| dc.description.abstract | Etterspørselen etter helsetjenester i Norge øker på grunn av demografiske endringer, inkludert en voksende og aldrende befolkning. Denne økningen i etterspørsel forventes å føre til høyere helseutgifter og øke presset på norsk økonomi. For å takle disse utfordringene, ønsker den norske regjeringen å utnytte digital transformasjon og stordata (Big Data) for å forbedre effektiviteten i offentlig sektor og helseindustrien. Kommunale ledere og fagfolk innen ITbransjen mener at bruk av maskinlæring og andre teknologiske løsninger kan bidra til å effektivisere oppgaver og forbedre kvaliteten på prosesser i helsesektoren. Imidlertid har mange kommuner ennå ikke startet implementeringen av IT-prosjekter som involverer maskinlæring. Generelt sett har det blitt rapportert at IT-investeringer forbedrer prosesskvalitet og effektivitet i offentlig sektor, men det er fortsatt rom for forbedring ved bruk av dataanalyse. Med bakgrunn i dette var målet med denne oppgaven å "Bidra til den nåværende litteraturen ved å undersøke effektene av å implementere etterspørselsprognoser og dynamisk bestillingspunkt for Logistikksenteret Helse Midt-Norge". Følgende forskningsspørsmål ble introdusert for å veilede studien:
RQ1: Hva er "State-Of-The-Art" for etterspørselsprognoser innen lagerstyring?
RQ2: Hvordan kan lageret klassifiseres?
RQ3: Hvordan kan den nåværende faste bestillingspunktet forbedres ved bruk av dynamisk bestillingspunkt?
RQ4: Hva er virkningen av å implementere avanserte prognosemetoder for det dynamiske bestillingspunktet?
Forskningsmetodikken i denne studien benyttet ulike metoder, inkludert en systematisk gjennomgang av litteratur, et empirisk case-studie, dataanalyse og simulering. Den systematiske gjennomgangen av litteratur ble brukt for å undersøke og svare på det første forskningspørsmålet. Resterende forskiningspørsmål (RQ2, RQ3 og RQ4) ble besvart gjennom en empirisk case-studie. I det empiriske case-studiet benyttet det andre forskningsspørsmålet dataanalyse, mens det tredje og fjerde forskningsspørsmålet ble besvart ved hjelp av simulering. Resultatene viser at ved å kategorisere varene til Logistikksenteret Helse Midt-Norge basert på etterspørselens variabilitet, kan verdifulle innsikter oppnås for å forbedre lagerstyringsoperasjoner. Implementeringen av dynamiske bestillingspunkter viser seg å være svært effektivt for å redusere gjennomsnittlig lagerbeholdning samtidig som en høy servicenivå opprettholdes, noe som resulterer i en imponerende 42% reduksjon i lagerbeholdning og et servicenivået på 98,9%. Imidlertid ble det observert at implementering av avanserte prognosemetoder for de dynamiske bestillingspunktene ikke nødvendigvis presterer bedre enn grunnleggende etterspørselsprognosemetoder når det gjelder gjennomsnittlig lagerbeholdning og servicenivå. Dette understreker viktigheten av å vurdere avveiningen mellom kompleksitet og ytelse ved valg av prognosemetoder for de dynamiske bestillingspunktene. | |
| dc.description.abstract | The demand for health care in Norway is increasing due to demographic changes, including a growing and aging population. This increase in demand is expected to result in higher healthcare spending and increase the pressure on the Norwegian economy. To address these challenges, the Norwegian government is seeking to utilize digital transformation and big data to improve the efficiency of the public sector, including the healthcare industry. Municipal executives and IT professionals believe that the use of machine learning and other technological solutions can help streamline tasks and improve the quality of processes in the healthcare sector. However, many municipalities have not yet begun implementing IT projects that involve machine learning. In general, IT investments have been reported to improve process quality and efficiency in the public sector, but there is still room for improvement using data analytics. In light of the background, the objective of this study was to "Make a contribution to the current literature by investigating the effects of implementing demand forecasting and a dynamic reorder point policy for Logistics Center Helse Midt-Norge". The following research questions were introduced to guide the study:
RQ1: What is the state-of-the-art within demand forecasting for inventory management?
RQ2: How can the inventory be classified?
RQ3: How can the AS-IS fixed reorder point be improved through a dynamic reorder point?
RQ4: What is the impact of implementing advanced forecasting methods for the dynamic reorder point?
The research methodology in this study integrated various methods, including a systematic literature review, an empirical case study, data analysis, and simulation. The systematic literature review is employed to investigate and address RQ1. On the other hand, RQ2, RQ3, and RQ4 were addressed through an empirical case study. Within the case study, RQ2 utilized data analysis, while RQ3 and RQ4 were addressed using simulation methods. The results show that by categorizing Stock Keeping Unit (SKU) based on demand variability, valuable insights can be gained to enhance inventory management operations. The implementation of dynamic reorder point policies proves to be highly effective in reducing average inventory while maintaining a high service level, resulting in an impressive 42% inventory reduction while ensuring a service level of 98.9%. However, it was observed that implementing advanced forecasting methods for the dynamic reorder point policy does not necessarily outperform basic demand forecasting models in terms of average inventory and service level. This underscores the importance of considering the trade-off between complexity and performance when selecting forecasting methods for the dynamic reorder point policy. | |
