新浪新闻客户端

医疗器械供应链大变革,智能决策如何撬开新的增长点?

医疗器械供应链大变革,智能决策如何撬开新的增长点?
2022年10月12日 10:19

  沿着旧地图,找不到新大陆,对于处在医改阵痛中的医疗器械厂商来说,数字化变革已经迫在眉睫。随着两票制和集采带量政策推进,医疗器械供应链走向扁平化,高值医疗器械价格纷纷“跳水”,传统业务模式瓦解,经销渠道缩短,器械产品利润收窄,医疗器械行业正重新洗牌,医疗器械企业面临巨大压力。

  带量采购: 即医药产品集中采购(Volume-based Procurement,VBP),是在招标公告中会公示所需采购量,投标过程中除了要考虑价格,还要考虑能否承担起相应生产能量。

  两票制: 是指医药产品从生产企业卖到一级经销商开一次发票,经销商卖到医院再开一次发票,以“两票”替代目前常见的七票、八票,减少流通环节。

  由于利润被削薄,企业一方面需要通过降低成本“曲线增收”,另一方面需要更大的市场来填补收益,但带量采购后,医疗器械厂商除了要考虑成本,还要考虑产量能否满足医院需求,这种压力主要都给到了供应链。长期以来,国内医疗器械行业的运营管理相对粗放,厂商对器械流通中的很多问题看不清、摸不透,全球性医疗器械厂商对国内市场更是长期处于“远程调控”模式,供应链数字化转型困难重重。

  从需求、供应、履约到生产,每一个环节都亟需提升,各个环节又互相关联,应该从哪里入手?在近期举办的医疗器械供应链重塑与数字化建设研讨会上,杉数科技解决方案副总裁苏广俊指出,医疗器械供应链数字化的关键在于数据驱动的决策升级,智能决策将推动供应链模式变革,模式变革则能带来价值增长,其中需求预测是第一步,而且是最重要的一步。

  智能需求预测,打开数智化转型的第一道关口

  供应链管理的起点是需求预测,如果需求预测不准确,可能带来一系列“蝴蝶效应”,比如补货不及时、库存不足或积压、生产计划跟不上市场需求等等。所谓知己知彼百战不殆,要想打破转型屏障,企业必须了解第一手的市场需求,需求计划升级可以说是第一道关口

  传统模式下,医疗器械从生产厂商流通到医院,中间有多层经销商,生产厂商无法逐层管理,只能粗略地了解对一级经销商的出货量,运营管理非常被动。企业在做需求计划时,主要依靠人工统计,一般会根据历史销量数据、结合财务和市场情况来确定对一级经销商的出货计划,无法从市场需求端进行预测,得到的需求计划是片面和滞后的。而且,由于很多因素无法量化,导致预测准确率较低,通常只能预测到全国层面的数据

  医疗器械的市场需求量和病种、区域、历史销量、产品比率等内外部因素息息相关,传统的数字化技术很难将所有因素进行全盘考虑。针对需求预测难题,以杉数科技提供的智能需求计划平台为例,可以利用智能算法和机器学习技术综合考虑多影响因子,预测不同产品不同层级的医院需求量,再结合库存策略推导转换对经销商的出货量,可以有效提升预测准确度和精细化程度。

  比如,疫情近年来对医疗器械销量的影响较大,而疫情的爆发完全没有规律可循,如何在不确定的情况下得到更精准的需求计划?这在此前是没有经验可以借鉴的,通过对各种疫情相关情况进行调研分析,以智能决策技术打造的智能化的疫情模型,可以将疫情影响因子加入到整体预测模型中,并根据实际疫情情况进行调整,得到更符合实际的预测结果。

  借助更精准的预测结果,医疗器械厂商就可以化被动为主动,灵活管控经销商,实现更加合理地资源分配和运营调控。同时,也能够有效地指导生产、库存和运输等计划,可以说打通了医疗器械供应链管理的“任督二脉”。

  多部门联动计划,更透明更协同更敏捷

  和传统方式相比,基于智能决策技术的需求预测融入了人工智能和机器学习等技术,打破了人工和传统数字化系统的诸多限制,进一步释放了数据的价值,为企业灵活应对当前变局、进行全面的数智化升级打下了良好的基础。以杉数科技为代表的智能决策企业所提供智能需求计划方案,可以帮助企业从以下五个方面进行突破和升级。

  从人工预测到智能预测: 根据企业的营销模式和业务状况,利用智能算法、模型及求解器进行预测和优化,代替传统人工预测模式,把疫情、政策等诸多人工无法考量的因素进行量化计算和分析,可以从全局角度实现综合最优,预测准确性上升到新的台阶。

  从粗放式到精细化: 打破标准化系统的粗放模式,在建模时将常规品、长尾品、高波动品、季节性商品、特殊性商品等进行分类建立特征库,根据产品特征选择最有效的预测模型,按SKU输出区域、省份、城市、医院等多层级年/月度计划等不同颗粒度的预测结果,实现不同层级、不同维度的数据预测,有效提高预测的准确度,也让企业能够由点到面地了解市场需求,有针对性地进行洞察和优化。

  从“黑盒”到可解释: 白盒化预测模型兼顾预测准确性和可解释性,最终输出并不止于“预测”结果,还能通过智能算法对预测数据进行解释性分析,量化各因素对预测值的贡献,挖掘影响销量的关键因子,以支撑业务分析、调整,帮助企业进一步优化预测模型,同时企业能够根据分析结果针对性优化业务环节,以提升运营管理效率和效果。

  从分散到协同计划: 结合自下而上的销售预测提报与自上而下的公司市场计划,建立市场、财务、采购等协同操作的计划流程和机制,打破不同部门和供应链环节间的信息壁垒,解决了各部门计划不一致的情况,实现了需求驱动的一致性协同计划。

  从低效率到高敏捷: 基于全局协同机制,企业遇到紧急情况时,可以自主调整相关参数和输入,快速得到最新的计划方案。比如,真实销量可实时更新至AI预测引擎,预测引擎自动输出最终销量变化,自动迭代调整下一期需求预测模型参数,不需要再经过人工层层统计和协商。更敏捷的响应,可以降低不确定性及最小化计划冲突,降低突发事件的负面影响。

  不难看出,需求计划能力升级带动的是运营模式的改变,基于更灵活敏捷的供应链能力和模式,企业在面对机遇和挑战时就可以更加有的放矢。而当前对于企业而言,最大的挑战之一是集采产品的计划和决策问题,以下我们从集采产品的具体场景出发来分析解决路径。

  AI预测模型:助力VBP产品决策价值最大化

  集采产品的计划决策比常规产品复杂,对整个供应链的影响也更明显。因为集采政策是逐步推进的,企业将长期处于VBP产品和常规产品并行的状态,在模式转换的过程中,如何平衡不同产品的生产供应非常重要,中标与未中标是“0”和“超大量”订单之间的巨大差异,关系到企业的产品定位、营销方向、生产规划等战略性问题 。例如,假设某VBP产品中标,企业将投入大量成本和资源来生产该产品,可能就会影响其他常规产品的生产。

  在实际运营过程中,企业不仅要在中标前考虑产能、供应链水平,中标后还需要考虑如何以最低成本、最大效率来履约订单。智能决策帮助企业更好的做到“削峰填谷”,在满足多个约束的条件下,帮助企业做出经济效益最优的决策 。针对VBP产品,杉数科技已经能够提供立足全局综合考虑各个因素的解决方案,以经济效益最优为目标,根据企业需求在中标前和中标后分阶段进行预测。

  在中标前,首先要考虑的是财务收益,即能否给企业带来利润;其次要考虑生产量、库存、运输等供应链能力能否满足需求。智能决策方案可以综合考虑采购量、降价比例、采购周期、中标概率等政策因素,以及产品、价格、库存等产品因素,并围绕财务收益和供应链瓶颈问题建立仿真模型,VBP作为一个增量加入到需求计划中,通过多种模拟对比,最后生成需求计划辅助企业决策是否要竞标、以及用什么样的成本来竞标

  中标后的解决思路是,根据当前VBP目标产品及其对应的产品替代绑定关系,在积累一定数据后,分析由产品间的关系带来的额外销量影响,再将这种影响加入到预测模型中 。具体实施过程中,先参考相似品在其他省市的需求趋势,由产品部、销售与供应链需求计划部门协同做出需求计划,持续监控月度偏离情况并进行人工调整,根据人工记录和反馈,得到偏离的原因,然后再切换VBP产品至常规产品,并综合考虑中标后的分配量、以往产品在该省市多种影响因素,同时会在模型中加大对近期趋势的学习权重,以提高预测准确度。

  除了集采政策影响,未来医疗器械企业还将面临更多不确定性问题的考验,领先的智能决策技术企业已经更进一步,可以根据不同的业务情况进行定制化调整和升级,为企业了解市场需求、提升供应链能力带来更多元化的应对策略。

  在医疗器械整个供应链智能化转型过程中,智能需求预测虽然只是一个支点,但基于这个支点带来的改变却是巨大的,它能够让企业运营管理更具效率和柔性,带动生产、库存、物流等多个场景实现效率和效果提升 。就智能决策技术而言,除了需求预测,其在库存优化、物流优化、生产排程等多个场景都表现出色,医疗器械厂商如果能够将智能决策技术应用到更多相关场景中,叠加作用给企业供应链带来的改变将更加可期。

  (来源:新视线)

责任编辑:曹蕊

举报邮箱:jubao@vip.sina.com

Copyright © 1996-2022 SINA Corporation

All Rights Reserved 新浪公司 版权所有