Hohe Datenintegrität Wie die Life-Sciences-Branche Vertrauen in KI schafft

Die Life-Sciences-Branche akkumuliert seit Jahren immense Datenmengen. Angesichts der intensiven Bemühungen um eine von künstlicher Intelligenz (KI) gesteuerte Zukunft ist es unerlässlich, diese Daten als strategisches Gut zu begreifen.

Der Bericht „The State of Data Analytics, and AI in Commercial Biopharma“ von Veeva Systems verdeutlicht das Dilemma: Obwohl 95 Prozent der Biopharmaunternehmen aktiv KI-Initiativen in Marketing und Vertrieb vorantreiben, scheitern fast alle (89 Prozent) daran, mehr als die Hälfte ihrer Pilotprojekte erfolgreich zu skalieren. Dieser mangelnde Erfolg ist häufig auf eine fehlende Vorbereitung zurückzuführen. Die Studie belegt zudem, dass rund zwei Drittel der Führungskräfte KI-Projekte aufgrund mangelhafter Datenqualität aufgeben.

Internationaler Vergleich

Deutsches Gesundheitswesen bei KI-Adaption im Mittelfeld

Saubere und präzise Daten sind das Fundament jeder KI-Initiative. 73 Prozent der Führungskräfte nennen schlechte Datenqualität als größte Hürde für die Skalierung von KI darstellt. Dennoch beruht die aktuelle Datenstrategie der meisten Unternehmen auf dem aufwendigen Versuch, isolierte Datenbestände zu harmonisieren. Dieser Ansatz ist angesichts des exponentiell wachsenden Datenvolumens nicht nachhaltig: Datenwissenschaftlerinnen und -wissenschaftler schätzen, dass sie bis zu 80 Prozent ihrer Zeit mit der Vorbereitung, Bereinigung und Umwandlung von Daten verbringen, um diese überhaupt nutzbar zu machen.

Damit KI den Sprung von gescheiterten Pilotprojekten zu einem echten Mehrwert für Unternehmen schafft, muss das Problem der Datenqualität an der Wurzel angegangen werden. Dies erfordert einen konsequenten Wandel: weg von einem fragmentierten Datenmanagement, hin zu einer global harmonisierten Datengrundlage mit proaktiver Daten-Stewardship.

Schlechte Datenqualität bleibt größte Hürde für KI-Skalierung

Die Abhängigkeit der Branche von fehlerhaften, fragmentierten Daten hat zu wachsender Skepsis geführt: 96 Prozent der Führungskräfte geben an, ihre Daten seien nicht für KI bereit. Die Auswirkungen zeigen sich deutlich im Außendienst: 72 Prozent der Unternehmen planen, KI zur Unterstützung ihrer Außendienstteams einzusetzen, indem sie beispielsweise Updates zu medizinischen Fachkräften (Healthcare Professionals – HCPs) für die Gesprächsvorbereitung zusammenfassen. Die Akzeptanz bleibt jedoch hinter den Erwartungen zurück.

Außendienstteams lehnen KI-Empfehlungen häufig ab, wenn sie kein Vertrauen in die zugrunde liegenden Daten haben. Schlägt ein „Next-Best-Action“-Modell eine Taktik vor, die auf einer drei Monate alten Änderung der Zugehörigkeit basiert, wird nicht nur dieser Vorschlag ignoriert, sondern das Vertrauen in die gesamte Plattform dauerhaft beschädigt.

Viele der befragten Verantwortlichen für Daten in der Life-Sciences-Branche zögern daher, solche Modelle einzusetzen. Der entscheidende Wandel muss daher von einer Kultur der Datenskepsis hin zu einer datengestützten Überzeugung führen. Die Voraussetzung hierfür sind hochwertige Referenzdaten, die das Vertrauen im gesamten Team überhaupt erst ermöglichen.

Die wahren Kosten manueller Daten-Stewardship

Eine weitere Ineffizienz entsteht durch die unzähligen Stunden, die Teams mit der manuellen Harmonisierung lokaler Fachgebiets- und HCP-Typen an globale Standards verbringen. Dies erzeugt bei jeder neuen Marktexpansion einen erheblichen administrativen Aufwand.

Bei einigen Top-20-Biopharmaunternehmen wird der Außendienst alle sechs Monate gebeten, die Kundensegmentierungsdaten zu überprüfen. Dies hält die Teams von ihrer Hauptaufgabe ab: dem Aufbau von Beziehungen vor Ort.

Noch frustrierender ist vielleicht, dass nur etwa ein Zehntel der Daten als sauber und gepflegt genug erachtet werden, um sie zu nutzen, und davon nur ein Prozent für relevante Anwendungsfälle tatsächlich abgerufen wird. Angesichts des exponentiell wachsenden Datenvolumens können es sich Biopharmaunternehmen nicht länger leisten, Datenqualitätsprobleme isoliert auf lokaler Ebene zu lösen.

MII: Gesundheitsdaten zweitverwerten

Das Datenhotel des UKE

(ID:50852310)