Diese Website verwendet Cookies, um Ihnen ein gutes Surferlebnis zu bieten.

Dazu gehören unverzichtbare Cookies, die für den Betrieb der Website erforderlich sind, sowie andere, die nur für anonyme statistische Zwecke, für Komfort-Einstellungen oder zur Anzeige personalisierter Inhalte verwendet werden. Sie können selbst entscheiden, welche Kategorien Sie zulassen möchten. Bitte beachten Sie, dass aufgrund Ihrer Einstellungen möglicherweise nicht alle Funktionen der Website verfügbar sind.

Diese Website verwendet Cookies, um Ihnen ein gutes Surferlebnis zu bieten.

Dazu gehören unverzichtbare Cookies, die für den Betrieb der Website erforderlich sind, sowie andere, die nur für anonyme statistische Zwecke, für Komfort-Einstellungen oder zur Anzeige personalisierter Inhalte verwendet werden. Sie können selbst entscheiden, welche Kategorien Sie zulassen möchten. Bitte beachten Sie, dass aufgrund Ihrer Einstellungen möglicherweise nicht alle Funktionen der Website verfügbar sind.

Ihre Cookie-Einstellungen wurden gespeichert.
arrow_back Alle Showcases

Supply-Chain-Optimierung im Pharmahandel

Predictive Analytics reduziert Lagerhaltungskosten und steigert die Produktverfügbarkeit auf 98,5 %

category Prozessoptimierung

description Über das Projekt

Ausgangslage

Ein führender Pharmahändler verwaltete ein Netzwerk von 340 Apotheken und 5 Zentrallagern. Fehlbestände und Übervorräte verursachten jährlich Verluste von über 3,5 Mio. Euro. Die bestehende Bestandsplanung basierte auf historischen Durchschnittswerten ohne Berücksichtigung saisonaler Schwankungen oder regionaler Besonderheiten.

Unser Ansatz

Wir implementierten ein datengetriebenes Supply-Chain-Optimierungssystem mit Predictive Analytics. Machine-Learning-Modelle prognostizieren den Bedarf auf Filial- und Produktebene unter Einbeziehung von Saison, Wetter, epidemiologischen Daten und lokalen Events. Automatisierte Bestellvorschläge optimieren Lagerkosten und Verfügbarkeit simultan.

Ergebnis

Die Lagerhaltungskosten sanken um 22 %, während die Produktverfügbarkeit von 91 % auf 98,5 % stieg. Fehlbestände reduzierten sich um 78 %.

auto_awesome Highlights

  • 22 % geringere Lagerhaltungskosten
  • 98,5 % Produktverfügbarkeit (vorher 91 %)
  • 78 % weniger Fehlbestände
  • 340 Filialen mit individueller Bedarfsprognose

code Technologien & Tools

Python scikit-learn Apache Kafka Snowflake Grafana
Diese Website verwendet Cookies, um Ihnen ein gutes Surferlebnis zu bieten.

Dazu gehören unverzichtbare Cookies, die für den Betrieb der Website erforderlich sind, sowie andere, die nur für anonyme statistische Zwecke, für Komfort-Einstellungen oder zur Anzeige personalisierter Inhalte verwendet werden. Sie können selbst entscheiden, welche Kategorien Sie zulassen möchten. Bitte beachten Sie, dass aufgrund Ihrer Einstellungen möglicherweise nicht alle Funktionen der Website verfügbar sind.

Diese Website verwendet Cookies, um Ihnen ein gutes Surferlebnis zu bieten.

Dazu gehören unverzichtbare Cookies, die für den Betrieb der Website erforderlich sind, sowie andere, die nur für anonyme statistische Zwecke, für Komfort-Einstellungen oder zur Anzeige personalisierter Inhalte verwendet werden. Sie können selbst entscheiden, welche Kategorien Sie zulassen möchten. Bitte beachten Sie, dass aufgrund Ihrer Einstellungen möglicherweise nicht alle Funktionen der Website verfügbar sind.

Ihre Cookie-Einstellungen wurden gespeichert.