Processing and evaluation of qualitative data of the pharmaceutical market using economic and statistical methods

Abstract


In competitive conditions of the pharmaceutical market, a significant factor is the problem of identifying market trends; the need to identify competitors and threats, resources assessment. For this purpose, it is necessary to constantly collect and generate data on the basis of which an informed decision is developed by the heads of pharmacy organizations. However, a certain category of pharmaceutical management believes that business decision-making should be based solely on intuition and practical experience, which excludes the use of any quantitative information.

In the course of the data study from the retail sector of the pharmaceutical market, the possible formats of practical application are considered.

The totality of data characterizing the business processes in the pharmaceutical market was evaluated by the degree of structure. A classification method was used to characterize the sampling based on the primary data processing, methods of cross tabulation and frequency analysis were implemented.

The nature of the data is clearly illustrated, which makes it possible, if necessary, to obtain new quantitative indicators, such as, for example, “Total number of sales by visitor groups”, “Average number of sales”, etc., characterizing pharmaceutical business processes.

The processing of high-quality data of marketing information about the pharmaceutical market by the methods of frequency analysis and cross tabulation allows one to determine reasonably accurate the preferences of visitors of a particular category, which makes it possible to optimize the assortment policy and effectiveness of the pharmaceutical company as well.


About the authors

Sergey Z. Umarov

Chemical-Pharmaceutical University, Saint-Petersburg, Russia

Author for correspondence.
Email: sergei.umarov@pharminnotech.com
SPIN-code: 8479-9707

D.Sc. in Pharmaceutical Sciences, Professor, Head of the Chair of medical and pharmaceutical commodity science

References

  1. Рафалович, В. Data mining, или интеллектуальный анализ данных для занятых. Практический курс / В. Рафалович. – Москва : SmartBook, 2018. – 352 c.
  2. Математические модели социально-экономических процессов. Динамические системы. Управление рисками и безопасностью. Оптимизация, идентификация, теория игр. Обработка и анализ изображений и сигналов. Интеллектуальный анализ данных и распознавание / под редакцией С.В. Емельянова. – Москва : Красанд, 2013. – 128 с.
  3. Искусственный интеллект и принятие решений: Интеллектуальный анализ данных. Моделирование поведения. Когнитивное моделирование. Моделирование и управление / под редакцией С. В. Емельянова. – Москва : Ленанд, 2012. – 108 с.
  4. Информационные технологии и вычислительные системы: Обработка информации и анализ данных. Программная инженерия. Математическое моделирование. Прикладные аспекты информатики / под редакцией С.В. Емельянова. – Москва : Ленанд, 2015. – 104 c.
  5. Перелыгин, В. В. Подходы к комплексному решению проблемы обращения с медицинскими отходами / В. В. Перелыгин, Н. А. Склярова, С. Г. Парамонов, Т. А. Пятиизбянцев. – doi: 10.17816/phf18618 // Формулы Фармации. – 2019. – Т. 1. – №1. – С. 78-83.
  6. Винстон, У. Бизнес-моделирование и анализ данных. Решение актуальных задач с помощью Microsoft Excel / У. Винстон. – Санкт-Петербург : Питер, 2006. – 320 c.
  7. Боровиков, В. П. Популярное введение в современный анализ данных в системе STATISTICA / В. П. Боровиков. – Москва : ГЛТ, 2013. – 288 c.
  8. Горяинова, Е. Р. Прикладные методы анализа статистических данных / Е. Р. Горяинова, А. Р. Панков, Е. Н. Платонов. – Москва : ИД ГУ ВШЭ, 2012. – 310 с.
  9. Козлов, А. Статистический анализ данных в MS Excel / А. Козлов. – Москва : Инфра-М, 2012. – 320 c.
  10. Соловьева, С. В. Информационные технологии в профессиональной деятельности. Инструментарий бизнес-аналитики / С. В. Соловьева, Ю. П. Александровская, Ю. В. Хайрутдинова. – Казань : Казанский национальный исследовательский технологический университет, 2017. – 104 c. – URL: http://www.iprbookshop.ru/79292.html (дата обращения:). – Текст: электронный.
  11. Фрэнкс, Б. Революция в аналитике: как в эпоху Big Data улучшить ваш бизнес с помощью операционной аналитики / Б. Фрэнкс. – Москва : Альпина Паблишер, 2017. – 320 c. – URL: http://www.iprbookshop.ru/58563.html (дата обращения:). – Текст: электронный.
  12. Дайитбегов, Д. М. Компьютерные технологии анализа данных в эконометрике : монография / Д. М. Дайитбегов. – Москва : НИЦ Инфра-М, 2013. – 587 c.
  13. Кабаков, Р. R в действии. Анализ и визуализация данных в программе R / Р. Кабаков. – Москва : ДМК, 2016. – 588 c.
  14. Козлов, А. Ю. Статистический анализ данных в MS Excel / А. Ю. Козлов, В. С. Мхитарян, В. Ф. Шишов. – Москва : Инфра-М, 2018. – 80 c.
  15. Кулаичев, А. П. Методы и средства комплексного анализа данных / А. П. Кулаичев. – Москва : Форум, 2018. - 160 c.
  16. Крянев, А. В. Метрический анализ и обработка данных / А. В. Крянев, Г. В. Лукин, Д. К. Удумян. – Москва : Физматлит, 2012. – 308 c.
  17. Кацко, И. А. Практикум по анализу данных на компьютере / И. А. Кацко, Н. Б. Паклин. – Москва : КолосС, 2009. – 278 c.
  18. Петрунин, Ю. Ю. Информационные технологии анализа данных / Ю. Ю. Петрунин. – Москва: КДУ , 2010. – 292 с.
  19. Орлов, А. И. Организационно-экономическое моделирование. Статистические методы анализа данных / А. И. Орлов. – Москва : МГТУ им. Баумана, 2012. – Т. 3. – 623 c.
  20. Ниворожкина, Л. И. Статистические методы анализа данных / Л. И. Ниворожкина, С. В. Арженовский, А. А. Рудяга. – Москва : Риор, 2018. – 320 c.
  21. Чашкин, Ю. Р. Математическая статистика. Анализ и обработка данных / Ю. Р. Чашкин ; под редакцией С. Н. Смоленского. – Ростов-на-Дону : Феникс, 2010. – 236 c.
  22. Форман, Д. Много цифр: Анализ больших данных при помощи Excel / Д. Форман. – Москва : Альпина Паблишер, 2017. – 461 c.
  23. Резник, Г. А. Методы многомерного анализа статистических данных : учебное пособие / Г. А. Резник. – Москва : Финансы и статистика, 2008. – 400 c.
  24. Мастицкий, С. Э. Статистический анализ и визуализация данных с помощью R / С. Э. Мастицкий. – Москва : ДМК, 2015. – 496 c.
  25. Сирота, А. А. Методы и алгоритмы анализа данных и их моделирование в MATLAB / А. А. Сирота. – Санкт-Петербург : BHV, 2016. – 384 c.
  26. Лесковец, Ю. Анализ больших наборов данных / Ю. Лесковец, А. Раджараман. – Москва : ДМК, 2016. – 498 c.
  27. Sholom MW, Indurkhya N, Zhang T, Damarau FJ. Text mining. Predictive methods of analyzing unstructured information. 2004.
  28. Макшанов, А. В. Технологии интеллектуального анализа данных / А. В. Макшанов, А. Е. Журавлев. – Санкт-Петербург : Лань, 2018. – 212 c.
  29. Миркин, Б. Г. Введение в анализ данных / Б. Г. Миркин. – Люберцы : Юрайт, 2016. – 174 c.
  30. Наследов, А. Д. Математические методы психологического исследования. Анализ и интерпретация данных / А. Д. Наследов. – Санкт-Петербург : Речь, 2012. – 392 c.
  31. Романко, В. К. Статистический анализ данных в психологии / В. К. Романко. – Москва : БИНОМ. ЛЗ, 2013. – 312 c.
  32. Тюрин, Ю. Н. Анализ данных на компьютере / Ю. Н. Тюрин, А. А. Макаров. – Москва : МЦНМО, 2016. – 368 c.

Statistics

Views

Abstract - 150

PDF (Russian) - 39

Cited-By


Article Metrics

Metrics Loading ...

PlumX

Dimensions

Refbacks

  • There are currently no refbacks.

Copyright (c) 2020 Pharmacy Formulas

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

This website uses cookies

You consent to our cookies if you continue to use our website.

About Cookies