Część I – prognozowanie popytu

Żyjemy w czasach rewolucji informacyjnej. Często słyszymy terminy Machine Learning (ML, uczenie maszynowe) czy Artificial Intelligence (AI, sztuczna inteligencja). Pojęcia stają się coraz bardziej powszechne zarówno w świecie biznesu jak i codziennym życiu. Stają się synonimem nowoczesnego podejścia do poszukiwania informacji, rozwiązywania problemów czy podejmowania decyzji.

Ale czym właściwie one są? Produktem? Oprogramowaniem? Metodą zarządzania? Jak mogą być wykorzystywane w przedsiębiorstwach?

Odpowiemy sobie na te pytania na przykładzie zarządzania zapasami w branży farmaceutycznej.

Pojęcie sztucznej inteligencji jest szerokie. W naszym przypadku, definiujemy to pojęcie zgodnie z perspektywą informatyki i kognitywistyki. Oznacza tworzenie modeli i programów symulujących w określonym zakresie zachowania inteligentne.

Zastosowanie sztucznej inteligencji do zarządzania zapasami staje się coraz bardziej interesującym zagadnieniem w wielu branżach, w tym w branży farmaceutycznej. Dzięki wykorzystaniu zaawansowanych algorytmów uczenia maszynowego, AI umożliwia firmom farmaceutycznym w całym łańcuchu dostaw optymalizację działań oraz poprawę wydajności.

Jedną z najbardziej znaczących korzyści niesie za sobą analityka predykcyjna. Dzięki analityce predykcyjnej opartej na AI firmy farmaceutyczne mogą przewidywać przyszły popyt, optymalizować poziomy zapasów i przewidywać potencjalne zakłócenia w łańcuchu dostaw, zanim one wystąpią. Pomaga im to w podejmowaniu bardziej świadomych decyzji i skuteczniejszym planowaniu operacji.

Prognozowanie popytu z wykorzystaniem AI pozwala na uwzględnianiu w predykcji przyszłego popytu nie tylko danych historycznej sprzedaży czy sezonów zachorowań, ale także kalendarza promocji, efektów dni kalendarzowych, czy prognoz pogody. Dzięki AI możliwe jest lepsze poznanie wpływy tych zmiennych na popyt (tzw. feature importance) i wykorzystaniu tej wiedzy w kształtowaniu przyszłego popytu.

Dostęp do szerokiego zakresu danych rynkowych rynku farmaceutycznego pozwala na budowanie złożonych modeli predykcyjnych opisujących naszą specyfikę biznesową. Szczególnie obiecująco w tym zakresie prezentuje się wykorzystanie sieci neuronowych, które potrafią budować asocjacje między wieloma zmiennymi wpływającymi na popyt i tym samym w generować dużo bardziej trafne prognozy. Mowa tutaj o poprawie trafności wynoszącej od kilkunastu do nawet kilkudziesięciu procent w porównaniu do „tradycyjnych” modeli prognostycznych.

Znajomość przyszłego popytu jest krytyczną informacją w procesie dopasowania poziomów zapasów do spodziewanych fluktuacji tegoż popytu. Oczywiście do uzyskania optymalnych poziomów zapasów potrzebny jest nam mechanizm optymalizacyjny, w którym wybrana została funkcja celu, ograniczenia i parametry sterujące. Ale o tym w kolejnym artykule. 

Z pomocą aplikacji Dature wykorzystasz sztuczną inteligencję i uczenie maszynowe oparte o sieci neuronowe do prognozowania popytu. Dzięki czemu znacznie usprawnisz swój łańcuch dostaw. Połączenie prognozowania popytu z modułem optymalizacji zapasów Dature

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.