Sikkerhedsaktie i Pharma: Løsning af Guldlok-udfordringen i forsyningskæder med kognitiv automatisering

 

 

Sikkerhedsaktie i Pharma: Løsning af Guldlok-udfordringen i forsyningskæder med kognitiv automatisering

Sikkerhedslager er blandt de mest kritiske elementer i den farmaceutiske forsyningskæde. Alligevel har sikkerhedslager også vist sig at være meget vanskeligt at administrere og optimere, selvom det låser driftskapitalen og øger lageromkostningerne.

 

Farmaceutiske virksomheder opretholder typisk høje niveauer af sikkerhedslager for at opnå høje serviceniveauer, der maksimerer omsætningen af ​​højmarginprodukter og fremmer kundetilfredsheden. Også kaldet bufferlager giver det et sikkerhedsnet mod variabilitet såsom uventede forsinkelser i råmaterialer eller transport eller usædvanlig stor efterspørgsel.

 

Stockouts, der skyldes utilstrækkelige sikkerhedslager, kan være meget skadelige for virksomheden, med millioner i tabt omsætning og potentiel brandskade, hvis vitale lægemidler ikke er tilgængelige. At fejle på siden af ​​overskydende er den fremherskende praksis, med sikkerhedslager på plads på en virksomheds fabrikker og distributionscentre rundt om i verden.

 

Men det betyder også at tage fejl af høje lageromkostninger og binde arbejdskapital, der kunne investeres i F&U eller andre områder af forretningsvækst.

 

Det er Goldilocks-udfordringen. Farmaceutiske virksomheder kan ikke risikere for lidt sikkerhedslager. Men de ønsker ikke omkostningsbyrden for meget. Som i børnefabelen om Guldlok og de tre bjørne, har pharma brug for sikkerhedslageret for at være "det helt rigtige".

 

Stigende risici i sikkerhedslagerstyring

For at opfylde de konkurrerende mål om at minimere sikkerhedslageromkostninger og maksimere serviceniveauer har pharma-forsyningskædeplanlæggere fokuseret på at tackle efterspørgselsvariabilitet og variabilitet i leveringstid med en række forsyningskædestyringssoftware og regneark. Disse bestræbelser er mere udfordrende end nogensinde i vores hyper-speed digitale tidsalder, da nye variabler, der påvirker sikkerhedsaktier, bliver ved med at dukke op. Det er simpelthen for komplekst at administrere disse variabler ved at bruge eksisterende softwaresystemer og regneark.

 

Den stigende globale kompleksitet i branchen gør det vanskeligere hurtigt og præcist at forudsige markedsefterspørgsel og leveringstider. Vækst i realtidsdata fra snesevis eller hundredvis af applikationer overvælder menneskelige bestræbelser på at administrere og analysere information til datadrevne beslutninger.

 

Resultatet er bedste gæt-planlægning, når man sammensætter en månedlig efterspørgselsprognose og beregner leveringstider, der tager højde for materialernes tilgængelighed, produktionsplaner, efterspørgselsvariabilitet, leverandørpålidelighed og andre faktorer, alt sammen på tværs af et stort antal SKU-lokationer.

 

På grund af denne kompleksitet er sikkerhedslagerniveauer normalt baseret på nogle få variabler, ikke et komplet sæt. Supply chain planlæggere er sjældent villige til at bringe serviceniveauet i fare ved at skære ned på sikkerhedslageret. At opretholde en generøs lagerbuffer betragtes ofte som en omkostning ved at drive forretning, men det behøver det ikke at være.

 

Fremkomsten af ​​kognitiv automatisering i Pharma Supply Chains

Kognitiv automatisering åbner nye muligheder for at administrere sikkerhedsaktier mere omkostningseffektivt ved at udnytte brugen af ​​kunstig intelligens (AI) og maskinlæring. Denne nye teknologi bruger internet-skala computerkraft i skyen, dataovervågning i realtid, kognition og sofistikerede algoritmer til at bringe ny hastighed og præcision til den farmaceutiske forsyningskæde.

 

Farmaceutiske virksomheder er blandt de førende inden for at omfavne kognitiv automatisering for at forfine efterspørgselsprognoser og leveringstidsberegninger, hvilket sætter scenen for at optimere sikkerhedslagerniveauer på en stor global skala. Denne teknologi giver intelligent supply chain automatisering af langt større omfang og dybde, end det er muligt selv med de dygtigste planlæggere og de bedste traditionelle værktøjer.

 

Som det er, kan planlæggere bruge uger på at indsamle data fra softwareapplikationer til ERP, CRM, planlægning af materialekrav, logistik, leverandør- og lagerstyring og andre. Derefter knuses tallene for beregninger af efterspørgsel og kundeemner – men oplysningerne er forældede, når prognoserne er færdige, og det er let at overse afgørende variable.

 

Kognitiv automatisering gennemgår flere applikationer tusindvis af gange om dagen og samler og beriger data i et enkelt datalager. Derfra genererer kraftfulde algoritmer anbefalinger, der kan dække efterspørgselsprognoser, leveringstidsberegninger og optimale sikkerhedslagerniveauer. Kognitiv automatisering øger den menneskelige planlæggers domæneekspertise og giver datadrevne anbefalinger, som de kan handle og udføre i realtid.

 

Adskillige egenskaber adskiller AI-drevet kognitiv automatisering fra traditionelle tilgange:

Daglig prognose.
Efterspørgsel og gennemløbstider kan beregnes på daglig basis, fordi kognitiv automatisering sporer data og anomalier i næsten realtid. Det er en enorm forbedring i forhold til manuelle prognoser en gang om måneden eller andre periodiske intervaller.
 

Dyb granularitet.
I stedet for opsummerede data fungerer kognitiv automatisering med datasæt af dybe granulariteter, ned til daglige transaktioner efter SKU-lokationer, ordrer, anlæg, råmaterialer, kunder og mere.
 

End-to-end synlighed.
Kognitiv automatisering bringer den 'hellige gral' af ende-til-ende forsyningskædesynlighed, så ledere kan udvikle sig fra reaktiv fejlfinding til proaktiv optimering og datadrevet beslutningstagning.

Fra et sikkerhedslagerperspektiv kan disse egenskaber også hjælpe forsyningskædeteams med bedre at administrere tidsfølsomme produkter, der udløber, for at reducere lageromsætning, svind og omkostningerne ved unødvendigt kasserede produkter.

 

Cognitive Automation hos Merck KGaA

Merck KGaA er et eksempel på en farmaceutisk virksomhed, der høster forsyningskædens belønninger med kognitiv automatisering, som beskrevet i en Wall Street Journal-rapport. Den tyske virksomhed bruger en kognitiv løsning fra Aera Technology i en use case, der involverer omkring 100 fertilitetslægemidler.

Softwaren gennemgår Merck-applikationer og samler data til et kognitivt datalag. Derefter analyserer AI og machine learning dataene, identificerer problemområder og anbefaler optimale handlinger. I stedet for at Merck-planlæggere slider i regneark og skændes om tal, udfører maskiner og kunstig intelligens det hårde arbejde og leverer datadrevne anbefalinger om den bedste fremgangsmåde.

 

Sikkerhedslager har ikke fået den opmærksomhed, det fortjener, simpelthen fordi det har været så svært at forudsige nøjagtigt, og på grund af risikoen for, at underbeholdning kan udgøre for virksomheden. I dag har medicinalvirksomheder nye muligheder for at opnå betydelige omkostningsbesparelser og frigøre driftskapital med en AI-drevet tilgang til at få sikkerhedsaktier "lige rigtige."