盲人摸象的故事大家都从小听到了大，但是现实工作中我敢说绝大部分读者都干过，或者看别人干过盲人摸象的事。
比如，KOL Mapping就是一个我们看到过很多企业“盲人摸象”的例子：在选择KOL的时候，我们都知道应该选择那些影响力高的专家，但是如何界定“影响力”？如何形成专家名单？就开始进入大型盲人摸象现场了。
我们先来看甲方的做法——
1. 老司机型
在治疗领域很多年了，自带知识和“名单”，认识很多专家；
2. 集体智慧型
来来来，大家都认识哪些专家，凑一下；
3. 学术派
查查学会，查指南，查顶刊……
再看看其他乙方的做法——
1. 按科室
2. 按学会
我们想先问大家，KOL Mapping的内核到底是什么？借用某乔布斯之后最火大佬的名言，第一性原理，这件事最基础的实质是什么？
两个字：排序，那排序的核心是什么？定量和全面
先从容易的说，全面，不全面就压根谈不上排序。
比如最近大家看到的院士，里面如果没有屠呦呦，那你评选最强院士，一定不会选出来屠呦呦的。所以，医生库不全，专家不就会漏掉么？
我们正好看看上面哪些方法，哪个是全面的？没有。
有认识的，就有不认识的；有熟悉的，就有不熟悉的；再加上跨科室治疗的疾病和专家，那就更多了。
接下来说定量，不定量就没办法形成一个有共识的排序。
比如每个人心中最棒的画，一定是不一样的，有蒙娜丽莎，也有星空；
但是最贵的那幅画一定是有共识的，因为“价格”是定量标准。
但是，如何准确地用客观可定量的指标，来形成对医生和专家的评价体系呢？这仍然是一个大问题。让我们再回到盲人摸象现场：
- 有的人根据专家参与学会的地位评估KOL；
- 有的人根据专家发表论文评估KOL；
- 有的人根据专家主持的临床试验评估KOL；
- 有的人根据专家在相关领域的学术交流评估KOL。
最后，即便是在同一领域里，大家评估出来的KOL一对比，发现重合度低的可怜，所有人都认为自己说的最有道理，可就是找不出一个权威标准。
于是很快就有人意识到了这样评估KOL有失偏颇——只从一个数据出发，就会出现偏差，那我把评估维度搞全面了，正确率就提升了吧？
理想肯定是很丰满的，而现实……
有一位大型制药公司的产品经理真这么干了，用了一个月的时间，搞出了一个有10位医生的KOL名单，为了这个名单，他掉的头发都能拿来做把二胡了。
然后，我们当着他的面，花了30秒，把他所在领域相关的KOL排出了100位，并且正确率获得他本人的认可之后，这位产品经理……后面的景象太奇诡了，我就不多形容了，毕竟他现在成了我们的固定客户。
说到底，我们脉络洞察是怎么评估KOL mapping的呢？
脉络洞察的KOL mapping产品在设计之初，就考虑到了【全面和定量】这两个核心要素，人全，数据全，维度全。
我们收录了全国400多万医生的数据，维度涵盖你能想到的所有学术活动方向。并且我们在每个维度上的分析，也可以深化到发布时间、参与人员以及影响规模等，保证数据基于完全客观的角度，真实又可靠。
当然了，我们大而全的医生数据库并不是基于献祭了某位员工的一头秀发而获得的，而是基于我们强大的技术能力。在这个大数据的时代，我们不仅能够从尽可能多的公开渠道获得信息，还可以利用AI技术把这些信息结构化，分类储存在各个数据库中。我们需要调用什么方向的数据，随时都可以精准而快速的把这些数据调用出来。
同时，我们也基于这些数据建立了一套标准化KOL评估体系以科学而客观的评估KOL，做到不同的人评估出的KOL名单差距尽可能最小。机器自动入库，程序自动拆分，结构化标准化的程序，让我们能从数据库里正确的获取数据。
这是我们脉络洞察首创的技术，也是我们HCP/KOL管理产品线的立身之本，欢迎联系我们，申请试用~
