<strong>Zarządzanie zapasami w branży farmaceutycznej przy zastosowaniu AI</strong><strong>Zarządzanie zapasami w branży farmaceutycznej przy zastosowaniu AI</strong><strong>Zarządzanie zapasami w branży farmaceutycznej przy zastosowaniu AI</strong><strong>Zarządzanie zapasami w branży farmaceutycznej przy zastosowaniu AI</strong>
  • Produkty
  • Jak działa Dature
  • O nas
  • Baza wiedzy
  • Współpraca
  • Wsparcie
  • UE Flaga
  • Polski
    • Angielski
Polski
✕
            Brak wyników wyszukiwania Zobacz wszystkie wyniki
            Zarządzanie zapasami w branży farmaceutycznej przy zastosowaniu AI
            7 marca 2023
            Polecamy

            Zarządzanie 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.

            Udostępnij
            OSTATNIE WPISY
            • Zarządzanie zapasami w branży farmaceutycznej przy zastosowaniu AI
            • Zarządzanie zapasami w branży farmaceutycznej przy zastosowaniu AI
            • Quick Response jako szybka reakcja na potrzeby klienta w kontekście zarządzania zapasami
            • Optymalizacja łańcucha dostaw
            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
            • #zapas-bezpieczeństwa
            • #zapas-sezonowy
            • #zapas-zabezpieczający
            • #zarządzanie-zapasem

            Powiązane wpisy

            22 sierpnia 2022

            Wskaźniki poziomu obsługi w zarządzaniu zapasami – jak je rozumieć i interpretować?


            PRZECZYTAJ

            Część I – wskaźniki poziomu obsługi dla pojedynczej pozycji asortymentowej Określanie wymaganego poziomu obsługi z punktu widzenia zarządzania zapasami to dość powszechne działanie. Zazwyczaj przedstawia się […]

            Już teraz

            Zapisz się do newslettera

              Podanie danych w formularzu jest niezbędne do subskrypcji newslettera. Dane z formularza przetwarzane będą na podstawie udzielonej zgody art. 6 ust. 1 lit. a) RODO. Administratorem Twoich danych jest Smartstock Sp. z o.o. z Poznania (ul. Królowej Jadwigi 43, 61-871 Poznań, biuro@smartstock.cloud). Wszelkie informacje w zakresie przetwarzania danych podanych w formularzu oraz posiadanych uprawnieniach znajdziesz w Polityce Prywatności.


              TEL. +48 534 288 279
              biuro@dature.cloud

              Smartstock Sp z o.o.
              ul. Królowej Jadwigi 43
              61-871 Poznań

              Zapisz się do newslettera

              NIP: 7812000413
              REGON: 384284847
              KRS: 0000802331

              • LinkedIn
              • Facebook

              Polityka prywatności i cookies   Regulamin aplikacji   Wsparcie techniczne   Zmiana decyzji co do cookies

              Wszelkie prawa zastrzeżone. © SMARTSTOCK Sp. z o.o.
              Polski
                        Brak wyników wyszukiwania Zobacz wszystkie wyniki
                        • Brak dostępnych tłumaczeń dla tej strony