Gestión del inventario en una empresa del sector farmacéutico mediante algoritmos de Machine Learning

Abstract

El TFM versa sobre la gestión avanzada del inventario de forma que se pueda predecir el nivel de stock óptimo a partir de algoritmos de machine learning. La predicción que se realice ha de ser capaz de asegurar que el nivel de stock permitirá dar un buen servicio al cliente, evitando roturas de stock y la consiguiente pérdida de ventas y, reduciendo en lo posible los costes derivados de la gestión del inventario. Los datos tomados como base para este proyecto son del sector farmacéutico. La predicción del stock óptimo se realiza en un único paso, evitando la necesidad de conocer de antemano la previsión de la demanda y sin tener que identificar la distribución de la probabilidad de la misma. El nivel de inventario óptimo se calcula directamente analizando los datos disponibles: histórico de ventas, histórico de stock real, datos de promociones, calendario de festivos, etc.. Aunque en la industria farmacéutica, concretamente en los fabricantes, existen diversos tipos de stock (materia prima, WIP, productos semielaborados y productos terminados), los datos proporcionados para el proyecto permiten centrar el trabajo en los productos terminados. Adicionalmente se tienen en cuenta diversos factores que influyen en el resultado de la predicción como: la estacionalidad o patrones semanales que muestran una mayor venta en determinados días de la semana. El desarrollo se realiza en base a algoritmos de machine learning, analizando distintos tipos de ellos para decidir cuál proporciona una mayor precisión, con el fin de obtener un método alternativo de gestión del stock y asegurar un mejor servicio al cliente con el mínimo coste para la empresa.

Master's dissertation is about advanced inventory management so that the optimal stock level can be predicted based on machine learning algorithms. Prediction must be able to ensure that the level of stock will allow a good customer service, avoiding a stockout situation and the consequent loss of sales and reducing as far as possible the costs derived from inventory management. Data taken as the basis for this project is from the pharmaceutical sector. The prediction of the optimal stock is carried out in a single step, avoiding the need to know in advance the demand forecast and the distribution of its probability. The optimal inventory level is calculated directly by analysing the available data: sales history, real stock history, promotion data, holiday calendar, etc. Although in the pharmaceutical industry, specifically in manufacturers, there are several types of stock (raw materials, WIP, semi-finished products and finished products), the data provided for the project allows to focus on the finished products. Additionally, some factors with influence in the result of the prediction are considered, such as: seasonality or weekly patterns that show a higher sales level on certain days of the week. The development is carried out based on machine learning algorithms, analysing different types of them to decide the one that provides better performance in order to obtain an alternative method of stock management and ensure better customer service with the minimum cost for the company.

El TFM versa sobre la gestió avançada de l'inventari de manera que es pugui predir el nivell d'estoc òptim a partir d'algoritmes de machine learning. La predicció que es realitzi ha de ser capaç d'assegurar que el nivell d'estoc permetrà donar un bon servei a client, evitant trencaments d'estoc i la consegüent pèrdua de vendes i, reduint en el possible els costos derivats de la gestió de l'inventari. Les dades preses com a base per a aquest projecte són de el sector farmacèutic. La predicció de l'estoc òptim es realitza en un únic pas, evitant la necessitat de conèixer per endavant la previsió de la demanda i sense haver d'identificar la distribució de la probabilitat de la mateixa. El nivell d'inventari òptim es calcula directament analitzant les dades disponibles: històric de vendes, històric d'estoc real, dades de promocions, calendari de festius, etc .. Tot i que en la indústria farmacèutica, concretament en els fabricants, hi ha diversos tipus d'estoc ( matèria primera, WIP, productes semielaborats i productes acabats), les dades proporcionades pel projecte permeten centrar el treball en els productes acabats. A més a es tenen en compte diversos factors que influeixen en el resultat de la predicció com: l'estacionalitat o patrons setmanals que mostren una major venda en determinats dies de la setmana. El desenvolupament es realitza en base a algoritmes de machine learning, analitzant diferents tipus d'ells per decidir quin proporciona una major precisió, per tal d'obtenir un mètode alternatiu de gestió de l'estoc i assegurar un millor servei a client amb el mínim cost per a la empresa.