Healthcare supply chain optimization

Улучшение видимости для повышения устойчивости и гибкости логистической цепочки

Пандемия COVID-19 оказала беспрецедентное давление на логистические цепочки и продемонстрировала важность эффективного планирования поставок. До COVID наилучшим способом управления запасами являлся метод «точно в срок», так как он позволял организациям сократить расходы за счет уменьшения запасов в наличии. Однако пандемия показала, что этот метод, хотя и позволяет сэкономить средства, делает вас крайне уязвимыми при возникновении сбоев и чрезвычайных ситуаций. В то же время иметь слишком много запасов в наличии нежелательно, так как это не только влечет дополнительные затраты на их содержание, но и увеличивает количество отходов, поскольку многие продукты, имеющие срок годности, утилизируются до того, как могут быть использованы. В одном из недавних исследований установлено, что в среднем у 13 % складских запасов операционной срок годности истекает еще до момента использования (PDF).

Эффективное планирование логистических цепочек и управление запасами крайне важны в любой отрасли, но особое значение эти аспекты приобретают в здравоохранении, где сбои поставок могут повлиять на уход за пациентами, их безопасность и результаты лечения. Чтобы найти оптимальный подход, позволяющий избежать излишка или дефицита запасов, производителю и организации здравоохранения необходимо иметь четкое представление о логистической цепочке как сверху, так и снизу. Видимость всего процесса дает всем участникам логистической цепочки возможность использовать различных поставщиков при возникновении сбоев.

Для достижения полной видимости организации здравоохранения должны объединять данные из различных внешних и внутренних источников. Организациям, испытывающим трудности с доступом к данным, их прозрачностью и точностью, необходимо решить эти проблемы, чтобы перейти к непрерывному планированию логистических цепочек и обеспечить бесперебойную деятельность.

Оптимизация логистической цепочки путем использования всех необходимых данных

Сегодня с логистическими цепочками связано огромное количество данных, и с каждым годом объем этих данных растет экспоненциально. Проблема, с которой сталкиваются многие организации здравоохранения, заключается не в недостатке данных, а в неспособности понять их и получить доступ к данным, позволяющим сделать значимые аналитические выводы.

В этом примере мы покажем, как платформа данных Oracle для здравоохранения может упростить процесс использования передовой аналитики и машинного обучения, защищая логистическую цепочку от разрушительных событий, снижая затраты и повышая безопасность пациентов.

На этом изображении показано, как платформу данных Oracle для здравоохранения можно использовать для предоставления ценностно-ориентированного лечения с мониторингом производительности. Платформа включает в себя следующие пять основных компонентов:

1. 1. Источники данных, обнаружение
2. 2. Импорт, преобразование
3. 3. Сохранение, отбор, создание
4. 4. Анализ, обучение, прогнозирование
5. 5. Измерение, исполнение

Компонент «Источники данных, обнаружение» включает две категории данных.

1. 1. В состав бизнес-записей входят ERP, система управления складом, планирование и календарное планирование запасов и материалов, EPM.
2. 2. Техническая составляющая включает данные по управлению перевозками, данные телеметрии, журналы и источники потоков событий.

Компонент «Импорт, преобразование» содержит три ресурса.

1. 1. Массовый перенос предполагает использование OCI FastConnect, OCI Data Transfer, MFT и OCI CLI.
2. 2. Для пакетного импорта используются OCI Data Integration, Oracle Integration Cloud и Data Studio.
3. 3. Для сбора данных об изменениях используются OCI GoldenGate и Oracle Data Integrator.

Все три ресурса однонаправленно объединяются со служебным хранилищем данных и облачным хранилищем в рамках компонента «Сохранение, отбор, создание».

Компонент «Сохранение, отбор, создание» содержит пять ресурсов.

1. 1. В качестве служебного хранилища данных используются Autonomous Data Warehouse, Exadata Cloud Service и Exadata Cloud@Customer.
2. 2. В управляемом Hadoop используется Oracle Big Data Service.
3. 3. В облачном хранилище используется OCI Object Storage.
4. 4. Для пакетной обработки используется OCI Data Flow.
5. 5. Для управления используется OCI Data Catalog.

Эти ресурсы связаны в рамках компонента. Облачное хранилище однонаправленно подключено к служебному хранилищу данных и управляемому Hadoop, а также двунаправленно подключено к пакетной обработке.

Управляемый Hadoop однонаправленно подключен к служебному хранилищу данных.

Компонент «Анализ, обучение, прогнозирование» связывает два ресурса: служебное хранилище данных подключается к ресурсу аналитики и визуализации, а также к ресурсу продуктов данных и API. Облачное хранилище подключается к ресурсу машинного обучения.

Компонент «Анализ, обучение, прогнозирование» содержит три ресурса.

1. 1. Для аналитики и визуализации используются GraphStudio, Oracle Analytics Cloud и независимые поставщики ПО (ISV).
2. 2. Для продуктов данных и API используются OCI API Gateway и OCI Functions.
3. 3. В машинном обучении используются OCI Data Science, Oracle Machine Learning и ML Notebooks.

К сервисам AI Services относятся Oracle Digital Assistant, OCI Language, Speech и Vision.

Служебное хранилище данных, управляемый Hadoop и объектное хранилище поставляют метаданные в OCI Data Catalog.

Компонент «Измерение, исполнение» описывает, как анализ данных может использоваться для оптимизации логистической цепочки. Результаты разделяются на две группы.

1. 1. Первая группа «Люди и партнеры» включает в себя непрерывное совершенствование и измерение эффективности, прогнозирование спроса и планирование запасов, а также проектирование логистических цепочек и оптимизацию сетей.
2. 2. Вторая группа «Области применения» включает в себя получение уведомлений об отменах, улучшение управления пространством и запасами, а также использование ИИ/ML для совершенствования операционных процессов.

Три центральных компонента — «Импорт, преобразование», «Сохранение, отбор, создание» и «Анализ, обучение, прогнозирование» — поддерживаются инфраструктурой, сетью, средствами безопасности и продуктами IAM.

Существует три основных варианта импорта данных в архитектуру для создания гибкой, открытой и производительной платформы данных.

• Для начала необходимо сформировать общее понимание того, где находятся запасы. Для этого используется решение Oracle Cloud Infrastructure (OCI) GoldenGate, позволяющее импортировать собранные данные об изменениях путем получения из операционных БД данных о складских запасах практически в реальном времени. Эти данные охватывают все позиции, имеющиеся на складах, и бизнес-единицы, с которыми они связаны.
• Теперь можно добавить соответствующие наборы данных, такие как данные из систем ERP, систем управления складскими операциями, систем управления персоналом, информационных систем управления здравоохранением и систем управления работой предприятия, чтобы сформировать полное представление о логистической цепочке и ее состоянии. Такие наборы содержат большие объемы данных, зачастую размещенных локально, и в большинстве случаев наиболее эффективным является пакетный импорт. Для интеграции приложений (или интеграции с другими сервисами OCI) проверенным методом является решение Oracle Integration Cloud, которое делает этот процесс простым и экономически эффективным.
• Сервисы массового переноса используются в ситуациях, когда необходимо впервые перенести большие объемы данных в Oracle Cloud Infrastructure, например данные из существующих локальных аналитических репозиториев или других облачных источников. Конкретный сервис массового переноса, который будет использоваться, зависит от местонахождения данных и частоты их переноса. Например, для загрузки больших объемов локальных данных из репозиториев архивных данных планирования или репозиториев хранилищ данных может использоваться OCI Data Transfer Service или OCI Data Transfer Appliance. Если требуется постоянно перемещать большие объемы данных, рекомендуется использовать сервис OCI FastConnect, который обеспечивает высокую пропускную способность выделенного частного сетевого соединения между центром обработки данных заказчика и OCI.

Сохранение и обработка данных базируются на трех (иногда четырех) компонентах.

• Импортированные необработанные данные хранятся в облачном хранилище. Мы используем OCI Data Flow для пакетной обработки уже сохраненных данных, таких как данные ERP, данные о запасах, данные телеметрии от устройств и приложений, журналы и справочные данные о продуктах. Эти обработанные наборы данных возвращаются в облачное хранилище для дальнейшего хранения, отбора и анализа и в конечном счете для загрузки в оптимизированном виде в служебное хранилище данных. В зависимости от предпочитаемой архитектуры это может быть реализовано с помощью Oracle Big Data Service в виде управляемого кластера Hadoop.
• Теперь у нас есть обработанные наборы данных, которые готовы к хранению в оптимизированной реляционной форме для отбора и выполнения запросов в служебном хранилище данных. Это позволит быстро оценивать ряд важных ключевых показателей эффективности, таких как оборачиваемость запасов, расходы на снабжение в процентах от чистой выручки от пациентов, процент позиций с выявленными заменителями, покрытие запасов поставщиками, количество просроченных/ненужных продуктов в процентах от общего объема закупок и т. д., и это лишь несколько примеров.

Способность к анализу, обучению и прогнозированию базируется на четырех технологиях.

• Сервисы аналитики и визуализации предоставляют описательную аналитику (описывает текущие тренды посредством гистограмм и диаграмм), прогнозную аналитику (прогнозирует события, выявляет тренды и определяет вероятность неопределенных результатов) и предписывающую аналитику (предлагает подходящие действия, способствующие принятию оптимальных решений), которые могут помочь организациям здравоохранения.
  
  
  • Расчет количества продуктов с истекшим сроком годности в процентах от количества продуктов в наличии.
  • Использование цифровых двойников в логистической цепочке для безрискового анализа альтернатив.
  • Определение расходов на снабжение в процентах от чистой выручки от пациентов.
  • Определение процента позиций с выявленными заменителями.
• Наряду с расширенной аналитикой разрабатываются, обучаются и развертываются модели машинного обучения. Доступ к этим моделям можно получить через интерфейсы API, развернутые в служебном хранилище данных или встроенные в конвейер потоковой аналитики.
• При создании моделей машинного обучения можно использовать OCI Data Science, доступные сервисы OCI AI Services или их комбинацию. Ниже приведены несколько примеров сервисов OCI AI Services и их использования в качестве части ИИ/ML-конвейера логистической цепочки:
  
  
  • OCI Anomaly Detection позволяет отслеживать метрики эффективности логистической цепочки (например, запасы сырья, производительность, незавершенное производство, время в пути и оборачиваемость запасов) в режиме реального времени для выявления и устранения сбоев. В сложной логистической цепочке оценка серьезности выявленных аномалий может помочь определить приоритетность наблюдаемых сбоев в работе организации для принятия соответствующих мер.
  • OCI Forecasting позволяет спрогнозировать такие метрики логистической цепочки, как спрос, предложение и обеспеченность ресурсами для предсказания показателей и принятия соответствующих мер.
  • OCI Vision и Language помогают распознать документы, такие как отчеты о качестве исходящей продукции и отчеты о дефектах, обогащая данные логистической цепочки для анализа.
• К нашим тщательно отобранным и протестированным данным и моделям высокого качества могут применяться правила и политики управления. Эти данные и модели могут быть представлены в виде продукта данных (API) в архитектуре сети Data Mesh для распространения во всей организации здравоохранения.

Использование автоматизированных средств анализа для повышения рентабельности и безопасности пациентов

Полное представление о логистической цепочке позволит организациям здравоохранения ответить на многие вопросы, которые сегодня остаются без ответа, но для этого необходимо опираться на правильную платформу данных. Платформа должна быть гибкой и способной обрабатывать все необходимые типы данных; она должна быть открытой и предоставлять возможность легко подключаться к другим облакам, локальным центрам обработки данных и сторонним организациям. Наконец, она должна быть безопасной. Имея доступ ко всем данным, организации здравоохранения смогут решить множество задач, в том числе следующие:

• Управление рисками, связанными с поставщиками, с учетом наплыва пациентов и потенциальных разрушительных событий — глубокое знание взаимосвязей между рисками поставщиков и наплывом пациентов закладывает основу для повышения операционной эффективности всей модели функционирования бизнеса, чему способствует наличие централизованного списка квалифицированных и надежных поставщиков.
• Укрепление логистической цепочки в здравоохранении для повышения безопасности пациентов при одновременном улучшении контроля качества и снижении затрат.
• Повышение устойчивости логистической цепочки за счет более глубокого понимания поставщиков, формируемого в процессе обмена данными.
• Повышение гибкости и ускоренное принятие решений и компромиссов, связанных с планированием, корректировка и мониторинг планов по мере их изменения.