Prévision des achats de pièces de rechanges au sein de Biopharm par l'application des méthodes prédictives et le machine learning

Abstract

Le domaine pharmaceutique est aux prises avec d'importants obstacles en matière de contrôle des stocks et de sourcing de pièces de rechange indispensables, éléments clés pour le maintien des opérations et des processus de fabrication. Ciblant cette problématique, ce projet a pour objectif d'améliorer les systèmes de prédiction d'achat de pièces de rechange chez Biopharm, une entreprise pharmaceutique algérienne. En utilisant des méthodologies en science des données, avec une attention particulière portée à l'analyse de séries chronologiques, nous avons cherché à réaliser des prévisions précises et efficaces. Les données de séries chronologiques, collectées à intervalles de temps uniformes, sont des outils essentiels pour l'analyse des tendances et les mesures prédictives dans divers domaines, y compris la gestion des stocks. Nous avons formé plusieurs modèles de prévision en utilisant des données archivées sur les acquisitions de pièces de rechange, et les avons évalués sur la base de la précision et de la fiabilité de leurs prédictions. Cet exercice a permis d'identifier les modèles les plus efficaces adaptés au contexte spécifique de Biopharm. En conclusion, nous avons développé une Interface Graphique Utilisateur (GUI), permettant au personnel de Biopharm de saisir facilement des données et d'obtenir des prévisions instantanées pour les besoins en pièces de rechange. Ceci simplifie la prise de décision en matière d'approvisionnement et contribue à l'optimisation du contrôle des stocks, entraînant ainsi des économies de coûts et une meilleure efficacité opérationnelle.