Dass Daten einen Unternehmenswert darstellen ist allgemein verstanden. Wo Organisationen oft Schwierigkeiten haben, die Nutzung dieser Daten möglichst wertbringend zu ermöglichen. Um aus den riesigen Mengen an Daten, die innerhalb einer Organisation vorhanden sind, Wert zu schöpfen, müssen Unternehmen eine robuste Datenstrategie entwickeln, die durch Datenarchitektur unterstützt wird, was wiederum eine geeignete IT Architektur erfordert. Die Datenstrategie wird durch ein Datenmanagementprogramm unterstützt, das durch definierte Verfahren, Rollen und Verantwortlichkeiten gestützt wird.
Die Bedeutung einer Datenstrategie zu verstehen, ist der erste Schritt. Der nächste Schritt besteht darin, sich über deren Ziele klar zu werden. Es gibt zwei gegensätzliche Ansätze zur Datenstrategie: eine defensive und eine offensive Strategie. Eine offensive Datenstrategie konzentriert sich auf einen Geschäftswert, wie z. B. Umsatz oder Kundenzufriedenheit. Typischerweise beinhaltet dies, Daten schnell für bestimmte Anwendungsfälle wie ‚predictive Modeling‘ zu nutzen. Unserer Meinung nach scheint diese Strategie gut zur pharmazeutischen Forschung zu passen, wo ‚Time to Market‘ ein entscheidender Faktor ist. Sie ermöglicht die Flexibilität, die die Branche benötigt, und erlaubt es, schnell Erkenntnisse aus den Daten zu gewinnen, um die nächste Iteration von Wirkstoff-Identifizierung und -Optimierung zu unterstützen.
Eine defensive Datenstrategie bedeutet, negative Ergebnisse zu vermeiden, ‚compliant‘ zu sein, Betrug zu begrenzen oder Diebstahl zu verhindern. In der pharmazeutischen Entwicklung ist der dominierende Faktor die regulatorische Compliance, und Daten werden auf dieser Grundlage bewertet. Compliance in der Branche muss mehrere Faktoren berücksichtigen, einschließlich Harmonisierung, Standardisierung, Datenqualität, Sicherheit, Datenschutz und Vermeidung von Mehrdeutigkeit. Anwendungsfälle für KI und ML profitieren ebenfalls von hochwertigen Daten. Unserer Meinung nach würde sich ein defensiver Ansatz ebenfalls gut für die Pharmaindustrie eignen.
Datenaufbewahrung
Es gibt einen weiteren Faktor, der berücksichtigt werden sollte, insbesondere für ältere, reife Pharmaunternehmen. Um patentrelevante Ergebnisse zu dokumentieren und die regulatorische Anforderung, Rohdaten sorgfältig zu speichern haben viele Unternehmen frühzeitig mit ihrer digitalen Transformation begonnen und über viele Jahre hinweg Daten gesammelt. Grundsätzlich verlieren wissenschaftliche Ergebnisse mit der Zeit nicht ihre Gültigkeit; daher ist es lohnenswert und wichtig, diese Daten zu behalten. Die Herausforderung besteht jedoch darin, dass Unternehmen historisch gesehen häufig Daten in verschiedenen Systemen erfasst haben, die am Ende ihres Lebenszyklus bereits außer Betrieb genommen und ersetzt wurden. Das ist, was wir in der Rolle eines Beraters und Systemintegrators in der Pharmaindustrie häufig beobachten. Aktuelle und veraltete Daten koexistieren, könnten jedoch unterschiedliche Datenstrukturen aufweisen, unterschiedliche Semantiken verwenden und sind oft in Silos, Systemen oder sogar Standorten innerhalb der Organisation verteilt. Zusammenfassend lässt sich sagen, dass die Daten verteilt und heterogen sind. Aufgrund von Fusionen und Übernahmen sowie dem begrenzten Lebenszyklus von Anwendungen ist es wahrscheinlich, dass diese Heterogenität weiterhin bestehen bleibt.
Wenn Anwendungen das Ende ihres Lebenszyklus erreichen, wird ein zentraler Ort benötigt, um die Altdaten langfristig zu konservieren und zu nutzen. Nach meiner Erfahrung erfordert jede Konsolidierung von aktuellen und veralteten Daten immer eine mehr oder weniger komplexe Harmonisierung und Standardisierung.
Entscheidung über den besten Ansatz
Es gibt viele Konzepte zur Datenstrategie oder Datenarchitektur, die in der Literatur veröffentlicht und in der Praxis angewendet werden. Beispiele sind Data-Mesh, Data-Fabric, Data Warehouse, Data Lakehouse, Data-Vault und Datenprodukte.
Die Notwendigkeit von Flexibilität und schneller Datenverfügbarkeit in der Forschung, die Notwendigkeit von Datengenauigkeit und Compliance in späteren Phasen sowie die Möglichkeit, von älteren Legacy-Daten zu profitieren, sind für Pharmaunternehmen typisch. Daher stellt sich die Frage, ob es möglich wäre, eine gute Datenstrategie zu formulieren, die für viele Pharmaunternehmen gut geeignet ist.
Unserer Meinung nach hat jedes Unternehmen spezifische Aspekte, die bei der Überlegung zu einer Datenstrategie berücksichtigt werden müssen. Dazu können die bestehende IT-Landschaft, bestehende Rollen und Verantwortlichkeiten, Verfahren oder sogar die Unternehmenskultur gehören. Außerdem ist es wichtig, dass die Datenstrategie beschreibt, wie Unternehmensdaten die Geschäftsstrategie unterstützen sollten. Daher ist eine Datenstrategie so spezifisch wie eine Geschäftsstrategie.
Um eine geeignete Datenstrategie abzuleiten, empfehlen wir, einen ordentlichen Ansatz zu verfolgen:
- Beginnen Sie mit Ihrer Geschäftsstrategie und identifizieren Sie die entsprechenden Hauptziele zur Nutzung der Daten. Denken Sie über Anwendungsfälle und deren Geschäftswert und Priorität nach. Diese Informationen helfen Ihnen, Klarheit über die Anforderungen an die Datenstrategie und potenzielle Änderungen zu gewinnen.
- Entwerfen Sie Ihre Datenarchitektur und IT-Architektur ebenfalls entsprechend der Hauptziele und Prioritäten.
- Richten Sie ein Daten-Governance-Framework entsprechend ein oder passen Sie es an.
- Es besteht die Möglichkeit, unterschiedliche Datenstrategien für verschiedene Bereiche (Forschung, Entwicklung, Clinical) zu haben. Unterschiedliche Bereiche sollten jedoch nicht vollständig isoliert sein. Es gibt Anwendungsfälle, in denen Daten aus verschiedenen Bereichen benötigt werden, z. B. in der translationalen Medizin. Eine gemeinsame Semantik wird empfohlen.
- Denken Sie auch langfristig. Was passiert mit Ihren Daten, wenn Systeme kommen und gehen?
Fazit
Wählen Sie keine vordefinierte Datenstrategie aus der Literatur. Stattdessen sollten Sie einen ordentlichen Ansatz verfolgen, um Ihre Datenstrategie abzuleiten. Beginnen Sie mit Ihren Geschäftszielen und konzentrieren Sie sich auf die entsprechenden Ziele Ihrer Datenstrategie. Gewinnen Sie Klarheit über Anwendungsfälle für den Datenverbrauch, Datenanforderungen und legen Sie Prioritäten fest. Falls erforderlich, definieren Sie spezifische Bereichsstrategien für Forschung, Entwicklung, klinische Studien und Produktion. Mit diesem Ansatz erhalten Sie eine maßgeschneiderte Datenstrategie, die Ihre Geschäftsziele unterstützt.
Über den Autor:
Christian Ikier ist Associate Director bei PharmaLex und unterstützt Unternehmen im Bereich Life Sciences bei ihrer digitalen Transformation und hilft dabei, wissenschaftliche Daten zugänglicher, auffindbarer und verwaltbarer zu machen. Als ausgebildeter Chemiker hat Christian seine Karriere in der IT im Bereich Life Sciences verbracht, darunter mehr als 15 Jahre als Berater bei Osthus, das jetzt Teil von Cencora ist.
Disclaimer:
Dieser Artikel enthält Marketingmaterialien zu den Angeboten von PharmaLex GmbH. Der Inhalt dieses Artikels spiegelt ausschließlich die Meinung des Autors wider und repräsentiert nicht die Meinungen von PharmaLex oder dessen Muttergesellschaft Cencora. PharmaLex und Cencora ermutigen Leser nachdrücklich dazu, verfügbare Informationen zu den hier genannten Themen zu überprüfen und sich auf ihre eigenen Erfahrungen und Fachkenntnisse zu verlassen, um Entscheidungen in Bezug darauf zu treffen.
