Kecerdasan Buatan dalam Manajemen Stok, Kedaluwarsa dan Pasokan

Keuntungan:

• Kemampuan untuk menganalisis tingkat stok, pelacakan kadaluarsa dan perencanaan pesanan dengan kecerdasan buatan dan menghasilkan rancangan keputusan
• Kemampuan untuk memverifikasi perkiraan permintaan dan peringatan kedaluwarsa yang dihasilkan oleh kecerdasan buatan dengan data stok nyata dan aturan rantai dingin
• Memahami bahwa tanggung jawab utama terletak pada apoteker dalam penelusuran obat (ITS), rantai dingin, dan proses pengembalian/pembuangan.

Terdapat ratusan, bahkan ribuan, produk berbeda di rak apotek, dan masing-masing memiliki harga, tanggal kadaluarsa (expired date), dan pola permintaan. Memiliki produk yang tepat dalam jumlah yang tepat; Ini tentang mencapai keseimbangan antara tidak meninggalkan pasien dengan tangan kosong dan tidak menghabiskan uang untuk membeli obat kadaluarsa. Kecerdasan buatan adalah bantuan analisis dan perencanaan yang kuat dalam keseimbangan ini: kecerdasan buatan mengekstrak pola permintaan dari data penjualan historis, menyoroti produk yang mendekati masa kadaluwarsa, dan menyarankan rancangan pesanan. Namun saran-saran ini hanyalah tebakan kasar; Hal ini tidak dapat diterapkan tanpa verifikasi dengan stok aktual, peraturan rantai dingin, peraturan perundang-undangan dan pengetahuan apoteker di lapangan. Dalam unit ini, Anda akan mempelajari cara menjadikan kecerdasan buatan sebagai alat pendukung keputusan yang aman dalam manajemen stok, usang, dan pasokan.

Tiga sumbu manajemen stok

Manajemen inventaris adalah keseimbangan dari tiga masalah:

• Ketersediaan: Apakah obat yang dibutuhkan pasien ada di rak? Menjualnya akan merusak kepuasan dan kepercayaan pasien.
• Modal: Setiap kotak di rak diikat dengan uang. Persediaan yang berlebihan mengganggu arus kas.
• Tanggal kadaluarsa: Obat kadaluarsa dimusnahkan; Hal ini merupakan kerugian langsung dan sangat penting bagi keselamatan pasien.

Kecerdasan buatan dapat menganalisis ketiga sumbu ini bersama-sama dan menghasilkan rancangan jawaban atas pertanyaan seperti “produk mana yang harus dipesan dan berapa jumlahnya, produk mana yang berisiko menjadi usang?” Namun setiap jawaban harus diuji berdasarkan inventarisasi aktual dan pengetahuan lapangan.

Perhatian: Kecerdasan buatan memprediksi permintaan di masa depan dengan melihat data historis; namun epidemi yang tidak terduga, krisis pasokan, perubahan peraturan, atau peristiwa lokal mengganggu perkiraan tersebut. Perkiraan permintaan bukanlah suatu rekomendasi atau ramalan; diimbangi dengan penilaian apoteker.

Manajemen Miad dan FEFO

Aturan emas manajemen kadaluwarsa adalah FEFO (First Expiry, First Out). Dengan kata lain, produk yang paling dekat dengan tanggal kadaluwarsanya di rak sebaiknya dijual terlebih dahulu. Jika kecerdasan buatan diisi dengan data stok:

• Mencantumkan produk yang tanggal kedaluwarsanya mendekati ambang batas tertentu (misalnya 3 bulan).
• Ini menandai item yang berputar lambat dan berisiko kedaluwarsa.
• Merekomendasikan produk kandidat untuk dikembalikan atau dipromosikan.

Namun sebenarnya keputusan pemusnahan/pengembalian, pengendalian fisik produk, kepatuhan rantai dingin dan proses pengembalian sesuai peraturan perundang-undangan merupakan tanggung jawab apoteker.

Rantai dingin dan ketertelusuran

Beberapa obat (vaksin, insulin, obat biologis) harus disimpan dalam kisaran suhu tertentu; Ini disebut rantai dingin. Begitu rantainya putus, obatnya mungkin kehilangan efeknya, dan ini merupakan bahaya yang tidak terlihat. Selain itu, di Türkiye, obat-obatan dipantau melalui kode QR dengan ITS (Drug Tracking System); Penjualan, pengembalian dan pemusnahan setiap kotak dicatat. AI dapat menghasilkan pengingat dan menyusun dokumentasi dalam proses ini; Namun, kontrol pencatatan suhu, transaksi kode QR, dan notifikasi resmi berada di bawah kendali manusia.

tiga kasus mini

Kasus 1 — Pembersihan jangka panjang. Sebuah apotek ingin mengidentifikasi 40 pena yang akan kedaluwarsa dalam waktu 3 bulan. Apoteker memberikan daftar stok (tanpa informasi harga dan pasien) kepada kecerdasan buatan; Kecerdasan buatan mengurutkannya berdasarkan kematangan dan menandai mereka yang kembali dengan lambat. Apoteker membandingkan daftar tersebut dengan rak fisik, melihat bahwa beberapa item telah terjual, dan membuat rencana pengembalian/kampanye untuk 32 item yang sebenarnya. Kecerdasan buatan mengurangi jam penyortiran menjadi beberapa menit; Apoteker membuat keputusan.

Kasus 2 — Permintaan musiman. Sebelum musim dingin, apotek membuat rencana pemesanan produk dingin. Kecerdasan buatan menghasilkan perkiraan dari penjualan tahun-tahun sebelumnya. Apoteker menyesuaikan perkiraan ini dengan gelombang awal flu di wilayah tersebut pada tahun itu dan ketersediaan stok pemasok; Ini melebihi perkiraan sebesar 20%. AI memberikan titik awal; Angka terakhir dibentuk oleh pengetahuan lapangan.

Kasus 3 — Dokumentasi rantai dingin. Jika terjadi kerusakan pada lemari es, kisaran suhu terlampaui untuk sementara waktu. Apoteker meminta AI untuk mencatat kejadian dan rancangan daftar periksa evaluasi produk yang relevan. Kecerdasan buatan mencantumkan informasi apa yang harus dicatat. Apoteker mengevaluasi kegunaan produk sesuai dengan prosedur pemutusan rantai dingin dari produsen/peraturan dan membuat pemberitahuan yang diperlukan. AI telah mempercepat dokumentasi; Keputusan itu dibuat dengan sepengetahuan undang-undang dan pabrikan.

Analisis stok dan kadaluarsa langkah demi langkah

1. Siapkan data secara anonim dan akurat. Produk, kuantitas, tanggal kedaluwarsa, tingkat penjualan (tanpa informasi pasien/rahasia).
2. Permintaan analisis. Kecerdasan buatan menghilangkan risiko keusangan, perputaran barang yang lambat, dan rancangan pesanan.
3. Bandingkan dengan stok sebenarnya. Verifikasi dengan hitungan fisik dan data sistem.
4. Perbaiki dengan konteks lapangan. Tambahkan epidemi, pasokan, peraturan, dan pengetahuan lokal.
5. Terapkan rantai dingin/aturan ITS. Melaksanakan proses pengembalian, pemusnahan dan penyimpanan sesuai dengan peraturan perundang-undangan.
6. Simpan keputusannya. Pastikan alasan pemesanan dan pembuangan dapat ditelusuri.

Perintah lemah / Perintah kuat

Lemah: "Apa yang harus saya pesan?"

Kuat: "Analisis data inventaris berikut (produk, jumlah yang tersedia, penjualan bulanan selama 6 bulan terakhir, tanggal kedaluwarsa). Ekstrak: 1) item yang akan kedaluwarsa dalam 3 bulan dan tidak akan diisi ulang berdasarkan kecepatan penjualan, 2) rekomendasi pemesanan ulang (dengan kecepatan saat ini + logika stok pengaman), 3) item yang perputarannya lambat. Sajikan proposal sebagai draf; nyatakan bahwa proposal tersebut akan diverifikasi berdasarkan jumlah inventaris aktual dan status pasokan. Jangan mengomentari harga/keuntungan."

Dalam prompt yang kuat, struktur data, keluaran yang diinginkan, dan batas validasi sudah jelas.

Empat templat yang dapat disalin

Tugas: Analisis risiko jangka (DRAFT).Masukan: | Produk | Kuantitas | Penjualan bulanan | Kedaluwarsa |Keluaran: Cantumkan item yang akan kedaluwarsa dalam [X] bulan dan tidak akan kedaluwarsa sesuai dengan tingkat penjualannya; Tampilkan perkiraan "waktu leleh". Ini akan diverifikasi dengan rak sebenarnya.

Tugas: Menyusun ulang rekomendasi.Masukan: produk, stok saat ini, rata-rata penjualan bulanan, waktu tunggu (hari).Hitung: stok aman + permintaan waktu tunggu → jumlah pesanan yang disarankan.Tunjukkan langkah-langkah. Status persediaan dan musiman akan ditambahkan oleh apoteker.

Tugas: Laporan produk perputaran lambat. Masukan: riwayat penjualan. Output: barang yang terjual kurang dari [Y] unit dalam [X] bulan terakhir; tandai untuk pengembalian/kampanye/kesesuaian rak. Keputusan ada di tangan apoteker.

Tugas: Draf catatan insiden rantai dingin.Insiden: [tanggal, durasi, kisaran suhu, produk yang terpengaruh].Output: informasi yang akan dicatat + daftar periksa penilaian.Ketersediaan produk HARUS DIPUTUSKAN oleh produsen/prosedur peraturan; AI tidak membuat keputusan.

Tabel tanggung jawab keputusan inventaris

Pencarian

kecerdasan buatan

Apoteker

Sortir kadaluwarsa

daftar cepat

konfirmasi fisik

Perkiraan permintaan

Draf sejarah

Koreksi lapangan/musim

Kuantitas pesanan

Rekomendasi akun

Keputusan persediaan/uang tunai

Penilaian rantai dingin

Dokumentasi

Keputusan ketersediaan

İTS/pengembalian/penghancuran

daftar periksa

Tindakan dan tanggung jawab resmi

Kesalahan umum

• Salah mengira prediksi sebagai ramalan. Perkiraan permintaan harus dikoreksi dengan informasi lapangan.
• Melewatkan hitungan fisik. Data sistem dan rak mungkin berbeda; Rak sangat penting dalam penentuan jangka waktu.
• Menyerahkan keputusan rantai dingin pada kecerdasan buatan. Ketersediaan diberikan oleh produsen/prosedur peraturan.
• Santai proses ITS/pengembaliannya. Kode QR dan transaksi resmi harus dicatat dan dilakukan sesuai aturan.
• Mengunggah data rahasia/komersial tanpa kendali. Informasi bisnis yang sabar dan sensitif harus dilindungi.

Singkatnya

Kecerdasan buatan adalah alat analisis dan perencanaan yang ampuh dalam manajemen stok, kedaluwarsa, dan pasokan; Hal ini menyoroti risiko-risiko yang sudah ketinggalan zaman, menghasilkan perkiraan permintaan dan rancangan pesanan, serta mempercepat dokumentasi. Namun setiap proposal adalah rancangan; Penghitungan stok yang sebenarnya tidak dapat dilaksanakan tanpa verifikasi berdasarkan aturan rantai dingin, ITS, dan peraturan perundang-undangan. Perkiraan permintaan adalah titik awal yang diimbangi dengan pengetahuan lapangan. Tanggung jawab utama atas ketertelusuran, rantai dingin, dan keputusan pembuangan terletak pada apoteker.

Tugas aplikasi

Siapkan sampel stok anonim dari apotek Anda (10-15 item; kuantitas, penjualan bulanan, kadaluwarsa). Minta analisis risiko kedaluwarsa dan susun ulang rekomendasi dari kecerdasan buatan. Bandingkan hasil cetakan dengan rak sebenarnya dan catat perbedaannya. Perbaiki perkiraan AI untuk produk musiman dengan pengetahuan lapangan Anda sendiri. Terakhir, tulis bagaimana Anda akan menyusun dokumentasi untuk hipotetis pemutusan rantai dingin dan menyelesaikannya dengan prosedur pabrikan/peraturan.

daftar periksa

• [ ] Saya menyiapkan data stok secara anonim dan akurat.
• [ ] Saya menganalisis istilah risiko dan mengonfirmasinya dengan rak fisik.
• [ ] Saya mengoreksi perkiraan permintaan dengan informasi lapangan/musim.
• [ ] Saya menyeimbangkan jumlah pesanan dengan persediaan dan ketersediaan uang tunai.
• [ ] Saya mendasarkan keputusan rantai dingin pada prosedur pabrikan/peraturan.
• [ ] Saya melakukan prosedur İTS/pengembalian/penghancuran secara teratur.
• [ ] Saya mencatat urutan dan alasan kehancuran.