Ανάπτυξη μοντέλου πρόβλεψης ζήτησης φαρμακευτικών προϊόντων: μελέτη περίπτωσης σε επιχείρηση του κλάδου υγείας

Abstract

Στη φαρμακευτική βιομηχανία, η πρόβλεψη ζήτησης διαδραματίζει καθοριστικό ρόλο στη διαχείριση των αποθεμάτων και στον προγραμματισμό των λειτουργιών, καθώς η ζήτηση ενδέχεται να μεταβάλλεται ανάλογα με την εποχικότητα και τις προωθητικές ενέργειες. Η παρούσα έρευνα αποσκοπεί στη δημιουργία και την αξιολόγηση ενός μοντέλου πρόβλεψης ζήτησης φαρμακευτικών προϊόντων, βασισμένη σε περίπτωση μελέτης της εταιρείας HellasCare Pharma SA, η οποία δραστηριοποιείται στον τομέα της υγείας και στην αγορά φαρμακευτικών προϊόντων. Η ανάλυση βασίζεται σε ιστορικές αναφορές πωλήσεων των τελευταίων τριών ετών σε μηνιαία βάση. Η έρευνα επικεντρώνεται στο τελευταίο στάδιο της εφοδιαστικής αλυσίδας, δηλαδή στις πωλήσεις των φαρμακείων προς τους ασθενείς, δεδομένου ότι αυτού του τύπου τα δεδομένα αντικατοπτρίζουν πιο αξιόπιστα την πραγματική καταναλωτική ζήτηση. Τα αναλυόμενα προϊόντα ταξινομούνται σε τρεις κατηγορίες: εκείνα των οποίων η ζήτηση παραμένει σταθερή καθ' όλη τη διάρκεια του έτους, τα εποχικά προϊόντα και εκείνα των οποίων η ζήτηση εξαρτάται από προωθητικές ενέργειες. Κάθε κατηγορία παρουσιάζει διαφορετικά χαρακτηριστικά ζήτησης. Εφαρμόζονται μέθοδοι πρόβλεψης χρονοσειρών με έμφαση στα μοντέλα ARIMA και Εποχικά ARIMA (SARIMA), τα οποία δημοσιεύονται στη σχετική βιβλιογραφία για την πρόβλεψη ζήτησης. Πραγματοποιείται ανάλυση των τάσεων, της εποχικότητας και της στασιμότητας των δεδομένων, ενώ εφαρμόζονται οι κατάλληλοι μετασχηματισμοί πριν από την ανάπτυξη του μοντέλου. Τα συνήθη μέτρα σφάλματος που αναφέρονται στην αξιολόγηση της ακρίβειας των προβλέψεων είναι το Μέσο Απόλυτο Σφάλμα (MAE), το Μέσο Απόλυτο Ποσοστιανό Σφάλμα (MAPE) και η Τετραγωνική Ρίζα του Μέσου Τετραγωνικού Σφάλματος (RMSE). Τα ευρήματα καταδεικνύουν ότι τα μοντέλα SARIMA είναι καταλληλότερα για προϊόντα που παρουσιάζουν έντονες εποχικές διακυμάνσεις, ενώ τα μοντέλα ARIMA είναι αποτελεσματικά για προϊόντα μεIn the pharmaceutical industry, demand forecasting plays a crucial role in inventory management and operations planning, as demand may vary depending on seasonality and promotional activities. This research aims to create and evaluate a model for forecasting demand for pharmaceutical products, based on a case study of HellasCare Pharma SA, a company operating in the healthcare sector and the pharmaceutical market. The analysis is based on historical sales reports for the last three years on a monthly basis. The research focuses on the last stage of the supply chain, i.e., pharmacy sales to patients, as this type of data more reliably reflects actual consumer demand. The products analyzed are classified into three categories: those for which demand remains stable throughout the year, seasonal products, and those for which demand depends on promotional activities. Each category has different demand characteristics. Time series forecasting methods are applied with an emphasis on ARIMA and Seasonal ARIMA (SARIMA) models, which are published in the relevant literature on demand forecasting. An analysis of trends, seasonality, and stationarity of the data is performed, and appropriate transformations are applied before developing the model. The usual error measures used to evaluate the accuracy of forecasts are Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), and Root Mean Square Error (RMSE). The findings show that SARIMA models are more suitable for products with strong seasonal fluctuations, while ARIMA models are effective for products with stable demand. High error problems are observed in products affected by promotional activities, as demand is not normal. The results show that demand patterns can be used to select appropriate problem models, with the aim of improving the quality of forecasts and taking effective measures in inventory planning.