Sigma Healthcare, ilaca yönelik talep tahminindeki kazanımları birleştirmek ve envanteri ve kullanılabilirliği optimize etmeye yardımcı olmak için çeşitli makine öğrenimi modellerinden yararlandı.
Tam kapsamlı toptan ve perakende eczane şirketi, daha önce SAP entegre iş planlamasının (IBP) müdahale ve tedarik planlama modülünü uyguladıktan sonra tahmin doğruluğunda yüzde 5 ile 10 arasında bir artış elde etmişti.
Bu modülün kullanılması, talep ve tedarik planlama süreçlerindeki “verimsizlikleri” azalttı ve tedarik planlayıcılarının satın alma siparişlerini incelemesi ve işlemesi için manuel elektronik tabloların ve günlük çalışma saatlerinin yerini aldı.
Modül, tedarik planlayıcılarının siparişleri işleme koyması için gereken süreyi günde beş ila altı saatten bir ila iki saate indirdi ve zaman içinde daha fazla azalma meydana geldi.
“İş yükünün serbest kalmasıyla tahmin doğruluğuna odaklanmak için daha fazla zamanımız oldu, bu nedenle tahminlerin doğruluğunu artırmayı başardık. [accuracy] talep planlama ve sistem yöneticisi Marcus Williams, Melbourne’deki son SAP NOW AI zirvesinde şunları söyledi: “Yüzde 5 ila 10 arasında bir artış.”
IBP’de makine öğrenimi tahmin modelleri kullanılarak tahmin doğruluğu daha da geliştirildi.
Williams, “Son birkaç yılda, IBP talep planlamasındaki tüm özelliklerin, özellikle de aşırı gradyan artırma, standart gradyan artırma ve ayrıca otomatik aykırı değer düzeltme gibi makine öğrenimi tahmin modellerinin kullanılmasıyla ilgili olarak Sigma’daki operasyon planlama ekibi içinde bir dizi projeye liderlik ettim” dedi.
SAP teknik belgelerine göre aşırı eğim artırma, “büyük ve karmaşık veri kümelerinde” faydalıdır ve talep planlayıcılarının “satışları tahmin etmesine veya envanter veya teslimattaki sorunlu alanları belirlemesine” yardımcı olur.
Bu arada, otomatik aykırı değer düzeltmesi, “bir veri girişi hatasının veya satış sonuçlarını etkileyen tek seferlik bir olayın” tahmin hesaplamalarını çarpıtmasını önler.
Williams, bu makine öğrenimi modellerinin birleşik etkisinin, IBP’nin müdahale ve tedarik planlama modülünün uygulanmasıyla tahmin doğruluğunda “başlangıçta elde ettiğimiz yüzde beş ila yüzde 10’a ek olarak en az yüzde 10’luk ek bir iyileşme” olduğunu söyledi.
Williams, Sigma Healthcare’in SAP sistemleriyle çalışan üretken yapay zeka ‘yardımcı pilotuna’ verilen ad olan SAP Joule’ü kullanmaya başlamasıyla ek optimizasyonların geleceğini öngördü.
“Joule’e bakmaya başlamayı gerçekten çok istiyoruz çünkü IBP’deki üretken yapay zekanın planlama ekibimiz için son derece faydalı olacağını düşünüyorum” dedi.
“Bir sorunu çözmek için 30 dakika harcamak yerine, [Joule] yardımcı olabilir.
“Tolerans dışı bir tahmin veya güvenlik stokunun çok yüksek olduğunu görebilirler; bunlar, üretken yapay zekanın gerçekten yardımcı olabileceğini umduğum türden şeyler.”
Tolerans dışı olay, aykırı değere benzer; talep veya arz planlamasını etkileyen atipik bir şeydir.
Bu arada emniyet stoğu, genellikle bir ürüne yönelik beklenmedik talebi veya diğer envanter kullanılabilirliği sorunlarını karşılamak için tutulan ekstra envanterdir.
Williams, IBP’nin üç aylık yükseltmelerine ve genel olarak yapay zekanın hızına ayak uydurmanın önemli olacağını öngördü.
“[That’s] bizi iyi bir noktaya taşıyacak ve Sigma Healthcare’e gerçek bir rekabet avantajı sağlamaya devam edecek.”
Sigma Healthcare hem SAP S/4HANA hem de IBP’yi çalıştırıyor ve IBP ortamını optimize etmek için EY ile ortaklık kurdu.
Şirket belki de en çok Amcal ve bu yıldan itibaren Chemist Warehouse’un da aralarında bulunduğu perakende zincirleriyle tanınıyor.