Construção de um framework preditivo de IA para orientar os esforços comerciais no setor da saúde

Um empresa do setor da saúde verificou que os médicos prescritores influenciam de forma significativa o local onde os pacientes realizam os seus exames de diagnóstico. O desenvolvimento de relações de confiança com estes profissionais e com as respetivas instituições tornou-se uma prioridade estratégica, apoiada por uma equipa comercial dedicada à gestão destas parcerias através de visitas regulares e iniciativas de envolvimento.

No entanto, o planeamento das visitas baseava-se maioritariamente na intuição e na experiência individual (decidir quem visitar, quando e com que frequência), sem suporte analítico estruturado. À medida que a empresa cresceu e a concorrência se intensificou, esta abordagem ad hoc revelou-se insuficiente.

A ausência de integração de dados, de monitorização consistente e de medição estruturada de impacto resultava em insights fragmentados.

Sem uma visão analítica unificada, a equipa comercial enfrentava dificuldades em compreender as dinâmicas de prescrição e em identificar os verdadeiros fatores críticos de sucesso das visitas.

Para responder a este desafio, o projeto introduziu uma metodologia orientada por dados que recorre a Inteligência Artificial e a analytics avançado para otimizar o planeamento de visitas comerciais em dois tipos-chave de interações: visitas a médicos prescritores de exames e visitas a instituições de saúde parceiras. O objetivo consistiu em identificar e priorizar os médicos e parceiros com maior potencial de geração de receita para a empresa, em termos de prescrições, quando visitados pela equipa comercial.

O projeto foi implementado com base em quatro blocos analíticos fundamentais:‍

• ‍Segmentação dos prescritores

Dados provenientes de múltiplos sistemas foram consolidados para viabilizar uma análise robusta. Através de um algoritmo de clustering K-means, os médicos foram segmentados com base nos seus padrões de prescrição e tendências de variação, revelando perfis comportamentais que passaram a constituir uma variável explicativa relevante no modelo preditivo.

• ‍Avaliação do impacto histórico das visitas comerciais

Foi aplicada uma metodologia de difference-in-differences para quantificar de que forma as visitas influenciaram o comportamento de prescrição, comparando a evolução de cada médico com a dos seus pares no mesmo cluster. Este método permitiu isolar o efeito causal das visitas comerciais de fatores externos.‍

• ‍Antecipação do impacto de visitas futuras

Foi posteriormente desenvolvido um modelo Gradient Boosting Machine (GBM), com base em registos históricos de visitas e dados de exames de diagnóstico, para capturar a relação entre visitas passadas e o respetivo impacto observado no comportamento de prescrição. Após treino, o modelo estima o impacto de uma visita no momento atual, permitindo à equipa comercial simular diferentes cenários e priorizar aqueles com maior valor.

• ‍Prescrição do plano mensal de visitas comerciais

Por fim, foi incorporada uma camada prescritiva nos outputs do modelo, integrando diversas regras de negócio e orientações comerciais, de modo a assegurar alinhamento com as prioridades estratégicas. Através de uma interface interativa, a equipa comercial pode ajustar parâmetros como intervalos entre visitas e prioridades de envolvimento, garantindo flexibilidade e controlo.

Todo o pipeline analítico — desde a preparação dos dados ao treino do modelo e à simulação de cenários — foi implementado na plataforma Databricks do cliente, tirando partido da sua escalabilidade nativa e do ambiente colaborativo para assegurar:

• Integração robusta de dados, agregando informação proveniente de vários sistemas da empresa;
• Execução periódica, garantindo atualização autónoma dos modelos analíticos e dos respetivos resultados;
• Interpretabilidade ágil, facilitando a integração com processos e ferramentas a jusante (por exemplo, dashboards comerciais).

O modelo aumentou a eficácia das visitas em 1,5 vezes face à abordagem baseada na intuição, superando consistentemente estratégias de alocação de visitas por intuição ou aleatórias, ao priorizar interações com maior impacto expectável.

Este resultado assume particular relevância num contexto em que não é exequível visitar todos os médicos, devido a restrições de capacidade da força de vendas e limitações de tempo, assegurando que os esforços comerciais se concentram na criação de maior valor.

A solução permitiu ainda a personalização integral do planeamento de visitas através de uma interface interativa, possibilitando que o plano evolua em linha com objetivos comerciais dinâmicos, mantendo o alinhamento com a estratégia corporativa e capitalizando o histórico de dados disponível. A interface desenvolvida inclui igualmente uma proposta de valor customizável, garantindo que a equipa comercial permanece informada sobre as técnicas e exames de diagnóstico mais recentes da empresa, promovendo um discurso comercial uniforme e atualizado.

Ao centralizar dados, modelos e regras de negócio numa única plataforma, a empresa alcançou maior transparência, reduziu o esforço manual e estabeleceu um processo escalável de planeamento de visitas. Alojada em Databricks, a solução liga-se de forma segura a dados em tempo real, capacitando as equipas para executar análises de forma autónoma e gerar novos planos de ação.