Zarządzanie zapasami w branży farmaceutycznej przy zastosowaniu AI
7 marca 2023A jak AI: co to jest i jak działa sztuczna inteligencja?
23 marca 2023Zarządzanie zapasami w branży farmaceutycznej przy zastosowaniu AI
7 marca 2023A jak AI: co to jest i jak działa sztuczna inteligencja?
23 marca 2023Zarządzanie zapasami w branży farmaceutycznej przy zastosowaniu AI
Część II – optymalizacja zapasów
W poprzednim artykule pisaliśmy o wykorzystaniu AI (sztuczna inteligencja) i ML (uczenie maszynowe) w prognozowaniu popytu. Posiadając wyliczenia przyszłych wielkości sprzedaży możemy je wykorzystać do optymalizacji zapasów. W branży farmaceutycznej zarządzanie zapasami często wymaga wyliczania ich wielkości w więcej niż 1 lokalizacja, często w dwustopniowym modelu dystrybucji. Przykładem dwustopniowego modelu dystrybucji jest m.in. VMR (Vendor Managed Replenishment), czyli model, w którym dostawca – np. producent leków – zarządza nie tylko zapasem na poziomie swojego magazynu dystrybucyjnego, ale także w magazynach swoich klientów np. hurtowni.
W takim przypadku, każde miejsce, z którego następuje dystrybucja, powinno mieć swoją własną prognozę popytu oraz parametry sterujące zatowarowaniem, np. Lead Time, MOQ, etc. Wykorzystanie AI i ML w procesie generowania prognoz popytu oraz symulacji zapasów w całej sieci dystrybucji pozwala na całościowe spojrzenie na sytuację stockową i ocenę obecnych oraz przyszłego ryzyka out-of-stock i overstock. Dzięki temu można podejmować szybkie i elastycznie reagować na zmiany.
Idea wymiany informacji między klientem (np. hurtownik) a dostawcą (np. producent) niezbędnych do wspólnego prognozowania i zarządzania łącznym zapasem niesie ze sobą szereg korzyści. Wymaga jednak ścisłej współpracy w zakresie dzielenia się informacjami, które są ważne z punktu widzenia całego procesu. Lepsza jest koordynacja obsługi sprzedaży, brak jest zaskoczeń przy planowaniu poziomu zapasów np. pod działania promocyjne, niższy jest średni łączny poziom zapasu, niższe są koszty transportu i obciążenie dla środowiska.
W ramach modelu VMR można wymienić kilka podstawowych metod zarządzania zatowarowaniem mazany klienta, m. in.: MIN–MAX i Ciągły przegląd z utrzymaniem wymaganego poziomu Service Level.
Sprzęgniecie procesu prognozowania w oparciu o AI i ML z kontrolą zapasów i generowania rekomendacji zatowarowania zarówno na poziomie magazynu klienta jaki dostawcy daję wielką korzyść na poziomie operacyjnym. Decyzje o tym co wyprodukować, gdzie i w jakich ilościach utrzymywać w magazynie własnym lub klientów muszą być podejmowane każdego dnia w odniesieniu do setek czy tysięcy produktów. Wsparcie tego procesu precyzyjnymi wyliczeniami algorytmów AI i ML i automatyzacją przetwarzania danych, to również ogromne wzrost produktywności pracowników. Są oni bowiem odciążeni od wykonywania powtarzalnych operacji przygotowania i przetwarzania danych wsadowych oraz samodzielnych przeliczeń. Daje to możliwość skupienia się na istotnych aspektach pracy: analizie ryzyka i zapobieganiu im, kontroli procesów, kontaktach z dostawcami, etc.
Z pomocą aplikacji Dature wykorzystasz sztuczną inteligencję i uczenie maszynowe oparte o sieci neuronowe do prognozowania popytu i optymalizacji zapasów. Dzięki czemu znacznie usprawnisz swój łańcuch dostaw. Połączenie prognozowania popytu z modułem optymalizacji zapasów Dature pozwala określić właściwe poziomy zapasów oraz generuje optymalne rekomendacje zatowarowania. Wypróbuj już teraz!
Niniejszy artykuł powstał dzięki środkom pochodzącym ze współfinansowania przez Unię Europejską Programu Operacyjnego Inteligentny Rozwój 2014-2020, projektu realizowanego w ramach konkursu Narodowego Centrum Badań i Rozwoju: w ramach konkursu „Szybka Ścieżka” dla mikro-, małych i średnich przedsiębiorców – konkurs dla projektów z regionów słabiej rozwiniętych w ramach Działania 1.1: Projekty B+R przedsiębiorstw Poddziałanie 1.1.1 Badania przemysłowe i prace rozwojowe realizowane przez przedsiębiorstwa. Tytuł projektu: „Stworzenie oprogramowania do poprawy trafności prognoz i optymalizacji zapasów z perspektywy odbiorcy i dostawcy współpracujących w ramach łańcucha dostaw przy zastosowaniu rozmytych, głębokich sieci neuronowych.
OSTATNIE WPISY
TAGI
- #AI
- #bullwhip-effect
- #covid19
- #łańcuch-dostaw
- #NCBiR
- #optymalizacja-zapasów
- #out-of-stock
- #outllier
- #overstock
- #prognozowanie
- #prognozowanie-popytu
- #Program-Operacyjny-Inteligentny-Rozwój-2014-2020
- #projekcja-zapasów
- #projekcja-zapasów-w-czasie
- #service-level-dostawcy
- #sieci-neuronowe
- #supplychain
- #sztuczna-inteligencja-od-A-do-Z
- #zapas-bezpieczeństwa
- #zapas-sezonowy
- #zapas-zabezpieczający
- #zarządzanie-zapasem
Powiązane wpisy
D jak Dead Stock
PRZECZYTAJ
Dead stock, czyli dosłownie martwy zapas, to produkty, które nie znajdują nabywców w oczekiwanym czasie lub w ogóle nie są sprzedawane. Wpływa to negatywnie na efektywność […]
C jak cash to cash cycle
PRZECZYTAJ
Cykl cash to cash cycle to okres pomiędzy momentem, w którym firma płaci swoim dostawcom za zapasy, a otrzymaniem gotówki od klientów. Koncepcja ta służy do […]
B jak Break-event-point
PRZECZYTAJ
Metoda punktu równowagi (break-even point) jest narzędziem wykorzystywanym do optymalizacji zapasów w łańcuchu dostaw. Jest to punkt, w którym koszty posiadania zapasów równają się korzyściom z […]