Na recente discussies over de inspanningen van de NHS om een op waarde gebaseerde inkoopmethodologie (VBP) in te voeren, is het duidelijk dat er ruimte is voor reflectie en gezamenlijke actie. Zoals opgemerkt door Chris Whitehouse is er een maand verstreken sinds de aankondiging van een nieuwe VBP-benadering, die tot doel heeft om bij inkoopbeslissingen meer nadruk te leggen op de resultaten en ervaringen van patiënten. De uitgebreide toolkit voor deze methodologie is echter nog niet vrijgegeven. Deze vertraging vormt een uitdaging voor het verbeteren van de inkoopefficiëntie van de NHS, een probleem dat in het huidige systeem tot aanzienlijke financiële implicaties heeft geleid.

De voorgestelde VBP-methodologie betekent een belangrijke verschuiving naar het toekennen van prioriteit aan de totale waarde die producten en diensten leveren aan patiëntenzorg, in plaats van alleen te kijken naar de kosten. Deze benadering is bedoeld om de gezondheidszorg in heel Engeland te verbeteren door ervoor te zorgen dat inkoopbeslissingen de patiëntenzorg direct ondersteunen en bijdragen aan de efficiëntie van het hele systeem.

De overgang naar een VBP-model is echter op een aantal hindernissen gestuit door de bestaande inkooppraktijken binnen de NHS, die van oudsher de nadruk leggen op kosten in plaats van op waarde. Dit heeft invloed gehad op potentiële besparingen en de kwaliteit van de patiëntenzorg, zoals te zien was bij de inkoop van absorberende continentieproducten. Ondanks bewijs dat een op waarde gebaseerde benadering ondersteunt, zijn traditionele inkooppraktijken niet altijd afgestemd op optimale ervaringen en resultaten voor de patiënt.

De vertraging in de uitrol van VBP benadrukt het belang van voortdurende inzet voor innovatie en patiëntgerichte zorg binnen de NHS. Gezien de brede politieke steun voor VBP is het aanpakken van deze uitdagingen cruciaal voor het verbeteren van de inkoop en levering van gezondheidszorg.

Vamstar stelt een strategische herziening voor van de inkooppraktijken van de NHS door het gebruik van inkooptechnologieën voor de gezondheidszorg ondersteund door kunstmatige intelligentie. Door gebruik te maken van geavanceerde gegevensanalyse en marktintelligentie kan de NHS beter geïnformeerde beslissingen nemen die voldoen aan de VBP-beginselen. Deze strategie omvat het gebruik van voorspellende analyses voor het beoordelen van de langetermijnimpact van inkoopkeuzes, het opnemen van feedback van patiënten in inkoopbeslissingen en het opbouwen van relaties met leveranciers die zich inzetten voor innovatie en kwaliteit.

Verder moet de NHS een cultuur van innovatie binnen haar inkoopteams stimuleren, inkoopmanagers aanmoedigen om de totale impact belangrijker te vinden dan onmiddellijke kostenbesparingen en rekening te houden met de effecten van beslissingen op de patiëntenzorg en de duurzaamheid van het gezondheidssysteem.

Vamstar wil de kennis van inkopers in de gezondheidszorg verrijken door een platform met veel inhoud te introduceren dat zich richt op het verkennen van innovatieve inkoopmethoden en de voordelen van geavanceerde gegevensanalyse.

De verschuiving naar waarde-gebaseerd inkopen is een essentiële stap in de ontwikkeling van de gezondheidszorg. Met de invoering van innovatieve inkoopoplossingen en -technologieën is de NHS goed gepositioneerd om haar doelen te bereiken, namelijk het leveren van superieure, patiëntgerichte zorg. De huidige vertraging bij de implementatie van VBP herinnert ons eraan dat alle belanghebbenden bij de inkoop in de gezondheidszorg hun inspanningen moeten intensiveren en ervoor moeten zorgen dat de NHS in staat is om snel zorg van hoge kwaliteit te leveren.

Voor degenen die meer willen weten over Vamstar en haar aanbod, staat ons team klaar om gedetailleerde informatie te verstrekken en te bespreken hoe we uw inkoopbehoeften kunnen ondersteunen. Meer contactgegevens vindt u hieronder.

Uitdagingen en kansen op het gebied van duurzaam inkopen

Uitdagingen

Hoewel de verschuiving naar duurzaam inkopen in de gezondheidszorg veelbelovend is, is het niet zonder uitdagingen. Een belangrijke hindernis zijn de initiële kosten. Aan duurzame producten en oplossingen hangt vaak een hoger prijskaartje dan aan conventionele alternatieven. Dit kan een belangrijke barrière vormen, vooral in regio’s met beperkte budgetten in de gezondheidszorg.

Een andere uitdaging ligt in de beschikbaarheid en toegankelijkheid van duurzame opties. De markt voor ethisch geproduceerde en milieuvriendelijke producten is nog in ontwikkeling. Voor zorgverleners kan het moeilijk zijn om producten te vinden die zowel aan hun duurzaamheidscriteria als aan medische normen voldoen.

Strategische inkoop in de gezondheidszorg

Strategisch inkopen in de gezondheidszorg gaat verder dan de traditionele focus op kostenefficiëntie en kwaliteit. Het belichaamt een bredere visie en integreert ethisch inkopen, duurzaamheid voor het milieu en maatschappelijk welzijn in inkoopbeslissingen. Deze verschuiving gaat niet alleen over het selecteren van producten en diensten; het gaat over het afstemmen van inkooppraktijken op de waarden van gezondheid en duurzaamheid.

Het concept is verweven met de kernmissie van de gezondheidszorg – het bevorderen en beschermen van de gezondheid. Door prioriteit te geven aan ethisch geproduceerde en duurzame producten kunnen zorgverleners de markt beïnvloeden en fabrikanten aanmoedigen om groenere en meer maatschappelijk verantwoorde praktijken te hanteren. Deze aanpak is vooral belangrijk gezien de aanzienlijke koopkracht van de gezondheidszorgsector binnen de EU.

Casestudies van duurzaam inkopen in de gezondheidszorg in de EU

Circulair inkopen in de Deense gezondheidszorg

In Denemarken pioniert de gezondheidszorg met circulair inkopen, een aanpak waarbij de nadruk ligt op hergebruik en recycling van producten. Deze strategie vermindert niet alleen de hoeveelheid afval, maar zorgt er ook voor dat producten een langere levenscyclus hebben, in lijn met de duurzaamheidsdoelstellingen. Deense ziekenhuizen kiezen bijvoorbeeld steeds vaker voor medische apparatuur en benodigdheden die milieuvriendelijke verwijderingsopties bieden of gerecycled kunnen worden, waardoor ze hun CO2-voetafdruk verkleinen.

Precommerciële inkoop in Catalonië

Catalonië volgt een andere, maar even innovatieve aanpak door procedures voor precommerciële inkoop (Pre-Commercial Procurement, PCP) in te voeren. Deze procedures zijn ontworpen om maatschappelijke uitdagingen zoals antimicrobiële resistentie (AMR) aan te pakken. Door zich te richten op precommerciële stadia stimuleert Catalonië de ontwikkeling van geavanceerde oplossingen die niet alleen duurzaam zijn, maar ook kritieke gezondheidsproblemen aanpakken. Deze vooruitstrevende aanpak plaatst de regio in de voorhoede van innovatie en duurzaamheid in de gezondheidszorg.

Andere EU-initiatieven

In de hele EU hanteren verschillende regio’s vergelijkbare strategieën. Deze omvatten inspanningen om lokaal in te kopen, waardoor de transportemissies worden verminderd, en prioriteit te geven aan producten met een lagere milieu-impact. Deze diversiteit in benaderingen benadrukt de veelzijdigheid van strategisch inkopen en de aanpasbaarheid aan verschillende regionale behoeften en uitdagingen.

Inleiding

De Europese gezondheidszorgsector, een vitaal onderdeel van de economie van het continent, draagt ongeveer 14% bij aan het jaarlijkse Bruto Binnenlands Product (BBP) van de Europese Unie. Deze aanzienlijke financiële invloed is niet alleen een bewijs van het economische belang ervan, maar ook een krachtig hefboomeffect voor bredere maatschappelijke effecten. De afgelopen jaren is er steeds meer nadruk komen te liggen op het benutten van deze invloed om duurzaamheid te bevorderen. Deze benadering, bekend als strategisch inkopen, wordt steeds meer erkend vanwege het potentieel om ethische, gezonde en ecologisch duurzame praktijken binnen de sector te stimuleren.

Kansen

Ondanks deze uitdagingen biedt duurzaam inkopen in de gezondheidszorg ook belangrijke kansen. Ten eerste opent het de deur naar innovatie. Naarmate de vraag naar duurzame producten toeneemt, worden fabrikanten gestimuleerd om te investeren in onderzoek en ontwikkeling, wat leidt tot nieuwe, duurzamere technologieën en producten.

Ten tweede biedt het mogelijkheden voor kostenbesparingen op de lange termijn. Hoewel de initiële investering hoger kan zijn, hebben duurzame producten vaak lagere levenscycluskosten door factoren als energie-efficiëntie en duurzaamheid.

Ten slotte brengt duurzaam inkopen de gezondheidszorg op één lijn met bredere maatschappelijke waarden, waardoor het vertrouwen en de reputatie van het publiek toenemen. Het draagt ook aanzienlijk bij aan de volksgezondheid door de impact op het milieu te verminderen, waardoor de gezondheidsresultaten indirect verbeteren.

Conclusie

De strategische inkoopinitiatieven in de Europese gezondheidszorg weerspiegelen een diepgaande verschuiving in de richting van duurzaamheid en ethische verantwoordelijkheid. Van de circulaire inkoop in Denemarken tot de innovatieve precommerciële inkoop in Catalonië, deze strategieën laten zien dat men zich niet alleen inzet voor de gezondheidszorg in de traditionele zin van het woord, maar voor de gezondheid van de planeet en de samenleving als geheel.

Terwijl de sector de uitdagingen blijft aangaan, zijn de mogelijkheden voor positieve verandering en innovatie enorm. De verschuiving naar duurzaam inkopen is meer dan een trend; het is een noodzakelijke evolutie als antwoord op de wereldwijde ecologische en sociale uitdagingen. Het benadrukt de unieke rol die de gezondheidszorgsector kan spelen in het leiden van de weg naar een duurzamere toekomst.

De reis naar volledig duurzaam inkopen is nog niet ten einde, maar de stappen die de Europese gezondheidszorgsector heeft gezet, zijn belangrijk. Ze dienen als baken en laten zien dat strategisch inkopen een krachtig middel kan zijn om economische activiteiten op één lijn te brengen met ethische en milieuwaarden en uiteindelijk bij te dragen aan een gezondere wereld voor iedereen.

AI wordt steeds belangrijker in medische apparatuur, waardoor mensen gaan nadenken over de invloed ervan op verkoop- en commerciële teams. Hoe kan AI verkoopprofessionals in de sector voor medische apparatuur in staat stellen om de klantbetrokkenheid te vergroten en de omzet te verhogen? In dit artikel wordt bekeken hoe machine learning het targeten van prospects, het aanpassen van prijzen, het identificeren van koopsignalen, het prioriteren van leads en nog veel meer kan verbeteren. Het laat zien hoe deze technologie bedrijfspraktijken aanzienlijk kan veranderen.

De COVID-19 pandemie heeft verschillende facetten van MedTech aanzienlijk beïnvloed. Aan de ene kant heeft het de vraag naar snelle, nauwkeurige testoplossingen en een adequaat aanbod van persoonlijke beschermingsmiddelen en medische verbruiksgoederen gestimuleerd. Aan de andere kant heeft het een verschuiving naar virtuele gezondheidszorg gekatalyseerd, wat nieuwe kansen biedt voor bedrijven in medische hulpmiddelen.

Toch hebben het uitstel van niet-urgente zorg en verschillende economische, handels- en toeleveringsketenuitdagingen de digitale transformatie van commerciële en toeleveringsketenactiviteiten in deze sector versneld. Uit een onderzoek onder 200 bedrijven in medische hulpmiddelen bleek dat 75% bezig is met een of ander initiatief voor digitale transformatie.

Zelfs vóór de pandemie stond de sector al onder druk om zijn verkoop- en commerciële strategieën te herzien. Uit een onderzoek van BCG bleek dat MedTech-bedrijven aanzienlijk meer middelen besteedden aan verkoop-, algemene en administratieve kosten in verhouding tot hun kosten van verkochte goederen dan hun tegenhangers in de technologische of industriële sectoren.

De industrie gebruikt nog steeds verouderde verkoopmethoden. Deze methoden richten zich op artsen, administrateurs of beide. Als gevolg hiervan is de verkoop de afgelopen tien jaar niet gegroeid.

Verkoopteams voor medische hulpmiddelen worden vaak geconfronteerd met uitdagingen zoals inefficiënte processen en knelpunten, die afbreuk kunnen doen aan de klantervaring. Daarnaast maken evoluerende productportfolio’s, omnichannel verwachtingen, diverse klantsegmenten, variabele prijzen en de noodzaak van aangepaste configuraties het verkoopproces nog ingewikkelder.

Door AI in te zetten om de offerte-naar-cash-processen te verbeteren, kunnen verkoopteams voor medische hulpmiddelen inefficiënties elimineren en een betere klantbetrokkenheid bevorderen. In dit artikel worden vijf belangrijke gebieden belicht waar AI een significante impact kan hebben:

1. Optimalisatie van de prijsstrategie voor aanbestedingen en directe verkoop: De meerderheid van de ondervraagde bedrijven gaf aan behoefte te hebben aan meer gestroomlijnde processen voor het vinden van aanbestedingen, het formuleren van prijzen, het verlenen van kortingen en het opstellen van offertes. AI kan verfijnde inzichten bieden in tenderkanalen, waardoor efficiënter tenderbeheer en prestatieverbetering mogelijk worden.
2. Overgang van handmatig naar geautomatiseerd offreren: Veel verkoopteams vertrouwen nog steeds op handmatige processen zoals spreadsheets, wat leidt tot inconsistenties en standaardisatieproblemen. AI en machine learning technologieën kunnen deze problemen aanpakken en bieden cloud-gebaseerde, geautomatiseerde tools voor prijzen en offertes die complexe productconfiguraties aankunnen.
3. Minder handmatige invoer van gegevens en genereren van offertes: Verkopers in de sector medische hulpmiddelen besteden een aanzienlijk deel van hun tijd aan handmatige gegevensinvoer en administratieve taken. AI-integratie in CPQ-systemen (Configure, Price, Quote) kan deze taken automatiseren, waardoor verkoopteams zich kunnen concentreren op activiteiten met een hogere waarde.
4. Verbetering in nauwkeurigheid en consistentie van offertes: Het kan een uitdaging zijn om op de hoogte te blijven van wijzigingen in kortingen, productlijnen en compliance. AI-tools kunnen ervoor zorgen dat verkoopoffertes zowel nauwkeurig als consistent zijn, wat de klantervaring verbetert.
5. Integratie van marktintelligentie in offertes: Een gebrek aan marktintelligentie kan effectieve strategieën voor productprijzen en kortingen in de weg staan. Een CPQ-systeem met AI kan real-time marktgegevens integreren in het offerteproces, waardoor geïnformeerde besluitvorming mogelijk wordt.

De sector voor medische hulpmiddelen ondergaat een grote transformatie. Door op AI gebaseerde CPQ-systemen te gebruiken, kunnen bedrijven hun verkoop verbeteren, klanten beter betrekken en effectiever omgaan met de uitdagingen van de huidige markt.

Medische benodigdheden omvatten een breed scala aan producten, van chirurgische instrumenten tot verbandmiddelen, die worden gebruikt in zorginstellingen. Het goed classificeren en toewijzen van codes aan deze medische benodigdheden is van cruciaal belang voor inkoop, tracering, facturering, bestelling, voorraadbeheer en patiëntveiligheid.

De belangrijkste uitdagingen zijn de hoge kosten van transacties in de toeleveringsketen in de gezondheidszorg (tot 4x hoger in vergelijking met andere industrieën), aanzienlijke verspilling, bijv. 5 miljard dollar aan COVID-19 PBM’s die als ‘onbruikbaar’ worden beschouwd. Bovendien werd wereldwijd 10% tot 34% van de uitgaven voor gezondheidszorg in OCED-landen verspild aan ongeschikte zorg.

We hebben de uitdaging onderverdeeld in code-to-code, code-to-product, product-to-product, product-to-evidence en product-to-opportunity. Meer specifiek

• Code-naar-code: stel je hebt een code zoals CPV en je wilt deze matchen met je eigen interne code of andere codes zoals UNSPSC.
• Code-naar-product: stel dat je als inkoper een nieuwe leverancier binnenhaalt met 30.000 artikelen of artikelen waaraan je categorieën moet toewijzen. Als leverancier moet ik de koperscode filteren of toewijzen aan mijn producten.
• Product-tot-product: als inkoper heb ik veel producten in mijn mandje met goederen, van verschillende merken of leveranciers, hoe kun je de producten vergelijken om vergelijkbare producten te vinden? Hoe kan ik als leverancier het marktlandschap begrijpen.
• Product-naar-bewijs: nu wil je als inkoper het klinisch bewijs van veel producten screenen, hoe doe je dit op dit moment? Als leverancier wil ik zien wat mijn concurrenten doen.
• Product-naar-kansen: als koper wil ik de producten van de leverancier zien, of als leverancier wil ik de kansen zien waaraan ik kan deelnemen of die mijn concurrenten doen.

Hier volgt een selectie van de complexiteit van classificatie:

• Complexiteit, diversiteit en standaardisatieproblemen: De enorme verscheidenheid aan medische benodigdheden, elk met zijn eigen unieke specificaties, maakt classificatie ingewikkeld. Het kan een uitdaging zijn om producten met kleine variaties van elkaar te onderscheiden. Er kan een gebrek zijn aan gestandaardiseerde naamgevingsconventies en categoriseringen voor medische hulpmiddelen, vooral tussen verschillende fabrikanten of landen. Verschillende leveranciers kunnen verschillende namen, codes of specificaties gebruiken voor vergelijkbare producten, waardoor het een uitdaging wordt om een gestandaardiseerde classificatie te handhaven.
• Voortdurende evolutie van producten: Naarmate de medische technologie voortschrijdt, komen er voortdurend nieuwe producten op de markt. Het up-to-date houden van classificatiesystemen wordt een voortdurende taak.
• Overlappende categorieën: Sommige medische hulpmiddelen kunnen in meerdere categorieën passen, wat leidt tot verwarring over de juiste classificatie.
• Menselijke fouten, schaal en vaardigheid: Er kunnen fouten optreden bij handmatige invoer of categorisatieprocessen, wat leidt tot verkeerde classificaties. Personeel moet worden opgeleid om het classificatiesysteem te begrijpen en correct te gebruiken, en deze opleiding moet worden bijgewerkt naarmate het systeem evolueert.
• Regelgeving en naleving: Verschillende regio’s of landen kunnen verschillende regels hebben met betrekking tot medische benodigdheden, wat invloed kan hebben op de manier waarop ze moeten worden geclassificeerd of gecodeerd. In multinationale omgevingen kunnen vertaling en lokalisatie de classificatie nog ingewikkelder maken.
• Interoperabiliteit en integratie: Verschillende systemen binnen een gezondheidszorginstelling, zoals facturering, elektronische patiëntendossiers en voorraadbeheer, moeten naadloos met elkaar communiceren. Discrepanties in codeclassificaties kunnen leiden tot problemen bij deze integratie. Oudere systemen in ziekenhuizen of instellingen kunnen nog steeds gebruik maken van verouderde classificatiesystemen, wat kan leiden tot discrepanties bij de integratie met nieuwere systemen of leveranciers. Classificatiesystemen moeten compatibel zijn met voorraadbeheersystemen om het gebruik van medische benodigdheden en de behoefte aan aanvulling naadloos te kunnen volgen.

Het aanpakken van deze uitdagingen vereist een combinatie van technologie, training en zorgvuldige planning. Oplossingen kunnen onder andere bestaan uit het investeren in moderne voorraadbeheersystemen, het geven van doorlopende training aan het personeel, samenwerken met leveranciers voor standaardisatie en het regelmatig herzien en bijwerken van classificatiesystemen. Het is niet mogelijk om dit wereldwijd handmatig te doen voor alle producten en diensten in de gezondheidszorg en hiervoor is een geautomatiseerde tracking- en monitoringoplossing nodig. Gelukkig is dit mogelijk met de opkomst van big data, generatieve AI en graph analytics.

ChatGPT-4 mag dan goed zijn in het samenvatten van tekst, onze datawetenschappers hebben ontdekt dat het gebruik ervan voor code-naar-code matching, zoals GMDN naar UNSPSC, ertoe leidt dat onjuiste classificatiecodes worden toegewezen, zelfs na zorgvuldige voorbereiding van de gegevens. Deze onnauwkeurige antwoorden zijn een proces dat bekend staat als hallucinatie en dat veel in de pers is besproken als een groot probleem voor het vertrouwen en de kwaliteit. Bij het matchen van product-naar-code kan het ook snel uit de hand lopen door de ruis.

Vamstar heeft veel ervaring met geavanceerde datawetenschap en kunstmatige intelligentie in de gezondheidszorg en MedTech-sectoren. We hebben toonaangevende Innovate UK Research- en AI Venture-financiering ontvangen en werken actief samen met toonaangevende universiteiten.

We hebben baanbrekende oplossingen ontwikkeld in de vorm van een platform, aangedreven door AI-technologieën, om de standaardisatie en geautomatiseerde catalogisering van producten/diensten in de gezondheidszorg mogelijk te maken, verrijkt met informatie uit heterogene bronnen om de besluitvorming over inkoop te verbeteren.

We hebben de grootste openbare aanbestedingsdatasets ter wereld van inkopers zoals ziekenhuizen, klinieken en universiteiten verzameld, geëxtraheerd met behulp van NLP, genormaliseerd en verrijkt. We kennen bijvoorbeeld de live aanbestedingen voor MedTech-producten, de toegewezen leveranciers en aankooppatronen.

Tegelijkertijd hebben we producten en artikelen uit catalogi van fabrikanten, leveranciers en distributeurs verzameld, genormaliseerd en verrijkt met behulp van aangepaste natuurlijke taalverwerking en generatieve AI. Dit geeft ons een volledig inzicht in de portfolio’s en aanbiedingen aan de aanbodzijde.

We combineerden deze twee enorme specifieke datasets voor de gezondheidszorg en MedTech en creëerden de grootste kennisgrafiek waarmee we op nooit eerder vertoonde hyperscale grafiekmatching van producten en codes kunnen uitvoeren op basis van low-level productkenmerken en specificaties in de gezondheidszorg in verschillende talen.

Het creëren van ‘s werelds grootste kennisgrafiek op het gebied van gezondheidszorg en biowetenschappen – die alle kopers, leveranciers, producten, diensten en medische hulpmiddelen in alle landen met elkaar verbindt – is een complexe taak waarvoor unieke vaardigheden en veel genormaliseerde en verrijkte gegevens nodig zijn. De onderliggende grafiek is gemaakt met behulp van complexe natuurlijke taalverwerking (NLP), generatieve AI en Machine Learning-modellen, waaronder het gebruik van GPU-instanties voor het trainen van onze aangepaste deep learning NLP-modellen. In samenwerking met de Universiteit van Sheffield, wereldleiders op het gebied van NLP, hebben we zowel de data die we verwerken als de knooppunten en relaties die worden weergegeven in de netwerkgrafiek opgeschaald.

We hebben drie geavanceerde technologieën van generatieve AI, verwerking van natuurlijke taal en kennisgrafieken in perfecte harmonie samengevoegd om al uw code- en producttoewijzingen en classificaties automatisch te matchen. Dit wordt georkestreerd met behulp van een complexe reeks eigen big data en machine learning-pijplijnen die eenvoudig in de cloud kunnen worden opgeschaald.

We hebben de unieke mogelijkheid om zeer schaalbaar en nauwkeurig te werken:

• Code-naar-code: Automatische matching van CPV, UNSPC, GMDN, GUDID, UDI, eClass en interne code/catalogus/taxonomie.
• Code-naar-product: Wijs CPV, UNSPC, eClass of interne code/catalogus/taxonomie toe aan producten.
• Product-naar-product: producten vergelijken met andere producten en een matchingscore geven.
• Product-naar-bewijs: vat het klinisch bewijs voor een product of productgroep samen.
• Product-naar-opportuniteit: we kunnen een aanbesteding of privéopportuniteit koppelen aan producten van een leverancier.

Vamstar is het toonaangevende AI-aangedreven B2B Healthcare and Lifesciences Exchange platform, dat meer dan 750 miljard dollar aan uitgaven verzamelt en analyseert van 86.000 kopers van publieke en private bronnen van producten en diensten in de gezondheidszorg in meer dan 100 landen. Vamstar’s cloudgebaseerde supply chain-technologie verbindt zowel kopers als leveranciers om belangrijke bedrijfsprocessen te automatiseren, waarbij gegevens en op resultaten gebaseerde analyses worden omgezet in zinvolle actie voor het ecosysteem van de gezondheidszorg om snel te handelen, efficiënt te opereren en grote synergieën te bereiken, waardoor betere patiëntenzorg mogelijk wordt en de besparingen in de sector voor haar klanten worden gemaximaliseerd.

We maken gebruik van Big Data en Machine Learning om slimme inkoop, snellere aanbestedingen, vereenvoudigde contractering, real-time kansen, ingebedde intelligentie en aanverwante diensten mogelijk te maken, waaronder de webgebaseerde handel in gezondheidszorgproducten tussen ziekenhuizen, klinieken, laboratoria en leveranciers in de markt.

Door het grote geheel en alle verbindingen te zien, biedt Vamstar belanghebbenden in de gezondheidszorg waardevolle marktinzichten en -perspectieven. Vamstar werkt samen met leiders in de industrie, de academische wereld en de overheid in meer dan 100 landen om het denken op een hoger niveau toe te passen op dagelijkse taken en strategische kwesties. Ze bieden hun klanten oplossingen om hen efficiënter te maken en hen te helpen datagestuurde geïnformeerde beslissingen te nemen om hun toekomst veilig te stellen.

Inzichten ontsluiten uit aanbestedings- of RFP-gegevens

Aanbestedingsgegevens bevatten een schat aan informatie die kan bijdragen aan verschillende aspecten van de GTM-strategie van een MedTech-bedrijf. Enkele van de belangrijkste inzichten die uit aanbestedingsdocumenten kunnen worden afgeleid, zijn:

1. Beschikbaarheid van producten: In aankondigingen van aanbestedingen en aanbestedingsdocumenten worden vaak de vereiste soorten producten gespecificeerd, samen met hun technische specificaties en gewenste kenmerken. Deze informatie kan MedTech-bedrijven helpen inzicht te krijgen in het aanbod van producten op de markt en hiaten of mogelijkheden voor innovatie te identificeren.

2. Leverancierslandschap: Kennisgevingen van aanbestedingen onthullen de succesvolle bieders, wat inzicht geeft in het concurrentielandschap. Door deze informatie te analyseren kunnen MedTech-bedrijven hun belangrijkste concurrenten identificeren, hun marktaandeel beoordelen, prijsbewegingen volgen en hun activiteiten monitoren.

3. Prijzen en kortingen: In veel markten maken aanbestedingsdocumenten de prijzen en kortingen bekend die leveranciers aanbieden. Deze transparantie stelt MedTech bedrijven in staat om hun prijsstrategieën te benchmarken, de prijsgevoeligheid van afnemers te begrijpen en mogelijkheden voor een concurrerende positionering te identificeren.

4. Voorkeuren van kopers: In aanbestedingsdocumenten worden vaak de evaluatiecriteria beschreven die inkopers gebruiken om offertes te beoordelen. Deze criteria kunnen factoren omvatten als productkwaliteit, after-sales ondersteuning, training en duurzaamheid. Door inzicht te krijgen in de voorkeuren van afnemers kunnen MedTech-bedrijven hun aanbod en waardeproposities beter afstemmen op de behoeften van de klant.

5. Marktomstandigheden: Aanbestedingsgegevens kunnen inzicht geven in marktspecifieke omstandigheden, zoals wettelijke vereisten, vereisten voor lokale inhoud en betalingsvoorwaarden. Deze informatie is cruciaal voor MedTech bedrijven die nieuwe markten willen betreden of hun aanwezigheid in bestaande markten willen uitbreiden.

6. Niet-prijsfactoren: Naast de prijs kunnen aanbestedingsdocumenten niet-prijsgerelateerde factoren specificeren die van invloed zijn op de gunningsbeslissing, zoals technische capaciteiten, klinisch bewijs en de reputatie van de leverancier. MedTech bedrijven kunnen deze informatie gebruiken om zich te onderscheiden en hun unieke sterke punten te benadrukken.

De aanbesteding of het RFP-landschap

Aanbesteding is een sterk gereguleerd proces dat tot doel heeft eerlijke concurrentie, transparantie en waar voor je geld te garanderen bij openbare aanbestedingen. Overheden en zorginstellingen schrijven aanbestedingen uit om leveranciers uit te nodigen om offertes in te dienen voor de levering van goederen of diensten. Het aanbestedingsproces bestaat meestal uit verschillende fasen:

1. Aankondiging van een aanbesteding: De inkoper publiceert een aankondiging waarin zijn eisen, specificaties en tijdschema voor het inkoopproces worden uiteengezet.
2. Aanbestedingsdocumenten: Geïnteresseerde leveranciers kunnen gedetailleerde aanbestedingsdocumenten krijgen met meer informatie over de reikwijdte van het werk, evaluatiecriteria en indieningsvereisten.
3. Inschrijving: Leveranciers bereiden hun offertes voor en dienen deze in, inclusief technische en commerciële voorstellen en ondersteunende documentatie.
4. Evaluatie van de offertes: De koper evalueert de ingediende offertes op basis van vooraf gedefinieerde criteria, waaronder prijs, kwaliteit, technische mogelijkheden en andere factoren.
5. Kennisgeving van de gunning: De koper maakt de winnende bieder bekend en geeft feedback aan de niet-succesvolle deelnemers.
6. Gunningsdocumenten: De koper en de winnende leverancier ondertekenen een contract met de voorwaarden van de overeenkomst.

Tijdens dit proces wordt een aanzienlijke hoeveelheid informatie gegenereerd en beschikbaar gesteld aan het publiek of semi-publiek, zij het voor een beperkte tijd. Deze informatie kan onschatbare inzichten verschaffen in het concurrentielandschap, markttrends en klantbehoeften.

Inleiding

In de zeer concurrerende en gereguleerde wereld van medische technologie “MedTech” is het opstellen van een overtuigende GTM-strategie cruciaal voor succes. Terwijl de Amerikaanse markt sterk afhankelijk is van directe verkoop en onderhandelingen op GPO-niveau, werkt het grootste deel van de wereldwijde markt via het tenderkanaal (ook wel Request For Proposals “RFP’s” genoemd).

Aanbestedingsberichten (pre-tender en post-tender), documenten, gunningsberichten en gunningsdocumenten bevatten een schat aan waardevolle informatie die de GTM-strategie van een MedTech-bedrijf kan informeren en vormgeven. Door deze gegevens systematisch te analyseren, kunnen verkoop-, marketing-, markttoegangs-, commerciële en prijsteams inzicht krijgen in marktdynamiek, activiteiten van concurrenten, prijstrends en kopersvoorkeuren. Het proces om deze informatie te extraheren, organiseren en integreren kan echter een uitdaging zijn vanwege de semi-gestructureerde en ongestructureerde aard, de beperkte publieke beschikbaarheid en de noodzaak om de informatie samen te voegen met interne datasets.

Dit artikel gaat in op het belang van aanbestedingsgegevens bij het ontwikkelen van een robuuste GTM-strategie voor MedTech-producten en geeft richtlijnen voor het effectief gebruiken van deze informatie om succes te behalen in institutionele markten.

Uitdagingen bij het extraheren en gebruiken van aanbestedingsgegevens

Hoewel aanbestedings- en RFP-documenten enorm waardevol zijn, kan het om verschillende redenen een uitdaging zijn om deze informatie eruit te halen en te gebruiken:

1.Semigestructureerde en ongestructureerde gegevens: Aanbestedingsdocumenten hebben vaak de vorm van PDF’s, Word-documenten of HTML-pagina’s, die een mix van gestructureerde en ongestructureerde gegevens bevatten. Het extraheren van relevante informatie uit deze bronnen vereist geavanceerde data parsing en natuurlijke taalverwerkingstechnieken.

2.Beperkte publieke beschikbaarheid: Aanbestedingen en documenten zijn meestal voor een beperkte periode beschikbaar in het publieke domein, vaak een paar weken tot een maand. Deze korte periode vormt een uitdaging voor teams die de gegevens handmatig proberen te verzamelen en analyseren.

3.Gegevensintegratie: Om maximale waarde te halen uit aanbestedingsgegevens, moeten deze worden geïntegreerd met interne verkoop-, prijs- en marktinformatiedatasets. Door deze integratie kunnen patronen, trends en correlaties tussen markten en productsegmenten worden geïdentificeerd. Het samenvoegen van ongelijksoortige gegevensbronnen kan echter complex en tijdrovend zijn.

4.Taal en lokalisatie: Aanbestedingen worden vaak in lokale talen gepubliceerd en kunnen landspecifieke terminologie en formaten gebruiken. MedTech bedrijven die actief zijn in meerdere geografische gebieden moeten taalbarrières overwinnen en zorgen voor een consistente interpretatie van gegevens in verschillende markten.

Technologie inzetten voor de analyse van aanbestedingsgegevens

Om de uitdagingen van het extraheren en gebruiken van aanbestedingsgegevens aan te gaan, kunnen MedTech-bedrijven gebruikmaken van geavanceerde technologieën zoals:

1. Web scraping: Geautomatiseerde tools voor web scraping kunnen systematisch aanbestedingsgegevens van online portals, websites en databases halen. Deze tools kunnen grote hoeveelheden gegevens verwerken en door complexe websitestructuren navigeren om relevante informatie te verzamelen.

2. Optische tekenherkenning “OCR”: OCR-technologie kan gescande aanbestedingsdocumenten en afbeeldingen omzetten in machineleesbare tekst, waardoor gestructureerde gegevens uit ongestructureerde bronnen kunnen worden gehaald.

3. Natuurlijke taalverwerking “NLP”: NLP-algoritmen kunnen de tekst in aanbestedingsdocumenten analyseren om belangrijke informatie te identificeren, zoals productspecificaties, evaluatiecriteria en prijspunten. NLP kan ook helpen bij taalvertalingen en lokalisatie.

4. Platforms voor gegevensintegratie: Gespecialiseerde data-integratieplatforms kunnen het proces van het samenvoegen van aanbestedingsgegevens met interne datasets stroomlijnen. Deze platforms kunnen gegevens opschonen, standaardiseren en harmoniseren en zorgen zo voor een consistente en betrouwbare gegevensbasis voor analyses.

Tenderinzichten toepassen op GTM-strategieën

Zodra de aanbestedingsgegevens zijn geëxtraheerd en geïntegreerd, kunnen MedTech-bedrijven de inzichten gebruiken om hun GTM-strategieën te informeren en te optimaliseren over de vier belangrijkste dimensies van prijsstelling, positionering, plaats en promotie.

1. Prijsstelling: Aanbestedingsgegevens bieden inzicht in de prijsstrategieën van concurrenten en de prijsgevoeligheid van inkopers. MedTech bedrijven kunnen informatie over nettoprijzen gebruiken om concurrerende prijsmodellen te ontwikkelen, gerichte kortingen aan te bieden en effectiever te onderhandelen met inkoopteams.

2. Positionering: Door evaluatiecriteria voor aanbestedingen en kopersvoorkeuren te analyseren, kunnen MedTech-bedrijven hun productpositionering en waardeproposities verfijnen. Hierbij kan het gaan om het benadrukken van unieke productkenmerken, het benadrukken van klinische voordelen of het laten zien van de mogelijkheden voor after-sales ondersteuning om zich te onderscheiden van concurrenten.

3. Plaats: Aanbestedingsgegevens kunnen marktspecifieke eisen en voorwaarden onthullen die van invloed zijn op de distributie en logistiek van MedTech-producten. Bedrijven kunnen deze informatie gebruiken om hun toeleveringsketen te optimaliseren, lokale partnerschappen aan te gaan en naleving van regelgeving te garanderen.

4. Promotie: Kennisgevingen van aanbesteding en gunning bieden inzicht in de besluitvormers en beïnvloeders die betrokken zijn bij het inkoopproces. MedTech bedrijven kunnen deze informatie gebruiken om hun promotieactiviteiten op maat te maken, zoals gerichte marketingcampagnes, betrokkenheid van belangrijke opinieleiders en educatieve initiatieven.

Naast de vier P’s kunnen aanbestedingsgegevens ook licht werpen op de regelgeving en de invloed daarvan op institutionele markten. Door aanbestedingseisen en -specificaties te volgen, kunnen MedTech-bedrijven op de hoogte blijven van veranderende regelgeving, normen en certificeringen. Deze kennis kan bedrijven helpen hun producten en processen proactief aan te passen aan de veranderende eisen van de markt.

Conclusie

Aanbestedingsgegevens vormen een goudmijn aan inzichten voor MedTech-bedrijven die effectieve GTM-strategieën in institutionele markten willen ontwikkelen. Door aankondigingen van aanbestedingen, documenten, gunningsberichten en gunningsdocumenten systematisch te analyseren, kunnen bedrijven een diepgaand inzicht krijgen in marktdynamiek, activiteiten van concurrenten, prijstrends en kopersvoorkeuren.

Het extraheren en gebruiken van aanbestedingsgegevens brengt echter aanzienlijke uitdagingen met zich mee vanwege de semigestructureerde en ongestructureerde aard ervan, de beperkte publieke beschikbaarheid en de noodzaak van gegevensintegratie. Om deze uitdagingen te overwinnen, moeten MedTech bedrijven gebruik maken van geavanceerde technologieën zoals web scraping, OCR, NLP en data-integratieplatforms.

Door de inzichten uit aanbestedingsgegevens toe te passen op de vier belangrijkste dimensies van prijsstelling, positionering, plaats en promotie, kunnen MedTech-bedrijven overtuigende GTM-strategieën creëren die aanslaan bij klanten, zich onderscheiden van concurrenten en marktsucces stimuleren. Daarnaast kan het monitoren van het regelgevingslandschap met behulp van aanbestedingsgegevens bedrijven helpen zich aan de regels te houden en zich aan te passen aan veranderende markteisen.

Concluderend: MedTech-bedrijven die investeren in de systematische analyse van aanbestedingsgegevens en de inzichten integreren in hun GTM-strategieën zullen goed gepositioneerd zijn om te navigeren door de complexiteit van institutionele markten, groei te stimuleren en een duurzaam concurrentievoordeel te behalen.

Vamstar

Vamstar kan een cruciale rol spelen bij het verbeteren van de effectiviteit van de GTM-strategie van een MedTech-bedrijf door de uitdagingen aan te pakken die gepaard gaan met het extraheren, analyseren en gebruiken van aanbestedingsgegevens op schaal en asynchroon. Door gebruik te maken van geavanceerde technologieën zoals web scraping, OCR, NLP, Machine Learning en data-integratie, kan Vamstar het proces van het verzamelen en organiseren van aanbestedingsinformatie uit verschillende bronnen automatiseren, inclusief alle interne datasets van CRM, Price/Revenue Management Systems of ERP-systemen. Dit bespaart niet alleen tijd en middelen, maar zorgt ook voor een uitgebreide en bijgewerkte dataset die gemakkelijk kan worden geraadpleegd en geanalyseerd door verschillende teams binnen de organisatie.

Bovendien kan het platform van Vamstar een gecentraliseerde opslagplaats bieden voor aanbestedingsgegevens, waardoor naadloze integratie met interne verkoop-, prijsstellings- en marktintelligentiesystemen mogelijk is. Deze integratie maakt de identificatie van patronen, trends en correlaties tussen markten en productsegmenten mogelijk, waardoor MedTech-bedrijven datagestuurde beslissingen kunnen nemen en hun GTM-strategieën in real-time kunnen aanpassen. Door gebruik te maken van de inzichten die voortkomen uit het platform van Vamstar, kunnen MedTech-bedrijven hun prijsmodellen optimaliseren, productpositionering verfijnen, distributiekanalen stroomlijnen en promotionele activiteiten op maat maken om beter te voldoen aan de behoeften van hun doelklanten en de concurrentie voor te blijven.