پیش بینی فروش محصول در صنعت داروسازی ایران با استفاده از هوش مصنوعی
محورهای موضوعی : مدیریت بازاریابی
ایدین مهبان
1
,
کریم حمدی
2
*
,
پیمان غفاری
3
1 - گروه مدیریت بازرگانی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 - استاد، گروه مدیریت بازرگانی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
3 - دانشیار، مدیریت بازرگانی، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران
کلید واژه: پیش بینی فروش, پیش بینی تقاضا, محصولات دارویی, تامین کننده, توزیع کننده, صنعت داروسازی. ,
چکیده مقاله :
این پژوهش به پیش‌بینی فروش محصولات دارویی در صنعت داروسازی ایران با استفاده از هوش مصنوعی می‌پردازد. با تحلیل داده‌های فروش شرکت‌های تأمین‌کننده و توزیع‌کنننده، این تحقیق از روش‌شناسی کمی و جهت‌گیری کاربردی بهره می‌برد. داده‌ها به دقت جمع‌آوری و برای بررسی روابط و وابستگی‌ها بین مناطق درمانی و شرکت‌های توزیع‌کننده و تامین کننده تحلیل شده‌اند. هدف از این تحلیل‌ها شناسایی توزیع‌کنندگان فعال در هر ناحیه درمانی و بررسی تأثیر این فعالیت‌ها بر موفقیت در فروش محصولات دارویی است. ماتریس‌های همبستگی برای درک وابستگی‌ها بین توزیع‌کنندگان و تأمین‌کنندگان به کار گرفته شده تا به مدیریت بهتر موجودی و بهینه‌سازی فروش کمک کند. مدل‌های پیش‌بینی با استفاده از الگوریتم‌های هوش مصنوعی نظیر رگرسیون و شبکه‌های عصبی، ترندهای فروش، نرخ رشد ماهانه و سهم بازار را با دقت پیش‌بینی کرده‌اند. این تحقیق بر اهمیت پیش‌بینی دقیق فروش برای تصمیم‌گیری‌های استراتژیک، بهینه‌سازی تخصیص منابع و بهبود مدیریت زنجیره تأمین در صنعت داروسازی ایران تأکید دارد.
This research deals with the forecasting of pharmaceutical product sales in the Iranian pharmaceutical industry using artificial intelligence. This research is an applied study conducted with a quantitative approach. The data were carefully collected and analyzed to examine the relationships and dependencies between therapeutic areas and the distributing and supplying companies. The purpose of these analyses is to identify the active distributors in each therapeutic area and to examine the impact of these activities on the success of pharmaceutical product sales. Correlation matrices are used to understand the dependencies between distributors and suppliers to help better manage inventory and optimize sales. Python software has been used in this research as the main tool for data analysis and product sales forecasting in the Iranian pharmaceutical industry. Forecasting models using artificial intelligence algorithms such as regression and neural networks have accurately predicted sales trends, monthly growth rates, and market share. This research emphasizes the importance of accurate sales forecasting for strategic decision-making, optimizing resource allocation, and improving supply chain management in the Iranian pharmaceutical industry. Based on the results obtained, the level of fluctuations in pharmaceutical product sales was identified and the percentage of distribution companies' dependence on the top five suppliers was determined. In addition, an index was defined for the degree to which the distribution company's sales growth was aligned with industry growth.
Albayrak Ünal, Ö., Erkayman, B., & Usanmaz, B. (2023). Applications of artificial intelligence in inventory management: A systematic review of the literature. Archives of Computational Methods in Engineering, 30(4), 2605-2625. https://doi.org/10.1007/s11831-022-09879-5
Alnamrouti, A., Rjoub, H., & Ozgit, H. (2022). Do strategic human resources and artificial intelligence help to make organisations more sustainable? evidence from non-governmental organisations. Sustainability, 14(12), 7327. https://doi.org/10.1007/s13198-019-00879-6
Amalnick, M. S., Habibifar, N., Hamid, M., & Bastan, M. (2020). An intelligent algorithm for final product demand forecasting in pharmaceutical units. International Journal of System Assurance Engineering and Management, 11, 481-493.
Doi:10.1002/9781119865728.ch10
Bhattamisra, S. K., Banerjee, P., Gupta, P., Mayuren, J., Patra, S., & Candasamy, M. (2023). Artificial Intelligence in Pharmaceutical and Healthcare Research. Big Data and Cognitive Computing, 7(1), 10. https://doi.org/10.3390/bdcc7010010
Biswas, B., Sanyal, M. K., & Mukherjee, T. (2023). AI-Based Sales Forecasting Model for Digital Marketing. International Journal of E-Business Research (IJEBR), 19(1), 1-14. DOI: 10.4018/IJEBR.317888
Dutta, S. R., Das, S., & Chatterjee, P. (2022, April). Smart Sales Prediction of Pharmaceutical Products. In 2022 8th International Conference on Smart Structures and Systems (ICSSS) (pp. 1-6). IEEE. DOI: 10.1109/ICSSS54381.2022.9782271
Fourkiotis, K. P., & Tsadiras, A. (2024). Applying Machine Learning and Statistical Forecasting Methods for Enhancing Pharmaceutical Sales Predictions. Forecasting, 6(1), 170-186. https://doi.org/10.3390/forecast6010010
Koshechkin, K. A., Lebedev, G. S., Fartushnyi, E. N., & Orlov, Y. L. (2022). Holistic approach for artificial intelligence implementation in pharmaceutical products lifecycle: a meta-analysis. Applied Sciences, 12(16), 8373. https://doi.org/10.3390/app12168373
Li, D., Li, X., Gu, F., Pan, Z., Chen, D., & Madden, A. (2023). A Universality–Distinction Mechanism-Based Multi-Step Sales Forecasting for Sales Prediction and Inventory Optimization. Systems, 11(6), 311. https://doi.org/10.3390/systems11060311
Manna, A., Kolpe, K., Mhalungekar, A., Pattewar, S., Kaloge, P., & Patil, R. (2023, May). Comparative Study of Various Machine Learning Algorithms for Pharmaceutical Drug Sales Prediction. In 2023 International Conference on Signal Processing, Computation, Electronics, Power and Telecommunication (IConSCEPT) (pp. 1-6). IEEE. DOI: 10.1109/IConSCEPT57958.2023.10169964
Mbonyinshuti, F., Nkurunziza, J., Niyobuhungiro, J., & Kayitare, E. (2021). The prediction of essential medicines demand: a machine learning approach using consumption data in Rwanda. Processes, 10(1), 26.https://doi.org/10.3390/pr10010026
Mhlanga, D. (2023). Artificial intelligence and machine learning for energy consumption and production in emerging markets: a review. Energies, 16(2), 745. https://doi.org/10.3390/en16020745
Patil, R. S., Kulkarni, S. B., & Gaikwad, V. L. (2023). Artificial intelligence in pharmaceutical regulatory affairs. Drug Discovery Today, 103700. https://doi.org/10.1016/j.drudis.2023.103700
Rathipriya, R., Abdul Rahman, A. A., Dhamodharavadhani, S., Meero, A., & Yoganandan, G. (2023). Demand forecasting model for time-series pharmaceutical data using shallow and deep neural network model. Neural Computing and Applications, 35(2), 1945-1957. https://doi.org/10.1007/s00521-022-07889-9
Rohaan, D., Topan, E., & Groothuis-Oudshoorn, C. G. (2022). Using supervised machine learning for B2B sales forecasting: A case study of spare parts sales forecasting at an after-sales service provider. Expert systems with applications, 188, 115925. https://doi.org/10.1016/j.eswa.2021.115925
Sarkar, C., Das, B., Rawat, V. S., Wahlang, J. B., Nongpiur, A., Tiewsoh, I., ... & Sony, H. T. (2023). Artificial intelligence and machine learning technology driven modern drug discovery and development. International Journal of Molecular Sciences, 24(3), 2026. https://doi.org/10.3390/ijms24032026
Sharma, D., Patel, P., & Shah, M. (2023). A comprehensive study on Industry 4.0 in the pharmaceutical industry for sustainable development. Environmental Science and Pollution Research, 1-11. https://doi.org/10.1007/s11356-023-26856-y
Tolosşi-Halacheva, L. M., Andreev, R., Shcherbakov, O., & Nevo, E. (2024, May). Challenges in Modeling Drug Shortage Events in the Pharmaceutical Domain. In 2024 IEEE 40th International Conference on Data Engineering Workshops (ICDEW) (pp. 140-143). IEEE. DOI: 10.1109/ICDEW61823.2024.00024
Zhang, C., Tian, Y. X., & Fan, Z. P. (2022). Forecasting sales using online review and search engine data: A method based on PCA–DSFOA–BPNN. International Journal of Forecasting, 38(3), 1005-1024. https://doi.org/10.1016/j.ijforecast.2021.07.010