Nel settore farmaceutico una delle tematiche di maggiore attenzione è rappresentata dal forecasting, attività fondamentale per la pianificazione della produzione e l’ottimizzazione della catena di approvvigionamento. Il forecasting è centrale poiché l’effettiva disponibilità di farmaci sul mercato dipende direttamente dalla sua accuratezza, influenzando così la capacità dell’azienda di soddisfare la domanda e definire obiettivi strategici.
Un elemento cruciale di questo processo è la gerarchia delle previsioni, che consente di suddividere i dati in vari livelli di aggregazione. Questa metodologia, conosciuta anche come forecasting hierarchy, permette di analizzare i dati attraverso una struttura ad albero, dove ogni livello rappresenta un differente grado di aggregazione temporale, geografica o di prodotto. In questo contesto, ogni livello rappresenta un diverso grado di dettaglio, permettendo una visione granulare e complessiva delle previsioni.
In ambito farmaceutico, la gerarchia delle previsioni aiuta a gestire la complessità dei dati provenienti da diverse fonti come la supply chain, le vendite, e le ricerche di mercato. Questo metodo non solo facilita la collaborazione tra responsabili paese, regionali e account, ma permette anche di visualizzare i valori di previsione cumulativi a livello di account controllante, migliorando la trasparenza e l’efficienza decisionale.
Utilizzando tecniche di machine learning e strumenti avanzati di analisi, le aziende possono gestire e analizzare grandi quantità di dati storici e di scenario simulando vari eventi di mercato, migliorare la precisione delle loro previsioni, riducendo al contempo l’incertezza e ottimizzando le risorse.
Questo approccio permette di considerare variabili come la product hierarchy, la crescita della popolazione dei pazienti, innovazioni nella ricerca, prodotti concorrenti emergenti e politiche governative, garantendo previsioni più accurate e affidabili. L’adozione di modelli di series forecasting all’interno di una struttura gerarchica consente inoltre di simulare scenari futuri e di reagire tempestivamente a cambiamenti del mercato, migliorando così la capacità decisionale e la competitività delle aziende farmaceutiche.
Le tre dimensioni della previsione
Le previsioni della domanda nel settore farmaceutico si basano su tre dimensioni principali: materialità, geografia e temporalità. Queste dimensioni costituiscono la base della gerarchia delle previsioni e permettono di ottenere un quadro dettagliato e preciso della domanda futura.
- materialità: le previsioni possono essere effettuate a diversi livelli di dettaglio, come SKU, prodotto, segmento, marchio, ecc. Inoltre, possono essere misurate con diverse metriche come unità, valore, principio attivo
- geografia: è possibile prevedere la domanda in base a vari criteri geografici, come paese, regione, mercato, canale, segmento di clienti o magazzino
- temporalità: le previsioni possono essere fatte su diversi orizzonti temporali, che vanno dal giornaliero al settimanale, mensile, trimestrale o annuale
Oltre alle tre dimensioni principali, un altro aspetto cruciale è l’orizzonte di previsione, cioè quanti periodi avanti è necessario prevedere. Questo può variare notevolmente a seconda delle esigenze aziendali, da una settimana fino a due anni o più. Nel settore farmaceutico, l’orizzonte di previsione è particolarmente importante per la gestione della supply chain e la pianificazione delle risorse, poiché permette di adattarsi rapidamente ai cambiamenti del mercato e alle innovazioni nella ricerca.
Ingrandire o ridurre le previsioni
La gerarchia delle previsioni (forecasting hierarchy) è un elemento cruciale nel settore farmaceutico, dove la precisione delle previsioni può influenzare significativamente la supply chain e la disponibilità dei prodotti. Le previsioni possono essere elaborate a diversi livelli di aggregazione, come negozio, giorno e prodotto, oppure mese, paese e famiglia di prodotti.
Per ottimizzare questo processo, si possono utilizzare tre tecniche principali:
- bottom-up: le previsioni aggregate sono create sommando i livelli granulari a valle. Ad esempio, sommare le previsioni di ciascun magazzino in un paese per ottenere una previsione a livello nazionale
- top-down: le previsioni dettagliate sono create disaggregando previsioni di alto livello utilizzando regole semplici o medie ponderate storiche. Ad esempio, si può trasformare una previsione mensile in una giornaliera utilizzando una suddivisione piatta o basandosi sui ricavi storici dei punti retail
- middle-out: Questa tecnica intermedia permette di utilizzare una singola previsione per generare una visione più aggregata e una versione dettagliata. Ad esempio, partendo da una previsione per paese, si può sommarla per regione geografica e distribuirla per punto retail
L’adozione di modelli di previsione gerarchica nel settore farmaceutico non solo migliora la precisione delle previsioni, ma permette anche una gestione più efficiente delle risorse e una migliore risposta alle dinamiche di mercato. Utilizzando algoritmi di machine learning e piattaforme avanzate (per esempio le soluzioni di intelligenza artificiale per il settore farmaceutico di Profiter), le aziende possono analizzare series forecasting e simulare scenari complessi, garantendo così una maggiore reattività e adattabilità.
