Архив Здравоохранение и фармацевтика · Аптеки и фармдистрибуция
Sigma Healthcare: ML-модели в SAP IBP повысили точность прогноза спроса не менее 10%
По словам менеджера Sigma Healthcare, ML-модели прогноза в SAP IBP дали дополнительный рост точности прогноза спроса на лекарства не менее 10%. Компания применяет градиентный бустинг и автоматическую коррекцию выбросов.
/01 · ключевые результаты
-
результат
не менее 10%
дополнительный рост точности прогноза спроса от ML-моделей
по данным на октябрь 2025 года · демандпланирование лекарств в SAP IBP, Sigma Healthcare
слова сотрудника: Маркус Уильямс, менеджер по планированию спроса и системам Sigma Healthcare
оценка strategai
Оценку не приводим: денежный эффект, базовая точность и объёмы закупок в источнике не раскрыты.
По словам менеджера Sigma Healthcare, ML-модели прогноза в SAP IBP дали дополнительный рост точности прогноза спроса на лекарства не менее 10%. Компания применяет градиентный бустинг и автоматическую коррекцию выбросов.
/02 · паспорт кейса
Бизнес
- Компания
- Sigma Healthcare
- Отрасль
- Здравоохранение и фармацевтика · Аптеки и фармдистрибуция
- Функция
- Цепочка поставок, закупки и логистика
- Задача
- Прогноз спроса и автозаказ (DFM)
Технология
- Класс AI
- Прогнозирование временных рядов
- Тип решения
- Решение вендора: SAP, EY
- Данные
- Исторические данные продаж в SAP IBP; модели экстремального и стандартного градиентного бустинга и автоматическая коррекция выбросов.
Внедрение
- Стадия
- Промышленная эксплуатация, на 16.10.2025
- География
- Австралия
/03 · описание кейса
Зачем
Бизнес-задача
Sigma Healthcare — компания оптовой и розничной торговли лекарствами с полным ассортиментом; среди её розничных сетей Amcal и с 2025 года Chemist Warehouse. Планирование спроса и поставок велось вручную в таблицах, и планировщикам приходилось по несколько часов в день просматривать и обрабатывать заказы на закупку. Компании нужно было повысить точность прогноза спроса на лекарства, чтобы оптимизировать запасы и доступность товара.
Что
Решение
Компания работает на SAP S/4HANA и SAP Integrated Business Planning (IBP). После внедрения модуля планирования ответа и поставок точность прогноза выросла на 5–10%. Затем команда операционного планирования стала использовать в демандпланировании IBP модели машинного обучения: экстремальный и стандартный градиентный бустинг и автоматическую коррекцию выбросов. Последняя не даёт ошибке ввода данных или разовому событию исказить расчёт прогноза.
Как
Внедрение
Проектами руководил менеджер по планированию спроса и системам Маркус Уильямс; для оптимизации среды IBP компания привлекла EY. Об итогах он рассказал на саммите SAP NOW AI в Мельбурне; iTnews опубликовал материал 16 октября 2025 года. По его словам, совместный эффект ML-моделей составил не менее 10% дополнительного роста точности прогноза сверх 5–10% от модуля планирования. Следующим шагом компания рассматривает генеративного ассистента SAP Joule для планировщиков.
/04 · источники и проверка
Что подтверждено
- По словам менеджера Sigma Healthcare, ML-модели прогноза в SAP IBP дали не менее 10% дополнительного роста точности прогноза.
- Компания применяет в SAP IBP экстремальный и стандартный градиентный бустинг и автоматическую коррекцию выбросов.
- До ML-моделей модуль планирования ответа и поставок в IBP дал рост точности прогноза на 5–10%.
Ограничения
- Данные приведены со слов сотрудника компании в изложении iTnews; базовый уровень точности, метрика и способ расчёта не раскрыты, неясно, идёт ли речь об относительном росте или о процентных пунктах.
- Сокращение времени обработки заказов с 5–6 до 1–2 часов в день относится к модулю планирования ответа и поставок без ML и не является результатом моделей.
- Источник не приводит денежного эффекта, снижения запасов или роста доступности товара.
-
[1] iTnews
Sigma Healthcare runs ML in SAP for more forecasting gains
СМИ · 16.10.2025
Открыть источник
АрхИИВ /strategai · CB-002229 · Версия 1 · 24.10.2026 · /c/CB-002229/