Schätzung von Responsefunktionen auf Ärzteebene


Seminararbeit, 2007

21 Seiten, Note: 2,0


Leseprobe

Gliederung

1. Einleitung und Zielsetzung der Arbeit

2. Theoretischer Hintergrund
2.1 Die US-Pharmaindustrie
2.2 Die Verschreibungsentscheidung: Besonderheiten und Teilnehmer
2.3 Relevante Marketinginstrumente und Ausgaben
2.4 Herkunft und Arten von Daten

3. Reaktion von Ärzten auf Detailing
3.1 Theoretische Grundlagen: Responsefunktionen
3.2 Reines Detailing-Modell
3.3 Detailing und Sampling
3.3.1 Mizik und Jacobsen (2004)
3.3.2 Manchanda und Chintagunta (2004)
3.4 Marketingmixmodell
3.5 Vergleich der Ergebnisse

4. Unsicherheit über die Produktqualität
4.1 Theoretische Grundlagen: „Bayessches Lernen“
4.1.1 Lernen
4.1.2 Ergebnisse
4.2 Asymmetrische Netzeffekte: Die Bedeutung von Meinungsführern
4.2.1 Modellspezifikationen
4.2.2 Ergebnisse

5. Kritik

6. Zusammenfassung und Implikationen

Tabellenverzeichnis

Tabelle 1. Vergleichende Übersicht der Modellergebnisse 8

Tabelle 2. Kurz- und langfristige Detailing-Elastizitäten 11

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Symbolverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1. Einleitung und Zielsetzung der Arbeit

„No one is really sure if sending the legions of reps to doctors’ offices really works. Everyone is afraid to stop it, because they don’t know what difference it’s making“ (Ein leitender Angestellter aus der Pharmabranche).1

Der Einfluss von Marketinginstrumenten auf die Verschreibungswahrscheinlichkeit von Ärz- ten ist sowohl für Unternehmen als auch für die Öffentlichkeit von Interesse. Das genaue Ausmaß ist jedoch nur wenig oder gar nicht bekannt. Würden Pharmaunternehmen verstehen, wie jeder einzelne Arzt auf ihre Marketingbemühungen reagiert, könnten sie den Einsatz ihrer Außendienstmitarbeiter optimieren und höhere Gewinne erzielen.2 Eine weit verbreite Sorge der Öffentlichkeit ist hingegen, dass die aktuelle Marketingpraxis der Pharmahersteller dazu führt, dass Ärzte vermehrt die beworbenen Markenprodukte verschreiben, wodurch die Kos- ten im Gesundheitswesen ansteigen.3 Vor diesem Hintergrund ist die zunehmende Erfor- schung des Pharmamarktes durch Marketingexperten in den letzten Jahren zu sehen.

Das Ziel dieser Seminararbeit ist es, einen Überblick über den aktuellen Forschungsstand auf dem Gebiet der Schätzung von Responsefunktionen auf Ärzteebene zu schaffen. Es wird da- bei zum einen die genaue Vorgehensweise der Modellansätze beschrieben. Zum anderen wer- den die Ergebnisse der Studien vergleichend dargestellt und deren Bedeutung für Öffentlich- keit und Praxis beschrieben. Die Arbeit ist so aufgebaut, dass zunächst einige Hintergrundin- formationen über das Forschungsgebiet, die Verschreibungsentscheidung, Marketinginstru- mente und Daten vermittelt werden. Im dritten und vierten Abschnitt beschreibe ich die Detai- ling-Responsemodelle im „klassischen“ Fall bzw. unter Unsicherheit. Zum Schluss folgen kritische Anmerkungen sowie eine Zusammenfassung des gesamten Aufsatzes.

2. Theoretischer Hintergrund

2.1 Die US-Pharmaindustrie

Die betrachteten Forschungen beziehen sich ausschließlich auf den US-amerikanischen Markt. Die US-Pharmaindustrie hatte im Jahr 2006 ein geschätztes Umsatzvolumen von 247,9 Milliarden US-$4 und damit in der gesamten US-Wirtschaft eine bedeutende Rolle.

2.2 Die Verschreibungsentscheidung: Besonderheiten und Teilnehmer

Die traditionelle Kaufentscheidung, bei der der Konsument die Produktwahl trifft, das Pro- dukt bezahlt und es letztendlich auch konsumiert, findet auf dem pharmazeutischen Markt nicht statt. Hier sind drei unterschiedliche Parteien, der Patient, der Arzt und die Versiche- rung, in eine Kaufentscheidung involviert. Der Arzt nimmt im Verlauf der Kaufentscheidung eine Art Zwischenposition ein, da er durch die Verschreibungsentscheidung die Wahl des Produktes trifft.5 Der Patient nimmt und bezahlt das verschriebene Medikament, wobei in den meisten Fällen ein Teil der Behandlungskosten von der Krankenversicherung getragen wird.

2.3 Relevante Marketinginstrumente und Ausgaben

Aufgrund seiner Zwischenstellung in der Kaufentscheidung, sehen die Hersteller den Arzt als Kunden und richten den Großteil ihrer Marketingaktivität auf ihn. Daraus resultiert, dass für die Praxis und somit auch für die Analyse von Responsefunktionen Detailing und Sampling die wichtigsten Marketinginstrumente darstellen. Als Detailing wird der Besuch eines Phar- mareferenten in der Arztpraxis bezeichnet, mit dem Ziel, ein oder mehrere Produkte des Pharmaunternehmens zu vermarkten. Dabei klärt er den Arzt über die Zusammensetzung des Medikaments, mögliche Nebenwirkungen, den therapeutischen Wert sowie die richtige Do- sierung auf. Das Verteilen von kostenlosen Medikamentenproben an den Arzt wird als Sampling bezeichnet. Im Jahre 2003 beliefen sich die Ausgaben für Detailing schätzungswei- se auf 5,8 Milliarden US $ und der Warenwert von Probemedikamenten auf 11,5 Milliarden US $. Der Großteil der Werbeausgaben von Pharmaherstellern ist somit auf diese beiden Marketinginstrumente zurückzuführen.6

2.4 Herkunft und Arten von Daten

Die verwendeten Daten stammen normalerweise von den Pharmafirmen selbst oder von Marktforschungsfirmen wie z.B. IMS Health.7 Sie sind auf verschiedenen Aggregationsebenen verfügbar und umfassen typischerweise eine Zeitspanne von zwei bis zehn Jahren. Die Datensätze bestehen in den meisten Fällen aus Umsätzen in Geld- oder Mengeneinheiten, gemessen in Form von neuen oder gesamten Verschreibungen, sowie Ausgaben für Marketinginstrumente in Geld- oder Mengeneinheiten.

3. Reaktion von Ärzten auf Detailing

3.1 Theoretische Grundlagen: Responsefunktionen

Eine Responsefunktion gibt an, wie eine abhängige Variable auf Änderungen einer oder meh- rerer erklärender Variablen reagiert.8 So wird z.B. mit einer Salesreponsefunktion gemessen, wie die Umsätze eines Unternehmens von den Marketingmixvariablen beeinflusst werden. Hätte eine Firma nur ein einziges Marketinginstrument, würde die Responsefunktion wie folgt aussehen:

Abbildung in dieser Leseprobe nicht enthalten

Mit diesem Wissen können Unternehmen den optimalen Einsatzes des Marketingmixes bestimmen oder Umsätze vorhersagen.

Die hier betrachteten Responsemodelle messen die Reaktion von Ärzten auf Detailing oder andere Marketinginstrumente. So hat eine hohe Empfängnis für Detailing eine hohe Anzahl von Verschreibungen, d.h. hohe Umsätze für die Pharmahersteller zur Folge. Im Folgenden werde ich vier Detailing-Responsemodelle darstellen. Das erste Modell ist ein reines Detailing-Modell, da es nur den Effekt von Detailing misst. Zudem unterscheidet sich dieser Ansatz grundlegend von den anderen drei Modellen. Die folgenden zwei Modelle mes- sen den Effekt von Detailing und Sampling. Das letzte Modell ist ein Marketingmixmodell, da es zusätzlich den Preis in die Analyse einbezieht. Nach der Beschreibung und Erklärung der zugrunde gelegten Modelle, werde ich die wichtigsten Ergebnisse der Schätzungen ver- gleichend darstellen.

3.2 Reines Detailing-Modell

Der folgende Ansatz unterscheidet sich von allen anderen, die ich im Verlauf der Arbeit be- schreiben werde. Grund dafür ist, dass Manchanda, Rossi und Chintagunta (2004) bei der Modellierung Endogenität von Detailing annehmen. In vielen Modellen, die in der Forschung angewendet werden, wird die implizierte Annahme getroffen, dass die Marketingmixvariab- len unabhängig von den Parametern der Responsefunktion bestimmt werden (S. 467).9 Dies ist jedoch in der Praxis nicht der Fall. Die volumenbasierte Bestimmung des Detailing- Niveaus, d.h. Ärzte, die mehr verschreiben, werden stärker beworben, und die Tatsache, dass Manager teilweise wissen, wie Ärzte in ihrem Zuständigkeitsbereich auf Detailing reagieren, hat zur Folge, dass die Marketingvariable einen gewissen Grad der Abhängigkeit mit den Responseparametern aufweist. Wird die Endogenität von Detailing jedoch nicht berücksichtigt, führt dies nach Meinung der Verfasser zu einem Simultanitätsproblem in der Schätzung der Modelle (S. 467). Als “normale“ Responsefunktion verwenden die Autoren ein „Negatives Binomialverteilungs-Modell, dem sie ein explizites Modell für die Verteilung von Detailing, dessen Mittelwert von den Responseparametern abhängt, hinzufügen. Auf diese Weise wollen sie das Simultanitätsproblem lösen.

Der Logarithmus des Mittelwertes[Abbildung in dieser Leseprobe nicht enthalten] der NB-Verteilung, die sich der Poissonverteilung annähert, ist wie folgt definiert:

Abbildung in dieser Leseprobe nicht enthalten

Der logarithmierte, verzögerte Term der Verschreibungen [Abbildung in dieser Leseprobe nicht enthalten] von Arzt i in Monat t misst Carryover-Effekte, d.h., dass die Wirkung eines Marketinginstruments über den Monat, in dem es eingesetzt wird, hinausgeht. Det it gibt die Anzahl der Details, in denen das be- obachtete Medikament beworben wurde, an. Die ärztespezifischen ! -Koeffizienten folgen einer Normalverteilung:

Abbildung in dieser Leseprobe nicht enthalten

Der Vektor z misst beobachtete Heterogenität zwischen Ärzten bezüglich der Reaktion auf die erklärenden Variablen. Dazu gehört die Spezialisierung eines Arztes und die durchschnitt- liche Anzahl monatlicher Samples (SAMP) geteilt durch zehn. Die Spezialisierung, die direkt mit der Wirkung des Medikaments oder der Krankheit des Patienten verbunden ist, wird als „SPE“ bezeichnet. „PCP“ steht für „Allgemeinmediziner“ und „OTH“ für „alle anderen Spe- zialisierungen“ (S. 469). Die Verfasser glauben, dass sich die Effektivität von Detailing je nach Spezialisierung unterscheidet. Für beide Formen der Heterogenität werden ein Haupt- und ein Interaktionseffekt mit Detailing gemessen. Unbeobachtete Heterogenität wird durch den Fehlerterm[Abbildung in dieser Leseprobe nicht enthalten] gemessen. Die Nichtbeachtung unbeobachteter Heterogenität kann zu Ver- zerrungen in den Schätzern eines Modells führen.

Abnehmende Grenzerträge können durch Beschränkungen im Datensatz nicht gemessen werden (S. 469).

3.3 Detailing und Sampling

3.3.1 Mizik und Jacobsen (2004)

Mizik und Jacobsen (2004) versuchen den Effekt von Detailing und Sampling auf die Anzahl neuer Verschreibungen möglichst genau zu schätzen. Dies erreichen sie durch Verwenden eines möglichst großen zusammengesetzten Datensatzes, der es aufgrund kleiner Standardfehler erlaubt, kleine Effekte von statistisch insignifikanten Effekten zu unterscheiden (S. 1714). Sie untersuchen drei Medikamente aus verschiedenen therapeutischen Kategorien. Als Modell verwenden sie ein „dynamic fixed-effects distributed lag regression model“:

Abbildung in dieser Leseprobe nicht enthalten

mit: Prescribe it, Details it, Samples it, Competitor als Anzahl neuer Verschreibungen, An- it zahl der Besuche von Pharmareferenten, Anzahl erhaltener Probemedikamente und Anzahl neuer Verschreibungen für Medikamente der Konkurrenz, jeweils für Arzt i zum Zeitpunkt t. Der periodenspezifische, konstante Koeffizient[Abbildung in dieser Leseprobe nicht enthalten] erfasst saisonale und alle Unterschiede zwischen den Marken, die zu Änderungen des Verschreibungsverhaltens unter den Ärzten führt. Der konstante Koeffizient [Abbildung in dieser Leseprobe nicht enthalten]erfasst den Einfluss von 11 möglichen Spezialisierungen auf die Verschreibungen aller Ärzte. Durch die Verwendung von momentanen und vorüber- gehenden Termen für Detailing und Sampling werden Carryover-Effekte gemessen (s. 3.2).

Deren kumulierter direkter Effekt wird durch [Abbildung in dieser Leseprobe nicht enthalten]und[Abbildung in dieser Leseprobe nicht enthalten]gemessen. Verzögerte Werte für Prescribe it-j messen den indirekten Effekt von Detailing und Sampling. Dieser resultiert aus der Beständigkeit im Verschreibungsverhalten und erhöht den Gesamteffekt von Detailing und Sampling, der sich aus diesen beiden Effekten zusammensetzt. [Abbildung in dieser Leseprobe nicht enthalten]misst mögliche Substitutionseffekte, da es einen negativen Einfluss auf [Abbildung in dieser Leseprobe nicht enthalten]hat. Da dies auch umgekehrt gelten kann, korreliert [Abbildung in dieser Leseprobe nicht enthalten]mit dem Fehlerterm[Abbildung in dieser Leseprobe nicht enthalten].

3.3.2 Manchanda und Chintagunta (2004)

Manchanda und Chintagunta versuchen festzustellen, ob es in der Anzahl der Verschreibun- gen, als eine Funktion der Quantität und Qualität des Detailing-Aufwands, zu abnehmenden Grenzerträgen von Detailing, “Over-detailing“, kommt (S. 131). Dazu verwenden sie ein Zähldatenmodell. Die Anzahl der Verschreibungen y it folgt einer Poissonverteilung mit einer

[...]


1 Vgl. Mizik und Jacobsen, 2003, S. 1705

2 Vgl. Manchanda und Chintagunta, 2004, S. 130

3 Vgl. Mizik und Jacobsen, 2003, S. 1704

4 Vgl. http://www.imshealth.com/ims/portal/front/articleC/0,2777,6599_3665_80415465,00.html, (27.3.2007)

5 Vgl. Gönül et al., 2001, S. 79

6 Vgl. Mizik und Jacobsen, 2004, S. 1704 (gilt für den folgenden Absatz)

7 Vgl. Manchanda et al., 2005, S. 304f.

8 Vgl. Hanssens et al., 2001, S. 4 (gilt für folgenden Absatz)

9 Wenn nicht anders gekennzeichnet, beziehen sich eingeklammerten Seitenzahlen ausschließlich auf den im Abschnitt genannten Artikel

Ende der Leseprobe aus 21 Seiten

Details

Titel
Schätzung von Responsefunktionen auf Ärzteebene
Hochschule
Christian-Albrechts-Universität Kiel  (Wirtschafts- und Sozialwissenschaftliche Fakultät)
Veranstaltung
Pharma-Marketing
Note
2,0
Autor
Jahr
2007
Seiten
21
Katalognummer
V93869
ISBN (eBook)
9783640102471
ISBN (Buch)
9783640129812
Dateigröße
1922 KB
Sprache
Deutsch
Schlagworte
Schätzung, Pharma-Marketing, Responsefunktion, Arzt, Pharma-Referent, Detailing, Sampling, Marketing
Arbeit zitieren
Martin Mittelstädt (Autor), 2007, Schätzung von Responsefunktionen auf Ärzteebene, München, GRIN Verlag, https://www.grin.com/document/93869

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Schätzung von Responsefunktionen auf Ärzteebene



Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden