Optymalizacja łańcucha zaopatrzenia w opiece zdrowotnej

Zwiększenie widoczności w celu poprawy odporności i elastyczności łańcucha zaopatrzenia

Pandemia COVID-19 wywarła bezprecedensową presję na łańcuchy zaopatrzenia i podkreśliła znaczenie skutecznego ich planowania. Przed pandemią COVID forsowano stosowanie zasady JIT jako najlepszej metody gospodarki zapasami, ponieważ pozwala ona organizacjom zmniejszyć wydatki poprzez zmniejszenie stanu zapasów. Jednak, jak pokazała pandemia, chociaż metoda ta może pomóc zaoszczędzić pieniądze, zwiększa ekspozycję na różnego rodzaju zakłócenia i sytuacje awaryjne. Jednocześnie zbyt duża ilość zapasów na stanie nie jest potrzebna nie tylko ze względu na koszty utrzymania, ale także zwiększoną ilość odpadów, ponieważ wiele produktów z datą ważności jest utylizowanych przed użyciem. Z ostatniego raportu badawczego wynika, że średnio termin ważności 13% zapasów sali operacyjnej wygasa przed ich użyciem (PDF).

Chociaż skuteczne planowanie łańcucha zaopatrzenia i zarządzanie zapasami ma kluczowe znaczenie w każdej branży, jest szczególnie istotne w opiece zdrowotnej, w której zakłócenia w łańcuchu zaopatrzenia mogą wpływać na opiekę nad pacjentami, ich bezpieczeństwo i efekty leczenia. Aby znaleźć optymalne podejście i uniknąć posiadania zbyt dużej lub zbyt małej ilości zapasów, organizacja producentów i opieki zdrowotnej musi mieć wgląd zarówno w górę, jak i w dół łańcucha zaopatrzenia. Wgląd w cały proces zapewnia wszystkim stronom w łańcuchu zaopatrzenia możliwość korzystania z usług różnych dostawców w przypadku wystąpienia zakłóceń.

Aby widoczność była pełna, organizacje opieki zdrowotnej muszą łączyć dane z wielu źródeł zewnętrznych i wewnętrznych. Organizacje zmagające się z problemem dostępu do danych, braku przejrzystości i dokładności danych muszą sprostać tym wyzwaniom, aby przejść do ciągłego planowania łańcucha zaopatrzenia i zapewnić ciągłość działalności operacyjnej.

Optymalizacja łańcucha zaopatrzenia przy użyciu wszystkich właściwych danych

Obecnie dostępnych jest wiele danych dotyczących łańcucha zaopatrzenia, a ich ilość rośnie wykładniczo co roku. Problem, przed którym stają liczne organizacje opieki zdrowotnej, nie polega na braku danych. To niemożność zrozumienia danych i korzystania z nich w celu uzyskania konstruktywnych informacji.

W tym opisie przykładowego zastosowania pokażemy, w jaki sposób platforma Oracle skupiająca dane dla opieki zdrowotnej może upraszczać proces korzystania z zaawansowanych analiz i uczenia maszynowego do odizolowania łańcucha zaopatrzenia od zdarzeń zakłócających przy jednoczesnym obniżeniu kosztów i zwiększeniu bezpieczeństwa pacjentów.

Na rysunku przedstawiono, jak za pomocą platformy Oracle skupiającej dane dla opieki zdrowotnej można wspierać opiekę zdrowotną opartą na wartościach przy użyciu monitorowania wydajności. Platforma obejmuje następujące pięć filarów:

1. 1. Źródła danych, odkrywanie
2. 2. Wchłanianie, przekształcanie
3. 3. Utrwalanie, selekcjonowanie, tworzenie
4. 4. Analizowanie, uczenie się, przewidywanie
5. 5. Pomiar, działanie

Filar „Źródła danych, odkrywanie” zawiera dwie kategorie danych.

1. 1. Rekordy biznesowe składają się z systemów ERP, systemu zarządzania magazynem, zapasów, materiałów oraz planowania i tworzenia harmonogramów oraz EPM.
2. 2. Dane techniczne obejmują zarządzanie transportem, dane telemetryczne, dzienniki i źródła strumieni zdarzeń.

Filar „Wchłanianie, przekształcanie” składa się z trzech funkcjonalności.

1. 1. W transferze masowym wykorzystuje się OCI FastConnect, OCI Data Transfer, MFT oraz OCI CLI.
2. 2. We wchłanianiu wsadowym wykorzystywane są usługi OCI Data Integration, Oracle Integration Cloud i Data Studio.
3. 3. W rejestrowaniu zmian danych wykorzystuje się OCI GoldenGate i Oracle Data Integrator.

Wszystkie trzy funkcjonalności w jednokierunkowy sposób łączą się z obsługującym magazynem danych i magazynem w chmurze w ramach filaru „Utrwalanie, selekcjonowanie, tworzenie”.

Filar „Utrwalanie, selekcjonowanie, tworzenie” składa się z pięciu funkcjonalności.

1. 1. Obsługujący magazyn danych korzysta z usług Autonomous Data Warehouse, Exadata Cloud Service i Exadata Cloud@Customer.
2. 2. Zarządzane klastry Hadoop korzystają z usługi Oracle Big Data Service.
3. 3. Magazyn w chmurze korzysta z usługi OCI Object Storage.
4. 4. Przetwarzanie wsadowe korzysta z OCI Data Flow.
5. 5. Usługa Governance korzysta z katalogu OCI Data Catalog.

Funkcjonalności te są połączone w ramach filaru. Magazyn w chmurze jest jednokierunkowo połączony z obsługującym magazynem danych i zarządzanym klastrem Hadoop, a także dwukierunkowo z przetwarzaniem wsadowym.

Zarządzany klaster Hadoop jest jednokierunkowo połączony z obsługującym magazynem danych.

Dwie funkcjonalności są połączone z filarem „Analizowanie, uczenie się i przewidywanie”: obsługujący magazyn danych łączy się zarówno z funkcjonalnościami analiz i wizualizacji, jak i produktów danych (API). Magazyn w chmurze łączy się z funkcjonalnością uczenia maszynowego.

Filar „Analizowanie, uczenie się, przewidywanie” składa się z trzech funkcjonalności.

1. 1. Analizy i wizualizacje wykorzystują rozwiązania GraphStudio, Oracle Analytics Cloud i niezależnych dostawców oprogramowania (ISV).
2. 2. Produkty danych (API) korzystają z usług OCI API Gateway i OCI Functions.
3. 3. W uczeniu maszynowym wykorzystywane są usługi OCI Data Science, Oracle Machine Learning i ML Notebooks.

Usługi SI obejmują Oracle Digital Assistant, OCI Language, Speech i Vision.

Metadane obsługującego magazynu danych, zarządzanych klastrów Hadoop i magazynu obiektów są dostarczane do usługi OCI Data Catalog.

W filarze „Pomiar, działanie” widoczne są sposoby zastosowania analizy danych do wspomagania optymalizacji łańcucha zaopatrzenia. Wyniki te są podzielone na dwie grupy.

1. 1. Pierwsza grupa „Pracownicy i partnerzy” obejmuje ciągłe doskonalenie i mierzenie wydajności, prognozowanie popytu i planowanie zapasów, a także projektowanie łańcucha zaopatrzenia i optymalizację sieci.
2. 2. Druga grupa obejmuje otrzymywanie powiadomień o wycofywaniu z rynku, poprawę zarządzania przestrzenią i zapasami oraz wykorzystanie sztucznej inteligencji i uczenia maszynowego do usprawnienia procesów operacyjnych.

Trzy główne filary — „Wchłanianie, przekształcanie”, „Utrwalanie, selekcjonowanie, tworzenie” oraz „Analizowanie, uczenie się i przewidywanie” — są obsługiwane przez infrastrukturę, sieć, zabezpieczenia i IAM.

Istnieją trzy główne opcje wprowadzania danych do architektury w celu zbudowania elastycznej, otwartej i wydajnej platformy danych.

• Na początek musimy poznać ogólny stan zapasów. W tym celu należy użyć platformy Oracle Cloud Infrastructure (OCI) GoldenGate, aby umożliwić pobieranie zmian danych podczas wchłaniania danych dotyczących zapasów w magazynie niemal w czasie rzeczywistym z operacyjnych baz danych dotyczących wszystkich magazynowanych pozycji oraz powiązanych z nimi jednostek biznesowych.
• Możemy teraz dodawać odpowiednie zbiory danych, takie jak dane z systemów ERP, zarządzania magazynem, zarządzania zasobami ludzkimi, informacyjnych zarządzania zdrowiem i zarządzania wydajnością przedsiębiorstwa, aby w pełni zrozumieć łańcuch zaopatrzenia i uzyskać informacje na temat jego stanu. Zbiory te często obejmują duże ilości danych lokalnych, a w większości przypadków wchłanianie wsadowe jest zazwyczaj najbardziej efektywne. W przypadku integracji aplikacji (lub integracji z innymi usługami OCI) Oracle Integration Cloud to sprawdzona, najlepsza metoda, dzięki której ten proces jest łatwy i ekonomiczny.
• Usługi transferu masowego są używane w sytuacjach, w których trzeba po raz pierwszy przenieść duże wolumeny danych do Oracle Cloud Infrastructure, na przykład dane z istniejących lokalnych repozytoriów analitycznych lub innych źródeł w chmurze. Konkretna usługa masowego transferu, której użyjemy, będzie zależeć od lokalizacji danych i częstości przeprowadzania transferów. Na przykład możemy użyć usługi OCI Data Transfer Service lub OCI Data Transfer Appliance do ładowania dużych ilości danych lokalnych z repozytoriów planowania historycznego lub repozytoriów hurtowni danych. W razie konieczności przenoszenia na bieżąco dużych ilości danych zalecamy skorzystanie z OCI FastConnect, która zapewnia szerokopasmowe, specjalne prywatne połączenie sieciowe między centrum danych klienta a OCI.

Utrwalanie i przetwarzanie danych opiera się na dwóch (opcjonalnie czterech) składnikach.

• Wchłaniane nieprzetworzone dane są przechowywane w magazynie w chmurze. Korzystamy z OCI Data Flow do przetwarzania wsadu obecnie utrwalonych danych, takich jak dane ERP, stanów magazynowych, telemetryczne z urządzeń i aplikacji, dzienniki i dane referencyjne produktu. Te przetworzone zbiory danych są zwracane do magazynu w chmurze w celu ich utrwalenia, wyselekcjonowania i analizy oraz ostatecznie do przekazania w zoptymalizowanej formie do obsługującego magazynu danych. Zależnie od preferencji architektonicznych można to osiągnąć za pomocą usługi Oracle Big Data Service jako zarządzanego klastra Hadoop.
• Utworzyliśmy przetworzone zbiory danych, które są gotowe do utrwalenia w zoptymalizowanej formie relacyjnej w celu przeprowadzenia selekcji i procedury zapytań w obsługującym magazynie danych. Dzięki temu będziemy mogli szybko ocenić kilka cennych kluczowych wskaźników wydajności, takich jak rotacja zapasów, koszty dostaw jako procent przychodu netto od pacjentów, procent pozycji ze zidentyfikowanymi substytutami, wskaźniki realizacji zamówień z bieżących zapasów przez dostawców oraz liczba przeterminowanych/zmarnowanych produktów jako procent całkowitej liczby zakupionych produktów.

Funkcjonalność analizowania, uczenia się i przewidywania opiera się na czterech technologiach.

• Usługi analiz i wizualizacji zapewniają analizy opisowe (opisywanie bieżących trendów wraz z histogramami i wykresami), analizy predykcyjne (przewidywanie przyszłych zdarzeń, identyfikowanie trendów i określanie prawdopodobieństwa niepewnych wyników) oraz analizy preskryptywne (proponowanie odpowiednich działań wspierających podejmowanie optymalnych decyzji), które wspierają działalność placówek opieki zdrowotnej
  
  
  • Obliczanie liczby przeterminowanych produktów jako procentu rzeczywistego stanu produktów w magazynie
  • Korzystanie z cyfrowych bliźniaków w łańcuchu zaopatrzenia do przeprowadzania warunkowej analizy braku ryzyka typu „co-jeżeli”
  • Określanie kosztów dostaw jako procentu przychodów netto od pacjentów
  • Ustalenie odsetka pozycji ze zidentyfikowanymi zamiennikami
• Oprócz zaawansowanych narzędzi analitycznych opracowywane, trenowane i wdrażane są modele uczenia maszynowego. Dostęp do tych modeli można uzyskać poprzez interfejsy API wdrażane w obsługującym magazynie danych lub osadzane w ramach przesyłania strumieniowego potoku danych analitycznych.
• Tworząc modele uczenia maszynowego, można elastycznie używać usługi OCI Data Science, dostępnych usług OCI AI lub ich kombinacji. Poniżej przedstawiono kilka przykładów usług SI OCI i ich wykorzystania w ramach potoku sztucznej inteligencji / uczenia maszynowego łańcucha zaopatrzenia:
  
  
  • Usługa OCI Anomaly Detection może pomóc w monitorowaniu wskaźników wydajności łańcucha zaopatrzenia (na przykład zapasów surowców, przepustowości produkcji, produkcji w toku, czasów tranzytu i rotacji zapasów) w czasie rzeczywistym w celu identyfikacji i rozwiązywania problemów. W złożonym łańcuchu dostaw ocena wagi zidentyfikowanych anomalii może pomóc ustalić priorytety zaobserwowanych zakłóceń w prowadzeniu działalności.
  • Prognozowanie OCI może pomóc w prognozowaniu wskaźników łańcucha zaopatrzenia, takich jak popyt, podaż i zasoby, w celu prognozowania przyszłej wydajności i podjęcia odpowiednich działań.
  • OCI Vision i Language mogą pomóc zrozumieć dokumenty, takie jak wychodzące raporty dotyczące jakości produktów i raporty dotyczące usterek, w celu wzbogacenia analizowanych danych łańcucha zaopatrzenia.
• W naszych wyselekcjonowanych, przetestowanych i wysokiej jakości danych i modelach można zastosować zasady i polityki dotyczące zarządzania. Mogą one także być udostępniane jako produkt danych (API) w architekturze siatki danych do dystrybucji w obrębie organizacji opieki zdrowotnej.

Zwiększanie zyskowności i bezpieczeństwa pacjentów za pomocą zautomatyzowanych analiz

Mając pełny wgląd w cały łańcuch zaopatrzenia, organizacje opieki zdrowotnej mogą odpowiedzieć na pytania, które dzisiaj pozostają bez odpowiedzi. Do tego jednak potrzebna jest właściwa platforma danych. Platforma powinna być elastyczna, umożliwiać obsługę wszystkich niezbędnych typów danych i łatwe łączenie się z innymi chmurami, lokalnymi centrami danych lub organizacjami innych firm oraz zapewniać bezpieczeństwo. Dzięki dostępowi do wszystkich danych organizacje opieki zdrowotnej będą mogły osiągnąć wiele celów, między innymi:

• Zarządzanie ryzykiem związanym z dostawcami przy jednoczesnym rozumieniu popytu pacjentów i potencjalnych zdarzeń zakłócających — dogłębna wiedza na temat relacji między ryzykiem związanym z dostawcami a popytem pacjentów stanowi fundament większej skuteczności operacyjnej w całym modelu działania firmy, wspomagany przez scentralizowaną listę wykwalifikowanych i wiarygodnych dostawców.
• Wzmocnienie łańcucha zaopatrzenia opieki zdrowotnej w celu zwiększenia bezpieczeństwa pacjentów przy jednoczesnej poprawie kontroli jakości i zmniejszeniu kosztów
• Zwiększenie odporności łańcucha zaopatrzenia przez lepsze zrozumienie dostawców dzięki udostępnianiu danych
• Zwiększenie sprawności działania i szybsze podejmowanie decyzji dotyczących planowania i kompromisów, dostosowywanie i monitorowanie planów w miarę zachodzenia zmian