DEMAND FORECASTING WITH INTEGRATED TIME SERIES ANALYSIS: A CASE STUDY IN PHARMACEUTICAL SUPPLY CHAIN

Year 2022, , 597 - 610, 26.10.2022

Tuğba Sarı , Bünyamin Salih Gül

https://doi.org/10.51551/verimlilik.1091150

Cited By: 2

Abstract

Purpose: In order for the supply chain activities of a product to be carried out efficiently, the future demand for that product must be accurately forecasted. In this study, it is aimed to make a forecast for the future demand of a product by analyzing the sales data of the past periods in the pharmaceutical industry.

Methodology: Within the scope of the study, 36-month sales data of a pharmaceutical product produced in Türkiye were analyzed by ARIMA, Holt-Winters exponential smoothing and integrated artificial neural networks (ANN) models.

Findings: The results reveal that all these methods yield quite low forecasting errors. In between these three methods, the one that gives the most accurate forecasting result is the integrated ANN model.

Originality: This study differs from existing studies in terms of both the method and the data set used. It is anticipated that the study will contribute to the demand forecasting studies in the pharmaceutical industry which is limited in the literature and will provide support in supply chain management decisions due to its practical applicability. 

Keywords

Demand Forecasting, Time Series Analysis, ARIMA, Holt-Winters Exponential Smoothing, Artificial Neural Networks, Pharmaceutical Supply Chain

BÜTÜNLEŞİK ZAMAN SERİSİ ANALİZİ İLE TALEP TAHMİNİ: İLAÇ TEDARİK ZİNCİRİNDE BİR UYGULAMA

Abstract

Amaç: Bir ürünün tedarik zinciri faaliyetlerinin etkin bir şekilde planlanıp yürütülmesi, o ürünün gelecekteki talebinin isabetli bir şekilde tahmin edilmesini gerektirir. Bu kapsamda bu çalışmada, ilaç sektöründe geçmiş dönem satış verileri analiz edilerek, bir ürünün gelecekteki talebine yönelik bir tahmin yapılması hedeflenmiştir.

Yöntem: Çalışma kapsamında Türkiye’de üretilen bir ilacın 36 aylık satış verileri zaman serisi yöntemleri ile analiz edilmiştir. Yapılan analizlerde, ARIMA, Holt-Winters üstel düzeltme ve her iki yöntemin yapay sinir ağları (YSA) ile bir araya getirildiği bütünleşik YSA tahmin modelleri kullanılmıştır.

Bulgular: Çalışmanın bulgularına göre, her üç yöntemle yapılan tahminlerin düşük seviyede hata verdiği ve oldukça isabetli olduğu belirlenmiştir. Bu üç model arasında en iyi tahmin sonucunu veren yöntemin ise bütünleşik YSA modeli olduğu tespit edilmiştir.

Özgünlük: Bu çalışma literatürde kısıtlı araştırma alanı bulan ilaç talep tahmini probleminin çözümü için önerdiği bütünleşik analiz modeli ile hem yöntem hem de kullanılan veri seti itibarıyla mevcut çalışmalardan ayrışmaktadır. Çalışmanın ilaç talep tahmini literatüründeki açığın giderilmesine katkıda bulunacağı ve pratikte uygulanabilirliği sayesinde tedarik zinciri yönetimi kararlarında yöneticilere destek sağlayacağı öngörülmektedir.

Keywords

Talep Tahmini, Zaman Serileri Analizi, ARIMA, Holt- Winters Üstel Düzeltme, Yapay Sinir Ağları, Ilaç Tedarik Zinciri

References

• Ahmad, N., Nasir, F. ve Aleem, U. (2015). “Sale Forecasting of Merck Pharma Company using ARMA Model”, Research Journal of Finance and Accounting, 6(21), 30-36.
• Amalnick, M.S., Habibifar, N., Hamid, M. ve Bastan, M. (2020). “An Intelligent Algorithm for Final Product Demand Forecasting in Pharmaceutical Units”, International Journal of System Assurance Engineering and Management, 11(2), 481-493.
• Anusha, S.L., Alok, S. ve Ashiff, S. (2014). Demand Forecasting for the Indian Pharmaceutical Retail: A Case Study”, Journal of Supply Chain Management Systems, 3(2), 1-9.
• Atasever, M. (2015). “Türkiye İlaç Sektörü Analizi”, Absam Sağlık Araştırma Merkezi, Ankara, https://www.academia.edu/33533565/Turkiye_Ilac_Sectoru_Analizi, (Erişim tarihi: 01.05.2021).
• Aydemir, E., Kaysi, F. ve Yavuz, M. (2020). “İlaç Satış Verileri Kullanılarak Ağaç Algoritmaları ile Elde Edilen Gelirin Tahmin Edilmesi”, Bilgisayar Bilimleri, 5(1), 14-21.
• Bulut, M. ve Başoğlu, B. (2017). “Kısa Dönem Elektrik Talep Tahminleri Için Yapay Sinir Ağları ve Uzman Sistemler Tabanlı Hibrid Tahmin Sistemi Geliştirilmesi”, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 32(2), 1-9.
• Candan, G., Taskin, M.F. ve Yazgan, H.R. (2014). “Demand Forecasting in Pharmaceutical Industry Using Artificial Intelligence: Neuro-Fuzzy Approach”, Journal of Management and Information Science, 2(2), 41-49.
• Chase, C. (2013). “Demand-Driven Forecasting: A Structured Approach to Forecasting”, John Wiley & Sons, New Jersey, USA.
• Cheng, C.Y., Chiang, K.L. ve Chen, M.Y. (2016). “Intermittent Demand Forecasting in a Tertiary Pediatric Intensive Care Unit”, Journal of Medical Systems, 40(10), 1-12.
• Chopra, S. ve Meindl, P. (2016). “Supply Chain Management: Strategy, Planning and Operation, Pearson Publishing, New Jersey, USA.
• Durbha, D. (2016). “State of the Pharmaceutical Supply Chain: Key Takeaways from LogiPharma. 21st Century Supply Chain Blog, https://blog.kinaxis.com/2016/09/state-pharmaceutical-supply-chain-key-takeaways-logipharma-us-2016, (Erişim tarihi: 15.03.2021).
• Ercan, T. ve Top, M. (2016). “İlaç Tanıtım ve Pazarlama Faaliyetlerinin Önemi”, Cumhuriyet Üniversitesi Sağlık Bilimleri Enstitüsü Dergisi, 1(2), 1-7.
• Erman, M. (2018). “Talep Tahmini ve Envanter Yönetiminde Matematiksel Modelleme: Bir Ecza Deposuna Uygulanması”, Yüksek Lisans Tezi, Maltepe Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
• Han, Y. (2020). “A Forecasting Method of Pharmaceutical Sales Based on ARIMA-LSTM Model”, In 2020 5th International Conference on Information Science, Computer Technology and Transportation (ISCTT), November, pp. 336-339, IEEE.
• Heizer, J., Render, B. ve Munson, C. (2017). “Principles of Operations Management: Sustainability and Supply Chain Management”, Pearson Publishing, New Jersey, USA. İlaç Endüstrisi İşverenler Sendikası [İEİS], (2020). Temel Göstergeler, Türkiye İlaç Pazarı, http://www.ieis.org.tr/ieis/tr/indicators/33/turkiye-ilac-pazari, (Erişim tarihi: 10.05.2021).
• Jacobs, F.R. ve Chase, R.B. (2010). “Operations and Supply Management: The Core”, McGraw-Hill, New York, USA.
• Karakoç, H. (2005). “İlaç Sektöründe Fiyat Rekabeti”, Rekabet Kurumu, Uzmanlık Tezi, Ankara, https://www.rekabet.gov.tr/Dosya/uzmanlik-tezleri/70-pdf, (Erişim tarihi: 20.09.2021).
• Kaynak, S. (2016). “Türk Ilaç Sektörünün Rekabet Yapısı ve Yoğunlaşma Analizi”, Çankırı Karatekin Üniversitesi İİBF Dergisi, 6(2), 49-66.
• Khalil Zadeh, N., Sepehri, M.M. ve Farvaresh, H. (2014). “Intelligent Sales Prediction for Pharmaceutical Distribution Companies: A Data Mining-Based Approach”, Mathematical Problems in Engineering, 2014, 1-15.
• Khan, M.M.H., Muhammad, N.S. ve El-Shafie, A. (2020). “Wavelet Based Hybrid ANN-ARIMA Models for Meteorological Drought Forecasting”, Journal of Hydrology, 590, 125380. Khashei, M. ve Bijari, M. (2010). “An Artificial Neural Network (p, d, q) Model for Timeseries Forecasting”, Expert Systems with Applications, 37(1), 479-489.
• Krajewski, L.J., Ritzman, L.P. ve Malhotra, M.K. (2010). “Operations Management: Processes and Supply Chains”, Pearson Publishing, New Jersey, USA.
• Levry, R. (1999). The Pharmaceutical Industry: A Discussion of Competitive and Antitrust Issues in an Environment of Change, Bureau of Economics Staff Report, Federal Trade Comission, p.214. https://www.ftc.gov/reports/pharmaceutical-industry-discussion-competitive-antitrust-issues-environment-change (Erişim Tarihi: 08.06.2021).
• Merkuryeva, G., Valberga, A. ve Smirnov, A. (2019). “Demand Forecasting in Pharmaceutical Supply Chains: A Case Study”, Procedia Computer Science, 149, 3-10.
• Nasuhoğlu, H. (2019). “Eczacılık Sektöründe Yapay Sinir Ağları ve Zaman Serileri Analizi ile Talep Tahmini”, Yüksek Lisans Tezi, Maltepe Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
• Nikolopoulos, K., Buxton, S., Khammash, M. ve Stern, P. (2016). “Forecasting Branded and Generic Pharmaceuticals”, International Journal of Forecasting, 32(2), 344-357.
• Obamiro, J.K. (2019). “Demand Forecasting and Measuring Forecast Accuracy in a Pharmacy”, Acta Oeconomica Universitatis Selye, 8(1), 104-115.
• Ribeiro, A., Seruca, I. ve Durão, N. (2017). “Improving Organizational Decision Support: Detection of Outliers and Sales Prediction for a Pharmaceutical Distribution Company”, Procedia Computer Science, 121, 282-290.
• Sarıaslan, H., Karacabey, A. ve Gökgöz, F. (2017). “Nicel Karar Yöntemleri”, Siyasal Kitabevi, Ankara.
• Siddiqui, R., Azmat, M., Ahmed, S. ve Kummer, S. (2021). “A Hybrid Demand Forecasting Model for Greater Forecasting Accuracy: The Case of the Pharmaceutical Industry”, In Supply Chain Forum: An International Journal, 1-11, Taylor & Francis.
• Türkiye Ekonomi Politikaları Vakfı [TEPAV] (2015, Nisan). İlaç Ar-Ge Ekosistemi Raporu. https://www.tepav.org.tr/upload/files/1430228364-4.Ilac_ARGE_Ekosistemi_Raporu.pdf, (Erişim tarihi: 20.09.2021). Walczak, S. (2018). “Artificial Neural Networks”, In Encyclopedia of Information Science and Technology, Fourth Edition, 120-131, IGI Global.
• Zhu, X., Ninh, A., Zhao, H. ve Liu, Z. (2021). “Demand forecasting with supply‐chain information and machine learning: Evidence in the Pharmaceutical Industry”, Production and Operations Management, 30(9), 3231-3252.