Quando si chiude il deal, inizia il lavoro sui dati. Snowflake accelera le operazioni M&A nelle life sciences

Il settore delle scienze della vita si basa sui dati. I risultati degli studi clinici, la documentazione presentata alle autorità regolatorie, i registri di qualità della produzione, gli esiti di salute per i pazienti e la tracciabilità della supply chain non sono semplici risorse operative. Sono la base scientifica e commerciale di ogni prodotto sul mercato. Questo rende fusioni, acquisizioni e cessioni particolarmente complesse. Quando una grande azienda farmaceutica acquisisce una biotech, non compra soltanto la proprietà intellettuale e il personale. Eredita anni di ricerca, dati clinici, sistemi convalidati, storico normativo e tutti gli obblighi di conformità che ne derivano. Quando un’azienda scorpora una business unit, deve separare con precisione dati che sono stati mescolati per decenni, spesso rispettando scadenze normative e legali molto stringenti.

L’approccio tradizionale a questo problema può richiedere molto tempo ed essere estremamente costoso. Snowflake permette alle organizzazioni di ridurre questi tempi, proteggendo al contempo le risorse di dati più importanti. 

Il problema dei dati nelle fusioni e acquisizioni del settore life sciences

La maggior parte delle aziende sottovaluta la complessità dei dati di un’operazione finché non si trova già nel bel mezzo dell’operazione. Alcune delle sfide che emergono sono specifiche del settore life sciences:

• Continuità normativa: I dati sullo sviluppo dei farmaci, come i record degli studi clinici, i rapporti sugli eventi avversi e la documentazione delle azioni correttive e preventive (CAPA), devono rimanere integri e accessibili durante qualsiasi transizione. Un’ispezione della FDA non si ferma perché due aziende si stanno integrando. I sistemi convalidati secondo le Good Practice (GxP) non possono essere semplicemente migrati senza documentazione, protocolli di convalida e controllo delle modifiche.

• Dati dei pazienti e obblighi di tutela della privacy: HIPAA negli Stati Uniti, GDPR in Europa e il crescente mosaico di normative regionali sulla privacy fanno sì che i dati a livello di paziente non possano circolare liberamente tra le entità. Durante l’integrazione o la separazione, è necessario stabilire e documentare la base giuridica di ogni trasferimento dati.

• Data lineage e provenienza scientifica: Il significato dei dati clinici e di produzione dipende dal contesto in cui sono utilizzati. Un risultato di un biosaggio senza i metadati relativi allo strumento, all’analista, al numero di lotto e al protocollo è scientificamente privo di valore e può comportare rischi normativi. Spostare i dati senza preservarne il lineage non è un’opzione accettabile.

• Cronologie dei dati di lunga durata: Lo sviluppo di un farmaco si estende su un arco di 10-15 anni. Un’azienda acquirente potrebbe aver bisogno di accedere a dati clinici generati prima ancora che l’azienda target fosse conosciuta. In condizioni normali, migrare questi ampi set di dati storici è un’impresa enorme, a maggior ragione sotto la pressione dei tempi di chiusura di un’operazione.

• Asset dormienti nei portafogli di ricerca acquisiti: Ogni organizzazione di R&D farmaceutica accumula migliaia di composti che sono stati de-prioritizzati, accantonati o abbandonati per ragioni che potrebbero non essere più valide. Questi dati di ricerca inattivi, come i risultati degli screening, le relazioni struttura-attività, i profili di assorbimento, distribuzione, metabolismo ed escrezione (ADME), i primi segnali tossicologici o gli studi sul meccanismo d’azione, rappresentano anni di capitale investito in R&D. Ma hanno valore solo se è possibile trovarli, contestualizzarli e analizzarli su vasta scala.

• Provenienza della proprietà intellettuale: i portafogli di brevetti valgono miliardi, ma la loro applicabilità dipende dall’integrità dei dati sperimentali sottostanti. I quaderni di laboratorio, i record analitici e i registri di sintesi devono essere individuabili, attribuibili e a prova di manomissione, requisiti difficili da soddisfare quando i dati sono sparsi tra sistemi esistenti o sono stati migrati più volte senza documentazione della catena di custodia. La proprietà intellettuale è inseparabile dai dati che la supportano. Una rivendicazione brevettuale è solida quanto le prove sperimentali che la sostengono. Questo crea una serie specifica di sfide per le fusioni e acquisizioni: supportare la prosecuzione e la difesa dei brevetti, analizzare su vasta scala la libertà di operare, garantire la continuità del deposito dei brevetti e preservare i segreti commerciali.

• Continuità operativa: l’attività non si ferma durante l’integrazione. I rappresentanti commerciali continuano a incontrare i medici. Le aziende manifatturiere continuano a produrre. I dati che supportano queste funzioni devono rimanere disponibili e accurati per tutta la transizione.

Come Snowflake affronta queste sfide

Accesso immediato ai dati senza migrazione

L’integrazione tradizionale delle fusioni e acquisizioni presuppone che i dati debbano essere spostati fisicamente prima di poterli utilizzare insieme, di gran lunga il passaggio più invasivo. L’architettura Secure Data Sharing di Snowflake può eliminare questo requisito.

Dal primo giorno dopo la chiusura dell’accordo, l’azienda acquirente può ottenere accesso diretto e aggiornato ai dati Snowflake dell’azienda target, senza spostamento dei dati, pipeline extract, transform, load (ETL) né duplicazione. I dati dell’azienda acquisita restano dove si trovano. La società madre li interroga direttamente, in tempo quasi reale, attraverso uno share sicuro.

Per il settore life sciences, questo è estremamente importante. I team delle operation cliniche possono visualizzare subito i dati sullo stato degli studi dell’azienda acquisita. Il team Finance può visualizzare i dati sui ricavi per la reportistica consolidata. Gli Affari Regolatori possono accedere alle cronologie delle presentazioni. L’azienda opera su dati integrati prima ancora che sia completata una singola attività di migrazione.

Architettura federata per gli ambienti regolamentati

Non tutte le acquisizioni richiedono un consolidamento completo dei dati e, nel settore delle scienze della vita, spesso non dovrebbe essere così. Spesso è preferibile lasciare in posizione i sistemi convalidati che contengono record di conformità GxP, integrandoli a livello di reportistica e analisi dei dati anziché a livello di sistema.

L’architettura multiaccount Snowflake supporta esattamente questo modello. Ogni entità mantiene il proprio account Snowflake, la propria identità, i propri controlli di accesso e il proprio ambiente convalidato, condividendo al contempo i dati in entrambe le direzioni per una visibilità consolidata. La società madre vede tutto. La filiale opera in modo indipendente. Lo stato di convalida viene preservato.

Clean room per i periodi di integrazione sensibili sotto il profilo legale

Le acquisizioni nel settore delle scienze della vita prevedono spesso un periodo, talvolta della durata di mesi, durante il quale le due aziende non possono legalmente condividere tra loro tutti i dati. I periodi di revisione antitrust, le restrizioni relative agli scorpori e gli obblighi di conservazione normativa impongono vincoli all’accesso ai dati previsti dalla legge, indipendentemente da eventuali preferenze o limitazioni tecniche.

Le Snowflake Data Clean Rooms consentono di eseguire analisi congiunte senza richiedere l’accesso condiviso ai dati. Entrambe le parti possono eseguire analisi sicure dei dati, sviluppare previsioni combinate e generare report integrati senza che nessuna delle due possa vedere i record sottostanti dell’altra. I calcoli vengono eseguiti in un ambiente condiviso, mentre i dati grezzi non escono mai dal controllo delle rispettive parti. Questo è particolarmente rilevante per le operazioni che coinvolgono prodotti ancora sottoposti a revisione normativa o i cui dati commerciali sono soggetti a verifica antitrust.

Cessioni: separare ciò che è stato costruito insieme

Se le acquisizioni sono complesse, le cessioni lo sono ancora di più. Non stai aggiungendo dati, li stai separando.

Immagina un’azienda che scorpora la propria divisione diagnostica dall’attività farmaceutica. Queste due attività potrebbero condividere una piattaforma dati, con anni di record mescolati: clienti, strutture manifatturiere e infrastrutture cliniche in comune. Separare quei dati in modo ordinato, rispettando i vincoli di tempi e costi di un’operazione, è una delle sfide di data engineering più difficili del settore.

Snowflake affronta le sfide delle cessioni in diversi modi:

• Zero-Copy Cloning: Crea una copia indipendente di qualsiasi database, schema o tabella in un determinato momento, senza duplicare i costi di storage finché i dati non divergono effettivamente. Alla data di effetto della cessione, il dominio di dati dell’entità ceduta può essere clonato in un nuovo account, offrendo alla nuova azienda indipendente un punto di partenza pulito. I dati originali restano intatti nell’account principale. Le due aziende operano sulle rispettive copie mentre il processo formale di separazione prosegue in background.

• Sicurezza a livello di riga e colonna: Consente di limitare i dati con precisione chirurgica durante i periodi di transizione. Mentre viene eseguita la separazione completa, è possibile limitare la visibilità delle persone che utilizzano i dati dell’entità ceduta esclusivamente ai dati a cui hanno diritto in base all’accordo di separazione, fino alle singole righe e colonne, senza ricostruire l’intero modello di dati.

• Tagging degli oggetti e classificazione dei dati: Permette alle aziende di inventariare i data asset appartenenti a ciascuna business unit prima dell’annuncio della separazione. Questo lavoro, che consiste nel capire quali dati esistono, dove si trovano e chi dipende da essi, richiede in genere mesi di attività manuale. Le funzionalità di tagging e lineage Snowflake riducono significativamente questi tempi.

• Time Travel e audit trail immutabili: Creano una cronologia dei dati ricostruibile, in grado di supportare la documentazione della priorità dei brevetti. È possibile ricostruire ogni stato dei dati relativo a qualsiasi momento compreso nella finestra di conservazione. Con Snowflake Backups, i clienti conservano i dati critici in Snowflake per un massimo di 10 anni in un formato immutabile, progettato per supportare i requisiti di conservazione dei dati a lungo termine.

• Data Sharing tra account: Consente al team legale che si occupa dei brevetti, interno o esterno, di accedere ai dati di supporto senza doverli migrare fuori dai sistemi convalidati. Le funzionalità AI di Snowflake Cortex consentono l’analisi su larga scala dei panorami brevettuali e dei documenti di ricerca interni per identificare sia i rischi, come le lacune nella libertà di attuazione (freedom-to-operate), sia le opportunità, come le materie brevettabili presenti nei dati acquisiti per le quali non è mai stata presentata una domanda di brevetto.

• Governance e controlli di accesso: Può aiutare a evitare la divulgazione involontaria di segreti commerciali durante il periodo di integrazione, aspetto particolarmente rilevante quando i dipendenti delle due organizzazioni iniziano a collaborare prima dell’integrazione legale completa.

Uno scenario reale: la società scorporata

Un modello che osserviamo frequentemente nel settore delle scienze della vita è lo scorporo su larga scala: una società madre che cede una parte per creare una nuova entità indipendente. Queste transazioni vengono annunciate mesi o anni prima della loro chiusura e richiedono che la nuova entità sia operativamente indipendente dal giorno 1.

La sfida legata ai dati è notevole. La nuova entità ha bisogno della propria piattaforma dati, del proprio modello di governance e dell’accesso a anni di dati storici, ma non può semplicemente prendere tutto dalla casa madre. La società madre deve poter continuare a operare sugli stessi dati senza interruzioni.

L’architettura di Snowflake è progettata per gestire tutto questo attraverso una combinazione di replica degli account, condivisione selettiva dei dati e clonazione: La nuova entità ottiene un proprio account, riceve una copia clonata dei dati a cui ha diritto e può accedere ai dati condivisi dal genitore tramite condivisioni in tempo reale durante un periodo di transizione. La società madre continua a operare normalmente. La nuova entità sviluppa la propria piattaforma indipendente, pur avendo ancora accesso all’infrastruttura condivisa. Inoltre, la combinazione di tagging degli oggetti, sicurezza a livello di riga e registrazione degli accessi offerta da Snowflake crea un record verificabile di quali dati sono stati assegnati a quale entità, quando è stato concesso o revocato l’accesso e quale fosse lo stato dei dati al momento della separazione. Questo registro di audit ha una duplice finalità: supportare il processo di separazione dei requisiti documentali e fornire una registrazione dati ricostruibile rilevante per future questioni di proprietà intellettuale.

Un processo che avrebbe richiesto mesi di lavoro di migrazione può iniziare a generare valore per il business in un arco di tempo significativamente più breve.

Funzionalità analitiche che accelerano il valore dei deal

Il tradizionale playbook di integrazione M&A tratta la consolidazione dei dati come prerequisito per l’analisi. Prima sposti i dati, poi crei i report e infine generi gli insight. Questo approccio sequenziale significa che l’azienda acquirente spesso non comprende ciò che ha effettivamente acquistato, a un livello granulare e basato sui dati, fino a mesi dopo la chiusura. Snowflake inverte questa sequenza. Poiché i dati possono essere interrogati direttamente tramite Secure Data Sharing, i carichi di lavoro analitici possono iniziare immediatamente, consentendo le seguenti funzionalità:

• Due diligence estesa all’integrazione: I modelli analitici sviluppati durante la due diligence, come le proiezioni dei ricavi, le valutazioni della probabilità del portafoglio o le analisi dei costi di produzione, possono essere trasferiti direttamente nei cruscotti operativi dopo la chiusura, funzionando su dati in tempo reale anziché sulle istantanee statiche utilizzate durante il processo di deal.

• Ottimizzazione del portafoglio R&D: Grazie alla visibilità combinata tra i programmi di ricerca di entrambe le aziende, i team di data science possono identificare rapidamente ridondanze (due programmi che approcciano lo stesso meccanismo), sinergie (un bersaglio validato dai dati genetici di una società e aggredibile dalla chimica dell’altra) e opportunità di aree non ancora esplorate.

• Analisi commerciali su set di dati combinati: I dati sulle prescrizioni, i dati dei pagatori e le evidenze del mondo reale provenienti da entrambe le entità possono essere analizzati congiuntamente per identificare opportunità di cross-selling, lacune nella copertura e posizionamento competitivo, senza dover attendere la consolidazione del CRM o del data warehouse.

• Rilevamento del segnale di sicurezza tra portafogli combinati: I team di farmacovigilanza possono interrogare i dati sugli eventi avversi nell’intero portfolio combinato di prodotti, identificando potenziali effetti di classe o interazioni farmaco-farmaco che nessuna delle due aziende avrebbe potuto rilevare da sola.

• Intelligence normativa: Correlando le storie delle domande regolatorie di entrambe le aziende, i verbali delle riunioni dell’FDA e la corrispondenza, è possibile identificare precedenti, impegni e rischi che influenzano il portfolio combinato.

Queste non sono funzionalità futuribili. Sono realizzabili sin dal primo giorno per le organizzazioni che operano su Snowflake, poiché l’architettura elimina il prerequisito di migrazione che tradizionalmente rallenta i progetti analitici.

Il vantaggio competitivo è il tempo

Nelle operazioni M&A del settore life sciences, la velocità è fondamentale per motivi che vanno oltre le consuete logiche. Le sinergie nelle operazioni commerciali dipendono da dati cliente integrati. La produttività R&D dipende dalla capacità del team di ricerca di vedere la pipeline acquisita, oltre alla propria. Le decisioni produttive dipendono dalla visibilità della supply chain che coinvolge entrambe le entità. Ogni mese di ritardo nell’integrazione è un mese di valore sinergico perduto. Ogni mese in cui una cessione si prolunga è un mese di complessità operativa che costa a entrambe le parti. Poiché la velocità di integrazione diventa un fattore di differenziazione competitiva nelle operazioni di M&A, le aziende che vogliono realizzare fusioni e acquisizioni in modo efficace in questo settore dovranno considerare la propria piattaforma dati come una risorsa strategica per l’esecuzione delle operazioni, e non solo come un progetto IT. L’architettura di Snowflake, costruita attorno a collaborazione governata, federazione e governance anziché consolidamento e migrazione, si allinea naturalmente con il modo in cui le operazioni nel settore delle scienze della vita devono realmente funzionare.

Quando si chiude il deal, inizia il lavoro sui dati. Con la piattaforma giusta, non deve richiedere tanto tempo come una volta.

Vuoi scoprire di più su come Snowflake supporta gli scenari di fusioni, acquisizioni e cessioni nel settore delle scienze della vita? Contattaci.

Vuoi conoscere le ultime funzionalità di Snowflake a supporto delle organizzazioni nel settore delle scienze della vita? Guarda il nostro Summit Encore for Life Sciences.