Sztuczna inteligencja
w prognozowaniu i optymalizacji zapasów branży farmaceutycznej
Łańcuch dostaw branży farmaceutycznej obejmuje dostawców surowców i materiałów, producentów farmaceutyków, dystrybutorów oraz sieci detaliczne. Każde z ogniw powyższego łańcucha działa wspólnie nad dostarczeniem konsumentom produktów, które będą w stanie zaspokoić ich potrzeby jakościowe i budżetowe. Konkurencja na rynku jest bardzo duża, a odniesienie na nim sukcesu wymaga efektywnego zarządzania wieloma procesami.
Proces prognozowania popytu
Wyzwania
Przewidywania dotyczące przyszłych wielkości popytu są bazą, na której konieczne jest oparcie dla wszystkich pozostałych procesów w firmie. Błędy popełniane na tym etapie amplifikują się we wszystkich pozostałych działaniach firmy prowadząc do nieefektywnej alokacji kapitału skutkującej utratą sprzedaży, marży, wzrostem kosztów i zmniejszeniem płynności finansowej.
Uzyskanie wysokiej jakości prognoz nie jest zadaniem łatwym. Stosowane często w praktyce podejście oparte o modele średniej sprzedaży zwykle prowadzi do powstawanie sytuacji out-of-stock jak i overstock. Brak dostępności towaru powoduje, że klienci przerzucają się czasowo na zakup konkurencyjnych towarów, a w dłuższej perspektywie mogą całkowicie zmienić preferencję produktową. Nadmierny zapas to z kolei ryzyko przeterminowania zapasów i konieczność wyprzedaży erodujących marże lub ponoszenia strat związanych z utylizacją farmaceutyków.
Rozwiązanie
Oferując klientom setki produktów realizujących ich różne potrzeby konieczne jest zastosowanie zindywidualizowanego podejścia do analizy ich zachowań. Innymi słowy konieczne jest dopasowanie modeli prognozowania popytu z perspektywy każdego produktu w kontekście poszczególnych klientów, kanałów czy lokalizacji. Inaczej trzeba podejść do prognozowania produktów sezonowych, inaczej do produktów eventowych, a inaczej do produktów całorocznych. Dodatkowo w ocenie wielkości popytu należy uwzględnić zarówno instrumenty stymulujące popyt, zależne od nas np. promocje jak i elementy niezależne od nas np. pogodę.
Proces optymalizacji zapasów
Wyzwania
Przewidywania dotyczące przyszłych wielkości popytu są bazą, na której konieczne jest oparcie dla wszystkich pozostałych procesów w firmie. Błędy popełniane na tym etapie amplifikują się we wszystkich pozostałych działaniach firmy prowadząc do nieefektywnej alokacji kapitału skutkującej utratą sprzedaży, marży, wzrostem kosztów i zmniejszeniem płynności finansowej.
Uzyskanie wysokiej jakości prognoz nie jest zadaniem łatwym. Stosowane często w praktyce podejście oparte o modele średniej sprzedaży zwykle prowadzi do powstawanie sytuacji out-of-stock jak i overstock. Brak dostępności towaru powoduje, że klienci przerzucają się czasowo na zakup konkurencyjnych towarów, a w dłuższej perspektywie mogą całkowicie zmienić preferencję produktową. Nadmierny zapas to z kolei ryzyko przeterminowania zapasów i konieczność wyprzedaży erodujących marze lub ponoszenia strat związanych z utylizacją farmaceutyków.
Rozwiązanie
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.
System Dature wykorzystuje sztuczną inteligencję (AI) i uczenie maszynowe (ML) do generowania trafnych prognoz popytu i optymalizacji zapasów. Zastosowane w aplikacji mechanizmy CPFR (CPFR - Collaborative Planning, Forecasting and Replenishment) oraz VMR (VMR – Vendor Managed Replenishment) na zindywidualizowany podejście do prognozowania poszczególnych SKU z uwzględnieniem zarówno danych wewnętrznych organizacji (sprzedaż, promocje własne, etc.) jaki i danych z otoczenia (np. promocje klientów i dostawców, pogoda, etc.). Dzięki temu znacząco poprawiona zostaje jakość prognoz i zredukowane ryzyko sytuacji out-of-stock i overstock. Dzięki dostępnym w systemie mechanizmom symulacji i optymalizacji zapasów jest systematyczne podnoszenie jakości całego procesu. To z kolei przenosi się na efekty finansowe: sprzedaż, marżę, koszty, płynność, jak i wizerunkowe. Innymi słowy uzyskuje się znacznie wyższą konkurencyjność rynkową.
Potencjalne korzyści biznesowe
Zmniejszenie błędów prognozowania o 30% do 50%.
Redukcja utraty sprzedaży nawet o 65%,
Redukcja kosztów związanych z transportem i administracją odpowiednio o 5–10% i 25–40%.
Redukcja kosztów związanych z transportem i administracją odpowiednio o 5–10% i 25–40%.
Opinie klientów
,,
Phytopharm Klęka S.A. jest firmą farmaceutyczną, wytwarzającą produkty, przede wszystkim w oparciu o składniki pochodzenia naturalnego. Swoim klientom oferujemy gotowe produkty, jak również usługi wytwarzania kontraktowego. Zarządzanie zróżnicowanym i bogatym portfolio asortymentowym wymaga od nas wnikliwej analizy popytu i ciągłego doskonalenia procesu planistycznego.
Dzięki mechanizmom sztucznej inteligencji i uczenia maszynowego dostępnym w aplikacji Dature Premium jesteśmy w stanie szybciej diagnozować zmiany popytowe i dostosowywać zapasy do potrzeb rynku.
W ramach projektu wdrożenia Dature Premium zrealizowanego przez Smartstock uruchomione zostały funkcjonalności zarówno służące do prognozowania popytu w horyzoncie taktyczno-strategicznym oraz operacyjnym. Uruchomiona została także optymalizacja zarządzania zapasami w modelu VMR (z ang. Vendor Manged Replenishment) dla wybranych dostawców.
Dzięki temu możliwe jest prowadzenie zintegrowanego planowania obejmującego zarządzanie produktami Phytopharm w magazynach dystrybucyjnych naszych klientów, prognozując w nich popyt oraz optymalizując stany własnych produktów. Dzięki temu generowana jest nie tylko korzyść biznesowa dla nas i naszych klientów, ale przede wszystkim dla pacjentów, którym chcemy zapewnić jak najlepszy dostęp do naszych produktów.
Łukasz Sroczyński, Kierownik ds. Efektywności i Analiz w Phytopharm Klęka S.A.
