities

Despite these challenges, sustainable procurement in healthcare also presents significant opportunities. Firstly, it opens the door to innovation. As the demand for sustainable products increases, manufacturers are encouraged to invest in research and development, leading to new, more sustainable technologies and products.

Secondly, it creates the potential for long-term cost savings. While the initial investment might be higher, sustainable products often have lower lifecycle costs due to factors like energy efficiency and durability.

Finally, sustainable procurement aligns healthcare practices with broader societal values, enhancing public trust and reputation. It also contributes significantly to public health by reducing environmental impact, thus indirectly improving health outcomes.

Conclusion

Strategic procurement initiatives in the European healthcare sector reflect a profound shift towards sustainability and ethical responsibility. From Denmark’s circular procurement to Catalonia’s innovative pre-commercial procurement , these strategies demonstrate a commitment not only to healthcare in the traditional sense, but also to the health of the planet and society as a whole.

As the sector continues to address challenges, the opportunities for positive change and innovation are immense. The shift towards sustainable sourcing is more than a trend; it is a necessary evolution in response to global environmental and social challenges. It highlights the unique role that the healthcare sector can play in leading the way towards a more sustainable future.

The journey towards fully sustainable procurement is ongoing, but the steps taken by the European healthcare sector are significant. They serve as a beacon, showing that strategic purchasing can be a powerful tool to align business activities with ethical and environmental values, ultimately contributing to a healthier world for all.

L’IA prend de l’importance dans les dispositifs médicaux, ce qui amène les gens à réfléchir à la façon dont elle affectera les équipes de vente et commerciales. Comment l’IA peut-elle permettre aux professionnels de la vente dans l’industrie des dispositifs médicaux de stimuler l’engagement des clients et de générer des revenus ? Cet article examine comment l’apprentissage automatique peut améliorer le ciblage des prospects, la personnalisation des prix, l’identification des signaux d’achat, la hiérarchisation des pistes, etc. Il montre comment cette technologie pourrait modifier considérablement les pratiques commerciales.

La pandémie de COVID-19 a eu une influence considérable sur diverses facettes des technologies médicales. D’une part, elle a stimulé la demande de solutions de test rapides et précises et d’un approvisionnement adéquat en équipements de protection individuelle et en consommables médicaux. D’autre part, elle a catalysé une évolution vers des soins de santé virtuels, offrant de nouvelles opportunités aux entreprises de dispositifs médicaux.

Pourtant, le report des soins non urgents et divers défis économiques, commerciaux et liés à la chaîne d’approvisionnement ont accéléré la transformation numérique des opérations commerciales et de la chaîne d’approvisionnement dans ce secteur. Une enquête portant sur 200 entreprises de matériel médical a révélé que 75 % d’entre elles ont entrepris une forme ou une autre d’initiative de transformation numérique.

Même avant la pandémie, le secteur était contraint de revoir ses stratégies commerciales et de vente. Une étude du BCG a mis en évidence que les entreprises MedTech allouaient beaucoup plus de ressources aux frais de vente, généraux et administratifs par rapport à leurs coûts des marchandises vendues que leurs homologues des secteurs technologiques ou industriels.

Le secteur utilise encore des méthodes de vente dépassées. Ces méthodes se concentrent sur les médecins, les administrateurs ou les deux. En conséquence, les ventes n’ont pas augmenté au cours des dix dernières années.

Les équipes de vente de dispositifs médicaux sont souvent confrontées à des défis tels que l’inefficacité des processus et les goulets d’étranglement, qui peuvent nuire à l’expérience du client. En outre, l’évolution des portefeuilles de produits, les attentes omnicanales, la diversité des segments de clientèle, les prix variables et la nécessité de configurations personnalisées compliquent encore le processus de vente.

En exploitant l’IA pour améliorer les processus de devis à l’encaissement, les équipes de vente de dispositifs médicaux peuvent éliminer les inefficacités et favoriser un meilleur engagement des clients. Cet article met en lumière cinq domaines clés dans lesquels l’IA peut avoir un impact significatif :

1. Optimisation de la stratégie de tarification pour les appels d’offres et les ventes directes : La majorité des entreprises interrogées ont cité le besoin de processus plus rationalisés dans la découverte des appels d’offres, la formulation des prix, les remises et la création d’offres. L’IA peut offrir des informations sophistiquées sur les canaux d’appels d’offres, permettant une gestion plus efficace des appels d’offres et une amélioration des performances.
2. Passage d’un système de devis manuel à un système de devis automatisé : De nombreuses équipes de vente s’appuient encore sur des processus manuels tels que des feuilles de calcul, ce qui entraîne des incohérences et des problèmes de normalisation. Les technologies d’IA et d’apprentissage automatique peuvent résoudre ces problèmes, en offrant des outils automatisés basés sur le cloud pour la tarification et l’établissement de devis qui peuvent gérer des configurations de produits complexes.
3. Réduction de la saisie manuelle des données et de la génération de devis : Les professionnels de la vente dans l’industrie des dispositifs médicaux consacrent une part considérable de leur temps à la saisie manuelle de données et à des tâches administratives. L’intégration de l’IA dans les systèmes CPQ (Configure, Price, Quote) peut automatiser ces tâches, ce qui permet aux équipes de vente de se concentrer sur des activités à plus forte valeur ajoutée.
4. Amélioration de la précision et de la cohérence des devis : Il peut être difficile de se tenir au courant des modifications apportées aux remises, aux gammes de produits et à la conformité. Les outils d’IA peuvent garantir que les devis de vente sont à la fois précis et cohérents, améliorant ainsi l’expérience du client.
5. Incorporation de la connaissance du marché dans l’établissement des prix : Un manque de connaissance du marché peut nuire à l’efficacité des stratégies de tarification et d’actualisation des produits. Un système CPQ alimenté par l’IA peut intégrer des données de marché en temps réel dans le processus d’établissement des devis, ce qui permet de prendre des décisions éclairées.

L’industrie des dispositifs médicaux est en pleine mutation. En utilisant des systèmes CPQ basés sur l’IA, les entreprises peuvent améliorer leurs ventes, mieux engager les clients et relever plus efficacement les défis du marché actuel.

Les fournitures médicales comprennent une large gamme de produits, des instruments chirurgicaux aux bandages, qui sont utilisés dans les établissements de santé. La classification et l’attribution correctes de codes à ces fournitures médicales sont essentielles pour l’approvisionnement, le suivi, la facturation, les commandes, la gestion des stocks et la sécurité des patients.

Parmi les principaux défis à relever, citons le coût élevé des transactions de la chaîne d’approvisionnement des soins de santé (jusqu’à quatre fois plus élevé que dans d’autres secteurs), le gaspillage important (par exemple, des EPI COVID-19 d’une valeur de 5 milliards de dollars jugés « inutilisables »). En outre, à l’échelle mondiale, 10 à 34 % des dépenses de santé des pays OCED ont été gaspillées pour des soins inappropriés.

Nous avons décomposé le défi en code à code, code à produit, produit à produit, produit à preuve et produit à opportunité. Plus précisément

• Code à code : supposons que vous ayez un code tel que CPV et que vous souhaitiez le faire correspondre à votre propre code interne ou à d’autres codes tels que UNSPSC.
• Code à produit : imaginez qu’en tant qu’acheteur, vous intégrez un nouveau fournisseur avec 30 000 articles ou des articles auxquels vous devez attribuer des catégories. En tant que fournisseur, je dois filtrer ou attribuer un code d’acheteur à mes produits.
• Produit à produit : en tant qu’acheteur, j’ai beaucoup de produits dans mon panier de marchandises, de marques ou de fournisseurs différents, comment pouvez-vous comparer les produits pour trouver des produits similaires ? En tant que fournisseur, comment puis-je comprendre le paysage du marché ?
• Du produit à la preuve : en tant qu’acheteur, vous souhaitez examiner les preuves cliniques de nombreux produits, comment le faites-vous actuellement ? En tant que fournisseur, je souhaite voir ce que font mes concurrents.
• Du produit à l’opportunité : en tant qu’acheteur, je veux voir les produits du fournisseur, ou en tant que fournisseur, je veux voir les opportunités auxquelles je peux participer ou que font mes concurrents.

Voici une sélection des complexités liées à la classification :

• Complexité, diversité et problèmes de normalisation : La grande variété de fournitures médicales, chacune avec ses propres spécifications, rend la classification complexe. Il peut être difficile de différencier des produits présentant des variations mineures. Il peut y avoir un manque de conventions de dénomination et de catégorisation standardisées pour les fournitures médicales, en particulier entre les différents fabricants ou pays. Différents fournisseurs peuvent utiliser des noms, des codes ou des spécifications différents pour des produits similaires, ce qui complique le maintien d’une classification standardisée.
• Évolution continue des produits : Au fur et à mesure que la technologie médicale progresse, de nouveaux produits sont constamment introduits sur le marché. La mise à jour des systèmes de classification devient une tâche permanente.
• Catégories qui se chevauchent : Certaines fournitures médicales peuvent être classées dans plusieurs catégories, ce qui entraîne une certaine confusion quant à leur classification.
• Erreurs humaines, échelle et compétence : Des erreurs peuvent se produire lors de la saisie manuelle ou des processus de catégorisation, entraînant des classifications erronées. Le personnel doit être formé pour comprendre et utiliser correctement le système de classification, et cette formation doit être mise à jour au fur et à mesure de l’évolution du système.
• Exigences en matière de réglementation et de conformité : Des régions ou des pays différents peuvent avoir des réglementations différentes concernant les fournitures médicales, ce qui peut affecter la manière dont elles doivent être classées ou codées. Dans les contextes multinationaux, la traduction et la localisation peuvent rendre la classification encore plus complexe.
• Interopérabilité et intégration : Les différents systèmes d’un établissement de soins de santé, comme la facturation, les dossiers médicaux électroniques et la gestion des stocks, doivent communiquer de manière transparente. Des divergences dans la classification des codes peuvent entraîner des problèmes dans cette intégration. Les systèmes existants dans les hôpitaux ou les établissements peuvent encore s’appuyer sur des systèmes de classification obsolètes, ce qui entraîne des divergences lors de l’intégration avec des systèmes ou des fournisseurs plus récents. Les systèmes de classification doivent être compatibles avec les systèmes de gestion des stocks afin de garantir un suivi transparent de l’utilisation des fournitures médicales et des besoins de réapprovisionnement.

Pour relever ces défis, il faut combiner la technologie, la formation et une planification minutieuse. Les solutions peuvent consister à investir dans des systèmes modernes de gestion des stocks, à assurer la formation continue du personnel, à collaborer avec les fournisseurs pour la normalisation et à revoir et mettre à jour régulièrement les systèmes de classification. Il n’est pas possible de faire cela manuellement à l’échelle mondiale pour tous les produits et services de santé et cela nécessite une solution automatisée de suivi et de contrôle, heureusement avec l’émergence du big data, de l’IA générative et de l’analyse des graphes, c’est possible.

Alors que ChatGPT-4 peut être efficace pour résumer un texte, nos scientifiques ont constaté que son utilisation pour la correspondance de code à code, telle que GMDN à UNSPSC, conduit à l’attribution de codes de classification incorrects, même après une préparation minutieuse des données. Ces réponses inexactes sont un processus connu sous le nom d’hallucination et ont été largement discutées dans la presse comme un problème majeur pour la confiance et la qualité. Lorsque l’on fait correspondre un produit à un code, les choses peuvent aussi rapidement devenir incontrôlables en raison du bruit.

Vamstar possède une expérience approfondie en matière de science des données et d’intelligence artificielle dans les secteurs de la santé et des technologies médicales. Nous avons bénéficié d’un financement de premier plan d’Innovate UK pour la recherche et l’IA Venture, et nous collaborons activement avec des universités de premier plan.

Nous avons développé des solutions innovantes sous la forme d’une plateforme pilotée par les technologies de l’IA, pour permettre la standardisation et le catalogage automatisé des produits/services de santé, enrichis d’informations récoltées à partir de sources hétérogènes afin d’améliorer la prise de décision en matière d’approvisionnement.

Nous avons collecté, extrait à l’aide du langage naturel, normalisé et enrichi les plus grands ensembles de données d’appels d’offres publics au monde provenant d’acheteurs tels que des hôpitaux, des cliniques et des universités. Nous connaissons par exemple les appels d’offres en cours pour les produits MedTech, les fournisseurs retenus et les habitudes d’achat.

Parallèlement, nous avons collecté, normalisé et enrichi des produits et des articles à partir de catalogues de fabricants, de fournisseurs et de distributeurs en utilisant le traitement du langage naturel et l’IA générative. Cela nous permet de comprendre parfaitement les portefeuilles et les offres du côté de l’offre.

Nous avons combiné ces deux énormes ensembles de données spécifiques aux soins de santé et aux technologies médicales, et créé le plus grand graphe de connaissances qui nous permet d’effectuer des correspondances graphiques de produits et de codes à une échelle jamais vue auparavant, en utilisant des caractéristiques de produits de bas niveau et des spécifications dans le domaine des soins de santé dans toutes les langues.

Créer le plus grand graphe de connaissances au monde dans le domaine des soins de santé et des sciences de la vie – interconnectant tous les acheteurs, fournisseurs, produits, services et dispositifs médicaux dans tous les pays – est une tâche complexe qui nécessite des ensembles de compétences uniques et beaucoup de données normalisées et enrichies. Le graphe sous-jacent a été créé à l’aide de modèles complexes de traitement du langage naturel (NLP), d’IA générative et d’apprentissage automatique, y compris l’utilisation d’instances GPU pour l’entraînement de nos modèles NLP d’apprentissage profond personnalisés. En collaboration avec l’Université de Sheffield, leader mondial en matière de NLP, nous avons mis à l’échelle à la fois les données que nous traitons et les nœuds et relations représentés dans le graphe du réseau.

Nous avons superposé trois technologies de pointe, à savoir l’IA générative, le traitement du langage naturel et les graphes de connaissances, en parfaite harmonie pour faire correspondre automatiquement toutes vos affectations et classifications de codes et de produits. Ce processus est orchestré à l’aide d’une série complexe de pipelines propriétaires de big data et d’apprentissage automatique qui s’adaptent facilement à l’informatique en nuage.

Nous avons la capacité unique d’effectuer des analyses hautement évolutives et précises :

• Code à code : Correspondance automatique avec CPV, UNSPC, GMDN, GUDID, UDI, eClass et correspondance avec les codes/catalogues/taxonomies internes.
• De code à produit : Attribution du CPV, de l’UNSPC, de l’eClass ou du code/catalogue/taxonomie interne aux produits.
• De produit à produit : comparer les produits à d’autres produits et fournir un score de correspondance.
• De produit à preuve : résumer les preuves cliniques pour un produit ou un groupe de produits.
• De produit à opportunité : nous avons la capacité de faire correspondre un appel d’offres ou une opportunité privée aux produits d’un fournisseur.

Vamstar est la principale plateforme d’échange B2B de soins de santé et de sciences de la vie alimentée par l’IA, regroupant et analysant plus de 750 milliards de dollars de dépenses entre 86 000 acheteurs de produits et de services de soins de santé publics et privés dans plus de 100 pays. La technologie de la chaîne d’approvisionnement de Vamstar, basée sur le cloud, connecte à la fois les acheteurs et les fournisseurs pour automatiser les processus commerciaux clés, traduisant les données et les analyses basées sur les résultats en actions significatives pour l’écosystème des soins de santé afin d’avancer rapidement, de fonctionner efficacement et de réaliser de grandes synergies, permettant de meilleurs soins aux patients et de maximiser les économies de l’industrie pour ses clients.

Nous utilisons le Big Data et l’apprentissage automatique pour permettre un approvisionnement intelligent, des appels d’offres plus rapides, des contrats simplifiés, des opportunités en temps réel, une intelligence intégrée et des services connexes, y compris le commerce en ligne de produits de santé entre les hôpitaux, les cliniques, les laboratoires et les fournisseurs sur le marché.

En ayant une vue d’ensemble et en tenant compte de toutes les connexions, Vamstar fournit aux acteurs du secteur des soins de santé des informations et des perspectives précieuses sur le marché. Vamstar s’associe à des leaders du secteur, des universités et des gouvernements dans plus de 100 pays pour appliquer une réflexion de haut niveau aux tâches quotidiennes et aux questions stratégiques. Elle offre à ses clients des solutions qui les rendent plus efficaces et les aident à prendre des décisions éclairées et fondées sur des données afin d’assurer leur avenir.

Exploiter les données d’un appel d’offres ou d’une demande de propositions

Les données relatives aux appels d’offres contiennent une mine d’informations qui peuvent éclairer divers aspects de la stratégie GTM d’une entreprise MedTech. Les documents d’appels d’offres permettent notamment d’obtenir des informations clés :

1. Disponibilité des produits : Les avis et documents d’appel d’offres précisent souvent les types de produits requis, ainsi que leurs spécifications techniques et les caractéristiques souhaitées. Ces informations peuvent aider les entreprises MedTech à comprendre la gamme de produits disponibles sur le marché et à identifier les lacunes ou les possibilités d’innovation.

2. Paysage des fournisseurs : Les notifications d’adjudication révèlent les soumissionnaires retenus, ce qui donne un aperçu du paysage concurrentiel. En analysant ces informations, les entreprises MedTech peuvent identifier leurs principaux concurrents, évaluer leur part de marché, suivre l’évolution des prix et surveiller leurs activités.

3. Prix et remises : Sur de nombreux marchés, les documents d’appel d’offres divulguent les prix et les remises offerts par les fournisseurs. Cette transparence permet aux entreprises MedTech de comparer leurs stratégies de prix, de comprendre la sensibilité au prix des acheteurs et d’identifier les possibilités de positionnement concurrentiel.

4. Préférences de l’acheteur : Les documents d’appel d’offres décrivent souvent les critères d’évaluation utilisés par les acheteurs pour évaluer les offres. Ces critères peuvent inclure des facteurs tels que la qualité des produits, le soutien après-vente, la formation et la durabilité. En comprenant les préférences des acheteurs, les entreprises MedTech peuvent adapter leurs offres et leurs propositions de valeur pour mieux répondre aux besoins des clients.

5. Conditions du marché : Les données relatives aux appels d’offres peuvent fournir des informations sur les conditions spécifiques au marché, telles que les exigences réglementaires, les exigences en matière de contenu local et les conditions de paiement. Ces informations sont cruciales pour les entreprises MedTech qui cherchent à pénétrer de nouveaux marchés ou à étendre leur présence sur les marchés existants.

6. Facteurs autres que le prix : Outre le prix, les documents d’appel d’offres peuvent spécifier des facteurs non tarifaires qui influencent la décision d’attribution, tels que les capacités techniques, les preuves cliniques et la réputation du fournisseur. Les entreprises MedTech peuvent utiliser ces informations pour se différencier et mettre en avant leurs atouts uniques.

Le paysage de l’appel d’offres ou de la demande de propositions

L’appel d’offres est un processus très réglementé qui vise à garantir une concurrence loyale, la transparence et l’optimisation des ressources dans le cadre des marchés publics. Les gouvernements et les établissements de soins de santé lancent des appels d’offres pour inviter les fournisseurs à soumettre des offres pour la fourniture de biens ou de services. La procédure d’appel d’offres comporte généralement plusieurs étapes :

1. Avis d’appel d’offres : L’acheteur publie un avis décrivant ses besoins, ses spécifications et le calendrier de la procédure de passation de marché.

2. Documents d’appel d’offres : Les fournisseurs intéressés peuvent obtenir des documents d’appel d’offres détaillés qui fournissent de plus amples informations sur l’étendue des travaux, les critères d’évaluation et les exigences en matière de soumission.

3. Soumission des offres : Les fournisseurs préparent et soumettent leurs offres, qui comprennent les propositions techniques et commerciales, ainsi que les documents justificatifs.

4. Évaluation des offres : L’acheteur évalue les offres soumises sur la base de critères prédéfinis, qui peuvent inclure le prix, la qualité, les capacités techniques et d’autres facteurs.

5. Notification de l’attribution : L’acheteur annonce l’adjudicataire et fournit un retour d’information aux participants non retenus.

6. Documents d’adjudication : L’acheteur et le fournisseur retenu signent un contrat décrivant les termes et conditions de l’accord.

Tout au long de ce processus, une quantité importante d’informations est générée et mise à la disposition du public ou du semi-public, même si c’est pour une durée limitée. Ces informations peuvent fournir des indications précieuses sur le paysage concurrentiel, les tendances du marché et les besoins des clients.

Introduction

Dans le monde hautement compétitif et réglementé de la technologie médicale « MedTech », l’élaboration d’une stratégie GTM convaincante est cruciale pour la réussite. Alors que le marché américain s’appuie fortement sur les ventes directes et les négociations au niveau du GPO, la majorité du marché mondial fonctionne par le biais d’appels d’offres (également appelés « Request For Proposals » ou RFP).

Les avis d’appel d’offres (avant et après l’appel d’offres), les documents, les notifications d’attribution et les documents d’attribution contiennent une mine d’informations précieuses qui peuvent informer et façonner la stratégie GTM d’une entreprise MedTech. En analysant systématiquement ces données, les équipes chargées des ventes, du marketing, de l’accès au marché, du commerce et de la tarification peuvent se faire une idée de la dynamique du marché, des activités des concurrents, des tendances en matière de tarification et des préférences des acheteurs. Cependant, le processus d’extraction, d’organisation et d’intégration de ces informations peut s’avérer difficile en raison de leur nature semi-structurée et non structurée, de leur disponibilité publique limitée et de la nécessité de les fusionner avec des ensembles de données internes.

Cet article examine l’importance des données relatives aux appels d’offres dans l’élaboration d’une stratégie GTM solide pour les produits MedTech et fournit des conseils sur la manière d’utiliser efficacement ces informations pour réussir sur les marchés institutionnels.

Défis liés à l’extraction et à l’utilisation des données relatives aux appels d’offres

Si les documents d’appel d’offres offrent une valeur immense, l’extraction et l’utilisation de ces informations peuvent s’avérer difficiles pour plusieurs raisons :

1. Données semi-structurées et non structurées : Les documents d’appel d’offres se présentent souvent sous la forme de fichiers PDF, de documents Word ou de pages HTML, qui contiennent un mélange de données structurées et non structurées. L’extraction d’informations pertinentes à partir de ces sources nécessite des techniques avancées d’analyse des données et de traitement du langage naturel.

2. Disponibilité publique limitée : Les avis d’appel d’offres et les documents sont généralement disponibles dans le domaine public pendant une période limitée, allant souvent de quelques semaines à un mois. Cette courte période pose des problèmes aux équipes qui tentent de collecter et d’analyser les données manuellement.

3. Intégration des données : Pour tirer le maximum de valeur des données de l’appel d’offres, il faut les intégrer aux ensembles de données internes sur les ventes, la tarification et l’intelligence économique. Cette intégration permet d’identifier des modèles, des tendances et des corrélations entre les marchés et les segments de produits. Cependant, la fusion de sources de données disparates peut être complexe et prendre du temps.

4. Langue et localisation : Les appels d’offres sont souvent publiés dans les langues locales et peuvent utiliser une terminologie et des formats spécifiques à chaque pays. Les entreprises MedTech opérant dans plusieurs pays doivent surmonter les barrières linguistiques et garantir une interprétation cohérente des données sur l’ensemble des marchés.

Tirer parti de la technologie pour l’analyse des données d’appels d’offres

Pour relever les défis de l’extraction et de l’utilisation des données d’appels d’offres, les entreprises MedTech peuvent s’appuyer sur des technologies avancées telles que :

1. Récupération sur le web : Les outils automatisés de « web scraping » permettent d’extraire systématiquement des données d’appel d’offres à partir de portails en ligne, de sites web et de bases de données. Ces outils peuvent traiter d’importants volumes de données et naviguer dans des structures de sites web complexes pour capturer les informations pertinentes.

2. Reconnaissance optique de caractères (OCR) : La technologie OCR permet de convertir des documents et des images scannés en texte lisible par une machine, ce qui permet d’extraire des données structurées à partir de sources non structurées.

3. Traitement du langage naturel (NLP) : Les algorithmes de traitement du langage naturel peuvent analyser le texte des documents d’appel d’offres afin d’identifier les informations clés telles que les spécifications des produits, les critères d’évaluation et les prix. Le NLP peut également aider à la traduction et à la localisation.

4. Plateformes d’orchestration des données : Les plateformes d’intégration de données spécialisées peuvent rationaliser le processus de fusion des données d’appels d’offres avec les ensembles de données internes. Ces plateformes peuvent se charger du nettoyage, de la normalisation et de l’harmonisation des données, garantissant ainsi une base de données cohérente et fiable pour l’analyse.

Appliquer les connaissances sur les appels d’offres aux stratégies GTM

Une fois les données des appels d’offres extraites et intégrées, les entreprises MedTech peuvent utiliser les informations pour informer et optimiser leurs stratégies GTM dans les quatre dimensions clés que sont la tarification, le positionnement, la place et la promotion.

1. Fixation des prix : Les données relatives aux appels d’offres permettent de connaître les stratégies de prix des concurrents et la sensibilité au prix des acheteurs. Les entreprises MedTech peuvent utiliser les informations sur les prix nets pour développer des modèles de prix compétitifs, offrir des remises ciblées et négocier plus efficacement avec les équipes chargées des achats.

2. Positionnement : En analysant les critères d’évaluation des appels d’offres et les préférences des acheteurs, les entreprises MedTech peuvent affiner le positionnement de leurs produits et leurs propositions de valeur. Il peut s’agir de mettre en avant les caractéristiques uniques du produit, de souligner les avantages cliniques ou de présenter les capacités de soutien après-vente pour se différencier des concurrents.

3. Le lieu : Les données relatives aux appels d’offres peuvent révéler des exigences et des conditions spécifiques au marché qui ont un impact sur la distribution et la logistique des produits MedTech. Les entreprises peuvent utiliser ces informations pour optimiser leur chaîne d’approvisionnement, établir des partenariats locaux et garantir le respect des réglementations.

4. La promotion : Les avis d’appel d’offres et les notifications d’attribution fournissent des informations sur les décideurs et les personnes influentes impliquées dans le processus de passation de marchés. Les entreprises MedTech peuvent exploiter ces informations pour adapter leurs activités promotionnelles, telles que les campagnes de marketing ciblées, l’engagement des principaux leaders d’opinion et les initiatives éducatives.

Outre les quatre P, les données relatives aux appels d’offres peuvent également éclairer le paysage réglementaire et son impact sur les marchés institutionnels. En surveillant les exigences et les spécifications des appels d’offres, les entreprises MedTech peuvent se tenir au courant de l’évolution des réglementations, des normes et des certifications. Cette connaissance peut aider les entreprises à adapter de manière proactive leurs produits et processus afin de répondre aux demandes changeantes du marché.

Conclusion

Les données relatives aux appels d’offres représentent une mine d’informations pour les entreprises MedTech qui cherchent à développer des stratégies GTM efficaces sur les marchés institutionnels. En analysant systématiquement les avis d’appel d’offres, les documents, les notifications d’attribution et les documents d’attribution, les entreprises peuvent acquérir une connaissance approfondie de la dynamique du marché, des activités des concurrents, des tendances en matière de prix et des préférences des acheteurs.

Toutefois, l’extraction et l’utilisation des données relatives aux appels d’offres posent des défis importants en raison de leur nature semi-structurée et non structurée, de leur disponibilité publique limitée et de la nécessité d’intégrer les données. Pour surmonter ces difficultés, les entreprises MedTech doivent s’appuyer sur des technologies avancées telles que le web scraping, l’OCR, le NLP et les plateformes d’intégration de données.

En appliquant les connaissances tirées des données d’appels d’offres aux quatre dimensions clés que sont la tarification, le positionnement, la place et la promotion, les entreprises MedTech peuvent créer des stratégies GTM convaincantes qui trouvent un écho auprès des clients, se différencient des concurrents et favorisent la réussite sur le marché. En outre, la surveillance du paysage réglementaire par le biais des données d’appels d’offres peut aider les entreprises à rester conformes et à s’adapter à l’évolution des exigences du marché.

En conclusion, les entreprises MedTech qui investissent dans l’analyse systématique des données d’appels d’offres et qui intègrent les informations recueillies dans leurs stratégies de gestion du cycle de vie seront bien placées pour naviguer dans les complexités des marchés institutionnels, stimuler la croissance et obtenir un avantage concurrentiel durable.

Vamstar

Vamstar peut jouer un rôle crucial dans l’amélioration de l’efficacité de la stratégie GTM d’une entreprise MedTech en relevant les défis associés à l’extraction, à l’analyse et à l’utilisation des données d’appels d’offres à grande échelle et de manière asynchrone. En s’appuyant sur des technologies avancées telles que le web scraping, l’OCR, le NLP, le Machine Learning et l’intégration de données, Vamstar peut automatiser le processus de collecte et d’organisation des informations relatives aux appels d’offres à partir de diverses sources, y compris tous les ensembles de données internes provenant des systèmes CRM, de gestion des prix/recettes ou des systèmes ERP. Cela permet non seulement d’économiser du temps et des ressources, mais aussi de garantir un ensemble de données complet et actualisé auquel les différentes équipes de l’organisation peuvent facilement accéder et qu’elles peuvent analyser.

En outre, la plateforme de Vamstar peut fournir un référentiel centralisé pour les données relatives aux appels d’offres, permettant une intégration transparente avec les systèmes internes de vente, de tarification et d’information sur le marché. Cette intégration permet d’identifier des modèles, des tendances et des corrélations entre les marchés et les segments de produits, ce qui permet aux entreprises MedTech de prendre des décisions fondées sur des données et d’adapter leurs stratégies GTM en temps réel. En tirant parti des informations fournies par la plateforme de Vamstar, les entreprises MedTech peuvent optimiser leurs modèles de tarification, affiner le positionnement de leurs produits, rationaliser les canaux de distribution et adapter leurs activités promotionnelles afin de mieux répondre aux besoins de leurs clients cibles et de garder une longueur d’avance sur la concurrence.

Contexte :

Le 20 mars 2024, la commission des comptes publics de la Chambre des communes a publié un rapport sur les inefficacités des processus d’approvisionnement de la chaîne d’approvisionnement du NHS.

Le rapport a mis en lumière divers défis, notamment les difficultés à atteindre les objectifs de part de marché, les problèmes de supervision, le manque de confiance entre les parties prenantes et les initiatives de transformation retardées.

Dans cet article, nous explorons le contexte du rapport et proposons des recommandations pour la mise en œuvre d’une plateforme d’orchestration des données basée sur l’IA afin de favoriser la cohérence, la confiance et la transparence dans les processus d’approvisionnement.

Introduction:

Le NHS dépense environ 8 milliards de livres sterling par an en équipements et consommables médicaux. La chaîne d’approvisionnement du NHS, créée en 2018, vise à réaliser des économies et à augmenter la part de marché en regroupant le pouvoir d’achat et en réduisant les variations de prix.

Cependant, des défis persistent pour persuader les fiducies d’utiliser la chaîne d’approvisionnement du NHS, ce qui entraîne des opportunités d’économies manquées. Ce document explore comment les systèmes d’orchestration des données basés sur l’IA peuvent relever ces défis et améliorer l’efficacité de NHS Supply Chain et les résultats pour les patients.

Principaux défis :

1. Faible participation des fiduciaires : NHS Supply Chain n’a pas réussi à persuader les trusts d’utiliser ses services, ce qui se traduit par une part de marché de 57 % seulement, alors que l’objectif est de 80 % d’ici à 2023-24. Cela limite les économies potentielles et les gains d’efficacité.
2. Faiblesse de la surveillance et du soutien : NHSE a été faible dans sa surveillance et son soutien à NHS Supply Chain, ne validant pas les économies revendiquées et ne fournissant pas un soutien financier adéquat pour les efforts de modernisation.
3. Manque de responsabilisation des entreprises : Le NHSE n’incite pas efficacement les trusts à acheter davantage par l’intermédiaire de la chaîne d’approvisionnement du NHS, s’en remettant aux trusts pour analyser les données d’approvisionnement et changer les pratiques de manière indépendante.
4. Rapports d’économies incohérents : La chaîne d’approvisionnement du NHS a utilisé plusieurs méthodes pour calculer et communiquer les économies réalisées, ce qui a créé de la confusion et de la méfiance parmi les organismes de tutelle.
5. Retard dans les bénéfices de la transformation : Le programme de transformation de NHS Supply Chain, qui vise à améliorer ses activités, devrait se dérouler entre 2022 et 2030. Il faudra plusieurs années pour que les avantages se concrétisent en raison des contraintes de capacité et des défis posés par les systèmes existants.
6. Équilibrer les coûts et la qualité : Certains craignent que l’accent mis sur les coûts n’ait un impact sur la qualité des produits et les résultats pour les patients. Les cliniciens doivent être davantage impliqués dans les choix d’achat pour s’assurer que les soins aux patients sont pris en compte en même temps que la valeur et le coût.

Pour relever ces défis et améliorer l’efficacité de la chaîne d’approvisionnement du NHS, nous proposons la mise en œuvre d’une technologie d’orchestration des données et d’analyse pilotée par l’IA afin de réduire les risques pour le NHS. Cette technologie garantira la cohérence des données, instaurera la confiance et favorisera la transparence dans les processus d’approvisionnement.

La solution d’orchestration des données basée sur l’IA prendra en charge :

1. Prévision de la demande : Mettre en œuvre des algorithmes d’IA pour analyser les données historiques d’approvisionnement, les données démographiques des patients et les tendances cliniques afin de prévoir avec précision la demande d’équipements médicaux et de consommables. Cela permettra à la chaîne d’approvisionnement du NHS d’optimiser les niveaux de stock, de réduire les ruptures de stock et d’améliorer la participation des fiducies en garantissant la disponibilité des produits.
2. Optimisation dynamique des prix : Développer un moteur de tarification alimenté par l’IA qui analyse en permanence les conditions du marché, les contrats avec les fournisseurs et les habitudes d’achat des clients afin de proposer des prix compétitifs et transparents. Cela permet d’instaurer la confiance et d’encourager une utilisation accrue de la chaîne d’approvisionnement du NHS.
3. Analyse intelligente des achats : Déployer des analyses basées sur l’IA pour identifier les modèles d’achat, les variations de prix et les opportunités d’économies potentielles au sein des trusts. Fournir des informations exploitables au NHSE et aux administrations, permettant de relever des défis fondés sur les données et de rendre compte de l’utilisation de la chaîne d’approvisionnement du NHS.
4. Rapport unifié sur les économies : Établir une méthodologie standardisée de calcul des économies, alimentée par l’IA, qui intègre les données de la chaîne d’approvisionnement du NHS, des fiducies et des fournisseurs. Assurer la cohérence, la transparence et la confiance dans les économies rapportées par toutes les parties prenantes.
5. Gestion de la transformation assistée par l’IA : Exploiter les outils de gestion de projet de l’IA pour optimiser l’allocation des ressources, identifier les chemins critiques et suivre les progrès du programme de transformation de la chaîne d’approvisionnement du NHS. Utiliser l’analyse prédictive pour anticiper et atténuer les risques, en veillant à ce que les avantages de la modernisation se concrétisent en temps voulu.
6. Approvisionnement fondé sur la valeur : Mettre en œuvre un cadre d’IA qui intègre les résultats cliniques, la satisfaction des patients et les économies à long terme dans les décisions d’achat. Impliquez les cliniciens dans la définition des paramètres de valeur et utilisez l’IA pour analyser les preuves du monde réel, en garantissant un équilibre entre le coût et la qualité.

Conclusion:

La mise en œuvre de systèmes d’orchestration des données basés sur l’IA peut considérablement améliorer l’efficacité, les économies et les résultats pour les patients de NHS Supply Chain. En tirant parti de l’analyse prédictive, de la tarification dynamique, des perspectives d’approvisionnement intelligentes, des rapports unifiés sur les économies, de la gestion de la transformation assistée par l’IA et de l’approvisionnement fondé sur la valeur, la chaîne d’approvisionnement du NHS peut surmonter les défis existants et stimuler la participation des trusts. La collaboration entre NHS Supply Chain, NHSE, les trusts et les cliniciens est cruciale pour réaliser le plein potentiel de ces solutions d’IA et garantir un processus d’approvisionnement durable et centré sur le patient.