Levertijden voorspellen met AI voor farmaceutisch voorraadbeheer

Context en doelstellingen

Een specialist in farmaceutische logistiek had moeite om levertijden in de toeleveringsketen efficiënt te beheren. Daardoor zat veel kapitaal vast en waren de jaarlijkse voorraadkosten hoog.

Het bedrijf had miljoenen euro's vastzitten in buffervoorraden en maakte aanzienlijke vermijdbare kosten door inefficiënte beheersing van levertijden. Onvoorspelbare factoren, zoals leveranciersprestaties en interne verwerking, vergrootten de operationele risico's en drukten de klanttevredenheid.

Het doel was AI-voorspellingen te gebruiken om het kapitaal voor het opvangen van levertijden te verminderen. Zo zou werkkapitaal vrijkomen en zouden voorraadkosten dalen, met behoud van de dienstverlening.

Aanpak

1. Verkenning en basis

Het project begon met:

• de bedrijfscontext in kaart brengen,

• de belangrijkste betrokkenen identificeren,

• en relevante datasets grondig onderzoeken om de beperkingen van het levertijdbeheer te begrijpen.

Samen met het IT-team en de bedrijfsexperts van de klant verduidelijkte het projectteam doelen en vereisten als basis voor datagedreven verbeteringen.

1. Datavoorbereiding en modelontwikkeling

We beoordeelden de kwaliteit en volledigheid van historische data, met bijzondere aandacht voor inconsistenties in geregistreerde levertijden. Zo kreeg het voorspellingsmodel betrouwbare invoer.

Daarna ontwikkelden we iteratief een AI-model voor levertijdvoorspellingen op basis van feedback en verdere data-analyse. We legden de nadruk op uitlegbare resultaten die de business kon valideren. We testten het model onder gecontroleerde omstandigheden en simuleerden praktijkscenario's om juistheid en betrouwbaarheid te verzekeren.

1. Uitrol en integratie

Tot slot werd het model als dataproduct vormgegeven en geïntegreerd met analytische dashboards, zodat het klantteam de resultaten zelfstandig kon verkennen en valideren.

Resultaten

Het project leverde een volledig werkend prototype voor levertijdvoorspellingen op, dat onder gecontroleerde omstandigheden duidelijke voordelen aantoonde. Het bedrijf ziet nu mogelijkheden voor:

• Een lagere jaarlijkse kapitaalbehoefte (in miljoenen euro's)

• Een kleiner volume aan laattijdige leveringen ten opzichte van de huidige werkwijze, goed voor honderdduizenden euro's besparing

• Een operationele voorspellingsmotor voor gedetailleerde analyse van levertijdpatronen op het niveau van SKU's, leveranciers en magazijnprocessen

• Uitgebreide dashboards met kapitaalbehoeften en kernprestatie-indicatoren (KPI's), waarmee het klantteam zelfstandig kan analyseren

De klant was zeer tevreden met de resultaten. Er worden plannen gemaakt voor verdere verbeteringen en bredere toepassing van het model voor levertijdvoorspellingen in de werking.