The potential of using Machine Learning for Demand Forecasting of Pharmaceuticals: Case Study for Sykehusapotekene i Midt-Norge HF

Abstract

Den farmasøytiske industrien har en avgjørende rolle for menneskers helse, da den har som mål å levere livsforlengende medisiner og samtidig garantere pasientsikkerhet. Industrien utgjør en betydelig andel av helsekostnadene, ved blant annet at betydelige mengder ressurser blir brukt for å møte den globale etterspørselen etter farmasøytisk innovasjon. I senere tid har næringen fått ytterligere økt betydning på grunn av befolkningsvekst og globalisering. Samtidig er verden inne i en periode med stor teknologisk og digital utvikling som åpner muligheter for mange forbedringer. Den økende trenden, av å benytte maskinlæringsteknologier til å forutsi fremtidig markeds- og kundeadferd, er et av områdene som er i rask utvikling. Den farmasøytiske verdikjeden er ansett som kompleks, fordi den er omgitt av usikkerhet og ukjente etterspørselsdrivere. Dette er en av de viktigste årsakene til at ny teknologi vil kunne spille en viktig rolle. Til tross for en økende integrasjon av smart teknologi innenfor de flere deler av verdikjeden, er det en betydelig tilstedeværelse av ineffektive statistiske prognosemodeller. Selv om prognoser, ved hjelp av maskinlæring (ML), har blitt utforsket grundig de siste årene for andre produkter og industrier, utnyttes ikke dette i sin fulle grad i forskningen innenfor feltet for farmasøytisk prediksjon.

Motivasjonen for denne oppgaven var å utforske viktigheten av nøyaktige etterspørselsprognoser og utfordringer knyttet til å beregne den farmasøytiske etterspørselen. Antakelsen om at maskinlæring kan redusere disse utfordringene er blitt analysert. Behovet for nøyaktig etterspørselsprognostisering er viktig for å proaktivt kunne respondere til bransjens utfordringer og mange usikkerheter. Fra et forretningsmessig perspektiv, kan etterspørselsplanlegging med prognoser med høy treffsikkerhet kunne strømlinjeforme og optimalisere verdikjeden. Videre kan presise prognoser forbedre beslutningstaking innen verdikjedestyring. Mange aktiviteter, som for eksempel lagerstyring som gir leverandørene riktige bestillingsmengdene for å møte kundenes etterspørsel, vil kunne forbedres. Muligheten for kostnadseffektivisering ved reduksjon av avfall, samt opprettholdelse av et høyt servicenivå og pasientsikkerhet, vil kunne gi bransjen store fordeler.

Denne masteroppgaven identifiserer verdikjedens karakteristikk for å kartlegge hvordan de kan påvirke etterspørselsprognoser. Ved å bruke salgsdata som input, levert av et farmasøytisk distribusjonsselskap (Sykehusapotekene i Midt-Norge HF eller SYA), ble prognosemodeller (WMA, ARIMA og LSTM) analysert og sammenlignet. Ved bruk av data mining (CRISP-modell) ble det laget prognoser for fremtidig etterspørsel ved bruk av salgstall, sammen med informasjon om innlagt pasientflyt og medisinflyt fra ulike sykehusavdelinger i Trondheim. Resultatene bekreftet noen av utfordringene som var et resultat av verdikjedens utfordrende karaktertrekk. Dessuten viste ARIMA (statistisk)-modellen bedre ytelse enn LSTM (ML)-modellen for datasettet, men det avkrefter ikke påstanden om at maskinlæring kan forbedre farmasøytisk etterspørselsprognose for distributører eller SYA. Oppgaven presenterer derfor en diskusjon av anbefalinger for å forbedre fremtidige løsninger for SYA, men har også som mål om å bidra til at andre farmasøytiske distribusjonsselskaper kan utnytte det ML-feltet for etterspørselsprognoser. Til tross for utfordringer med datakvalitet og noe mindre representativ heuristikk (datasetstørrelse, COVID-19, etc.), bidrar denne masteroppgaven til å sette fokus på muligheten for å utvikle mer nøyaktig etterspørselsprediksjon ved bruk av multivariate maskinlæringsmodeller.

Ved å bruke forskningsmateriale, eksisterende litteratur og en casestudie, bekrefter denne oppgaven at det er et potensial for forbedring i etterspørselsprognoser ved å bruke ML for farmasøytiske distributører. Med tilpassede metoder og et forbedret datasett kan bruken av flere variabler identifisere etterspørselsdrivere og forbedre etterspørselsprognosene. Oppgaven synliggjør at avanserte ML-algoritmer bør utnyttes på grunn av deres evne til å oppdage skjulte sammenhenger mellom variablene. Fokusert datapreprosessering for å øke datakvaliteten, kombinert med datainnsamling og datatransparens, fremheves som en viktig suksessfaktor. SYA kan dra nytte av å legge til rette for å forbedre etterspørselsprognoser ved å bruke ML og deretter utnytte disse til flere forretningsforbedringer. Dette vil øke deres beredskap overfor kundene, noe som igjen kan føre til forbedret pasientservice og pasientsikkerhet. I tillegg kan funnene etablere et grunnlag for å oppmuntre andre aktører i den farmasøytiske verdikjeden til å investere i smarte modeller for etterspørselsprognoser.

The pharmaceutical industry plays a fundamental role in human health as it aims to deliver pharmaceuticals that improve patients’ lives and at the same time guarantee patient safety. This industry accounts for a significant portion of healthcare expenditures where substantial amounts of resources are allocated to meet the global demand for pharmaceutical innovation. In recent years, the industry has been accorded an enhanced level of importance due to population growth and globalization. In parallel, the world is experiencing an advanced technological era that brings compelling opportunities for improvements. The growing trend of exploiting machine learning (ML) technologies to predict future market and customer behavior is one of the areas in development. The pharmaceutical supply chain (SC) is complex because it is surrounded by uncertainties and unknown demand drivers. This is a primary motivation for technological adaptation. Despite the growing integration of intelligent technology within most levels of the supply chain, there is a significant presence of inefficient statistical forecasting models. Although demand forecasting using machine learning has been extensively studied over the past several years for other products within other industries, the existing research does not fully exploit the field for pharmaceutical prediction.

The motivation for this thesis was to explore the importance of accurate demand forecasting and the challenges of predicting pharmaceutical demand. The assumption that machine learning can reduce these challenges has been assessed. The need for accurate demand forecasting is crucial for proactively reacting to the industry's characteristics such as uncertainty and vulnerability. From a business point of view, educated demand planning with high-performing forecasting can potentially streamline and optimize supply chain management (SCM). Furthermore, precise forecasting can improve decision-making within SCM. Many activities, such as within inventory management, e.g., providing suppliers with the correct order quantities to meet customer demand, could be improved. Cost-economic benefits from the reduction of waste, as well as maintaining a high service level and patient safety, will also be an advantage for the industry.

This master's thesis aimed to identify the supply chain characteristics to map how they might affect demand forecasting. By utilizing sales data as input, provided by a pharmaceutical distribution company (Sykehusapotekene i Midt-Norge HF or SYA), forecasting models (WMA, ARIMA, and LSTM) were analyzed and compared. With the use of data mining (CRISP-model), predictions of future demand were made using sales together with information about hospitalized patient flow and pharmaceutical flow from various hospital departments in Trondheim. The results confirmed some of the challenges stimulated by the characteristics. Moreover, the ARIMA (statistical) model outperformed the LSTM (ML) model for the dataset but did not refute the claim that machine learning can improve pharmaceutical demand forecasting for distributors or SYA. Therefore, the thesis not only presents a discussion of recommendations to improve future solutions for SYA but also aims to assist other pharmaceutical distribution companies in exploiting the advancing field of ML for demand forecasting. Despite the challenges with data quality and somewhat unrepresentative heuristics (sample size, COVID-19, etc.), this thesis contributes by enlightening the opportunities with accurate predictions, with a main focus on multivariate machine learning models.

By using research, existing literature, and a case study, this thesis revealed the potential for improvement in demand forecasting by using ML for pharmaceutical distributors. With customized methods and data mining, the use of multiple variables could identify demand drivers and improve demand forecasting. The thesis claims that advanced ML algorithms should be exploited due to their ability to detect hidden patterns between these variables. The value of detailed data preprocessing to increase data quality, combined with data collection and data transparency, is highlighted as an essential success factor. SYA can benefit by facilitating the company in order to improve demand forecasting using ML and then capitalize on these business improvements. It enhances their preparedness towards their customers, which again could lead to improved patient service as well as patient safety. Additionally, the findings could establish a foundation to facilitate and encourage other actors in the pharmaceutical supply chain to investigate and invest in intelligent models for demand forecasting.