Прогнозирование спроса на лекарственные препараты

Сервис разрабатывался для крупнейшей международной фармацевтической компании, но может быть реализован в любой отрасли. Отправьте нам запрос на демонстрацию, и мы покажем возможности решения для вашего бизнеса.

Простые методы прогнозирования продаж, основывающиеся на опыте сотрудников и простых моделях, в последнее время перестают отвечать потребностям фармацевтического бизнеса и начинают замещаться продвинутыми статистическими методами, использующими многофакторные аналитики. Очевидно, что использование подобных методов может быть довольно сложным – требуется экспертиза, специалисты с опытом в статистике и наличие серьезных вычислительных мощностей.

Данное решение стало победителем российского и финалистом международного конкурса партнеров корпорации Microsoft в номинации Open Source Data & AI.

Прогнозирование спроса на лекарственные препараты позволяет:

• Строить самообучаемые прогностические модели по брендам компании
• Использовать настраиваемые параметры:
• географическая привязка – страна, регион, область
• бренд, форма выпуска, отдельные SKU
  
• временные интервалы – помесячно, понедельно, поквартально
• денежные или натуральные единицы (рубли/упаковки)
• Определять и использовать различные влияющие факторы (регрессоры) для уточнения прогнозов (адресные рынки, продажи конкурентов и т.д.)
• Автоматизированный и высокоскоростной процесс прогнозирования позволяет быстро получить результат (до пяти минут на модель)
• Выгружать результаты в удобной форме или анализировать на встроенных в систему графиках;
• Максимально просто получить результат: загрузить данные -> запустить расчет -> получить прогноз

Основные преимущества сервиса для прогнозирования спроса:

• Прогнозирование спроса на лекарственные препараты представляет собой сервис с удобным веб-интерфейсом, доступным с любого персонального компьютера, подключенного к интернет
• Главным преимуществом сервиса является возможность быстрого получения точных прогнозов по заданным параметрам (сократилось время получения прогноза с нескольких дней до нескольких часов)
• Алгоритмы, вошедшие в основу решения, позволяют также быстро переобучать модели для стремительно меняющихся вводных – например, понедельные продажи бренда в стадии лонча
• По умолчанию решению достаточно внутренних продаж компании и внешних продаж адресного рынка бренда для построения прогнозов. При необходимости может быть проведена донастройка для использования более широкого набора факторов влияния
• Не требует интеграции с источниками данных, позволяет загружать исторические показатели непосредственно в систему, но может быть проведена интеграция для автоматического получения данных из источников компании
• Использование сервиса в облачной среде Microsoft Azure позволяет избавиться от таких задач, как покупка и настройка оборудования, создание и хранение бэкапов, балансировка нагрузки и пр. При необходимости вычислительные мощности могут быть увеличены без задействования ИТ-специалистов, что может уменьшить время ожидания закупки оборудования и увеличить скорость расчета при увеличении объемов данных
• Средняя точность прогноза по брендам составляет 95%
• Основная часть сервиса построена на открытых продуктах и не требует оплаты лицензий

Сопутствующие услуги

Используемые технологии:

Технологии Microsoft:

• Виртуальная машина в Microsoft Azure
• Azure Machine Learning: Hadoop-Spark, пакет Forecast, подключаемый код Python с использованием моделей SARIMA, XGBoost и CatBoost (разработка Yandex)
• Дашборды - Power BI

Open Source:

• Витрины данных - PostgreSQL
• Пользовательский интерфейс - Java

Решение может быть реализовано с помощью следующих технологий: