Novo Nordisk
AI der forvandlede fragmenterede kundedata til strategisk fordel
Novo Nordisk manglede ikke data, men et samlet billede af deres kunder. Indsigten lå i siloer på tværs af markedsanalyse, CRM, medicinske systemer og engagementsplatforme: brugbar hver for sig, men usammenhængende samlet. Det byggede vi Intellibots til at lave om på.
Udfordringen
Problemet var ikke mangel på data. Det var, at der ikke fandtes ét enkelt, troværdigt billede af kunden. Flere kilder beskrev de samme sundhedsfaglige fra hver sin vinkel, men de blev sjældent bragt sammen. I praksis arbejdede hvert team ud fra sin egen siloopdelte indsigt, i et vakuum.
Vores analyse afdækkede tre dyre lækager: stigende research-udgifter, fordi teams bestilte nye studier, de ikke let kunne tilgå eller genbruge; fragmenteret kundeforståelse, fordi indsigter ofte slet ikke blev kombineret, og hvert team handlede på sin egen del; og en strategi, der var afkoblet fra adfærd, fordi det, HCP'er sagde i research, og det, de faktisk gjorde, sjældent blev set side om side.
Det vi gjorde
Vi designede Intellibots som et AI-drevet indsigtslag, der bragte flere datakilder sammen i ét løbende opdateret kundebillede, et man rent faktisk kunne tale med.
Saml kilderne
Vi forbandt fem domæner: markedsanalyse, CRM-stamdata, feltnoter, indsigt i konkurrenternes kanaler og engagementsdata, til ét troværdigt billede af hvert segment, så historisk research blev et levende aktiv frem for et arkiv af statiske rapporter.
Samtalebaserede PersonaBots
Bygget på en agent-baseret PersonaBot-arkitektur lod Intellibots en bruger vælge et segment og straks udforske, hvem de var, hvad der strategisk betød noget, og hvordan man formede indhold og engagement, ved at stille spørgsmål og få svar i almindeligt sprog.
Indsigt der forblev levende
Fordi systemet var integreret direkte med kildedata, forblev indsigterne aktuelle. Arbejde, der før krævede koordinering på tværs af funktioner og måneders planlægning, kunne nu ske på minutter.
Agent-arkitekturen
Resultaterne
Den måske største gevinst var at koble det, HCP'erne sagde i markedsanalyserne, med det, de faktisk gjorde. De to ting afveg ofte fra hinanden, og ved at se dem side om side kunne strategien forankres i reel adfærd frem for erklærede hensigter.
Skarpere personalisering: hurtigere og mere præcis segmentidentifikation og AI-understøttet indholdsvejledning betød, at kommunikationen var bedre tilpasset de reelle behov.
Lavere research-udgifter og store effektivitetsgevinster: ved at aktivere eksisterende research og koble den til live-data reducerede Intellibots gentagne bestillinger og komprimerede planlægning, segmentering og indholdsudvikling fra måneder til minutter.
Konsistens i stor skala: standardiseret logik reducerede variation på tværs af teams og markeder, så forskellige funktioner endelig arbejdede ud fra det samme troværdige billede frem for hver deres eget.
Har I et lignende projekt?
Står I med noget, der minder om det her, så lad os tale om, hvordan et godt resultat ser ud for jer.
Lad os tale sammen →