Diese Seite ist für Menschen und Suchmaschinen gestaltet. Zur Version für KI-Systeme (LLM) →

· Review-Artikel · 9 Min. · Von Philipp Köbe

Wie die Supply Chain von Arzneimittelherstellern mit Big Data optimiert wird

Die Lieferketten von Pharmaunternehmen sind heute in der Regel globale vernetzt und setzen sich aus einer Fülle von Vorprodukten und Vorleistungen zusammen (1). Dadurch entsteht eine enorme Komplexität, über den gesamten Herstellungsprozess von Arzneimitteln. Die digitale Vernetzung im Rahmen der Industrie 4.0 bietet zahlreiche Möglichkeiten der Optimierung entlang der gesamten Supply Chain und ermöglicht durch den Einsatz Technologie-basierter Steuerungsinstrumente eine Reduktion von Risiken sowie eine Sicherstellung der Lieferfähigkeit zu jedem Zeitpunkt (2, 3). Die reduzierten Risiken könnten dann auch zu einer Kostensenkung innerhalb der Wertschöpfung und höheren Profitabilität von Pharmaunternehmen führen (4, 5). Wie kann Big Data zur Optimierung der Wertschöpfungskette von Pharmaunternehmen eingesetzt werden?

Angeschlossen ans Datenuniversum

Für produzierende Unternehmen ist eine effiziente Wertschöpfungskette ein maßgeblicher Erfolgsfaktor (4-7). Die Tiefe des wertschaffenden Beitrags bestimmt dabei über die Margen des Unternehmens und damit den unternehmerischen Profit. Die global integrierten Wertschöpfungsketten von Arzneimittelherstellern können dabei Chancen bieten. Die globale Arbeitsteilung kann unter anderem kostensenkend wirken, weswegen viele Vorprodukte oder Medikamente in Asien oder Afrika produziert werden (6, 7). Andererseits können regionale Krisen oder globale Logistikengpässe zu Störungen einer weltweit vernetzen Wertschöpfungskette führen. Besonders erwähnenswert bei der Optimierung einer Supply Chain sind die Kostensenkungspotenziale des Working Capital (7). Dabei handelt es sich um die Bilanzpositionen, des Umlaufvermögen wie Lagerbestände oder Verbindlichkeiten gegenüber Lieferanten.

Zur Steuerung aller Maßnahmen innerhalb der Supply Chain werden große Datenmengen produziert (8, 9). Häufig findet die Generierung und Verarbeitung innerhalb von Silos statt, wodurch die Daten nicht von allen beteiligten Akteuren genutzt werden können. Abbildung 1 zeigt den Zusammenhang der potenziell verfügbaren Daten innerhalb einer Supply Chain (10). Die vertikale Dimension verdeutlicht den Anstieg der Datenmenge und deren Reproduktionsgeschwindigkeit (Volume & Velocity). Die vertikale Dimension unterteilt die Datenvielfalt (Variety).

Abb.1: Supply Chain Daten nach Volume, Velocity und Variety, eigene Darstellung nach (10).

Transaktionsprobleme dank Daten-Overload

Obwohl eine umfassende Datengrundlage gegeben ist, bestehen für Arzneimittelhersteller zahlreiche Herausforderungen innerhalb der Lieferkette (1, 4, 5, 9, 11):

  • Eingeschränkter Gesamtüberblick: die mangelnde Fähigkeit, in Echtzeit zu sehen und zu verstehen, was in der globalen End-to-End-Lieferkette passiert, führt zu Fehlern bei der Planung und Ausführung
  • Unzureichende Instrumente: der Mangel an modernen Werkzeugen und Technologien zur Unterstützung einer effektiven Zusammenarbeit über funktionale Silos hinweg und mit involvierten Geschäftspartnern verhindert ein proaktives Eingreifen
  • Kein vernetztes Ökosystem: die fehlende Möglichkeit, zeitnahe und vollständige Daten von den Geschäftspartnern zu erhalten, schränkt die Transparenz der Lieferkettenleistung ein und verhindert autonome Lieferkettenoperationen
  • Große Daten ohne hinreichende Aussagekraft: der Mangel an modernen Systemen und Analysen verhindert, dass die Datenflut in verwertbare Informationen umgewandelt werden kann, auf die funktionsübergreifende Teams und Geschäftspartner entlang der Supply Chain gleichermaßen zugreifen können
  • Langsame Reaktionszeit: Auf Verzögerungen oder Störungen zu reagieren, nachdem sie bereits eingetreten sind, ist kostspielig, ineffizient und schadet der Customer Experience

Die adäquate Vernetzung der Daten unter Einbezug innovativer Technologien bietet zahlreiche Lösungsmöglichkeiten infolge der Verwendung von Big Data (1, 4, 5, 9, 11):

  • Real-Time-Monitoring: kontinuierliche Messung der operativen Leistung anhand des Plans sowie der Qualität, Aktualität und Vollständigkeit aller erforderlichen Datenströme
  • Vollständige Datenintegration: Kontinuierliches Zusammenführen, Bereinigen und Harmonisieren von Datenströmen aus den funktionalen Systemen der Lieferkette und von Handelspartnern, um vertrauenswürdige, umsetzbare Informationen zu erhalten
  • Prädiktive Vorhersagen: Anwendung von Künstlicher Intelligenz (KI), um die Leistung vorherzusagen und Maßnahmen vorzuschreiben, die zu einer Anpassung innerhalb von Betriebsprozessen führen
  • Proaktive Eingriffe: Die erste vollautomatisierte Instanz, die eingreift, wenn die Leistungserbringung nicht wie geplant verläuft, auf der Grundlage von Standardbetriebsverfahren und -abläufen
  • Automatisierte Berichterstattung: Bereitstellung der richtigen Erkenntnisse für die richtigen Personen zur richtigen Zeit, indem eine Vielzahl von Zugriffsoptionen genutzt werden, bspw. System-zu-System-APIs, speziell entwickelte SaaS-Anwendungen, Benachrichtigungen oder Dashboards
  • Interne & externe Kollaboration: Zugang zu und Verfügbarkeit von Informationen für funktionsübergreifende Teammitglieder und Handelspartner gleichermaßen, um kontinuierliche Verbesserungen zu unterstützen

Das Unternehmen Transvoyant aus den USA bietet eine Plattform, auf der Supply Chain Intelligence als Dienstleistung angeboten wird (11). Dadurch können Arzneimittelhersteller und ihre angebundenen Geschäftspartner ihre gesamte Supply Chain virtuell abbilden und steuern.

Die passende Produktionsvariante durch Big Data unterstützt

Die Art und Weise wie Pharmaunternehmen ihre Produkte herstellen, hängt maßgeblich vom zu beliefernden Markt ab (vgl. Abbildung 2). Hier kann in erster Linie zwischen einem Massenabsatzmarkt und personalisierten Angeboten hochspezialisierter Medikamente unterscheiden werden (12). Traditionelle pharmazeutische Produkte, die in großer Stückzahl für eine breite Kundschaft produziert werden, sind unter anderem Generika oder OTC-Arzneimittel. Die Herstellung dieser Produkte erfolgt größtenteils Prognose-orientiert. Dabei werden anhand von Prognosen zukünftige Absatzmengen auf Lager vorproduziert und anschließend nach Bestellung ausgeliefert (13). Daneben gibt es Produkte der Teil- oder Komponentenfertigung, die beispielsweise nur saisonal oder nach einem bestimmten Bedarf produziert werden. Dabei handelt es sich unter anderem um Impfstoffe. Hier wird teilweise Prognose-basiert aber auch Nachfrage-basiert vorgegangen (13). Bei besonderen Zell- und Gentherapien hingegen findet eine Nachfrage-orientierte Herstellung statt. Hierbei steht die personalisierte Therapie im Mittelpunkt, die eine speziell für den Patienten erforderliche Wirkstoffdosierung erfordert und extra dafür angefertigt wird (12).

Auf allen Ebenen ist eine unterschiedlich tiefe Datenintegration erforderlich, die vom Umfang der Supply Chain und den darin integrierten Lieferanten abhängig ist. Je stärker die Herstellung Nachfrage-orientiert erfolgt, umso tiefer ist die Datenintegration. Umgekehrtes gilt für die Kosten. Je geringer der Grad der individuellen Therapie bzw. Produktgestaltung, umso geringer sind die Produktionskosten. Für Arzneimittelhersteller lohnt sich daher die Nutzung von Big Data besonders, wenn eine personalisierte Therapie erfolgt.

Abb.2: Zusammenhang der Produktionsvarianten von Arzneimittelherstellern, eigene Darstellung nach (12).

Die Zukunft von Pharma 4.0

Die Nutzung von Big Data wird für Arzneimittelhersteller zukünftig ein essentielles Werkzeug im globalen Wettbewerb sein. Einerseits führt die Vernetzung zu einer potenziellen Kostensenkung infolge der Optimierung von Prozessen entlang der Supply Chain. Andererseits kann das vernetzte Daten-gestützte Tracking aller Prozessschritte zu einer Reduzierung der Risiken führen. Die Herausforderungen bestehen unter anderem darin, dass komplexe Big Data-verwaltende Systeme anfällig für Cyberangriffe aufgrund der großen Menge an Schnittstellen innerhalb der Supply Chain. Somit müssen besondere Vorkehrungen zur Cyberresilienz und –Abwehr getroffen werden. Andererseits dürften bei globalen Lieferketten auch verschiedene Standards beim Datenschutz auftreten, die insbesondere die gemeinsame Nutzung von Cloud-Diensten oder den internationalen Datentransfer erschweren könnte. Hier wäre auf eine einheitliche Datenschutz-Compliance innerhalb des Big Data-Ökosystems mit allen angeschlossenen Stakeholdern zu achten. Auch die Abhängigkeiten von großen Playern könnte auch mittlere Sicht verschärft werden. Die derzeitige Dominanz einiger großer US-amerikanischer und chinesischer Cloud-Anbieter, könnte dazu führen, dass einmal etablierte Big Data-Rechen- und Speicherkapazitäten relativ schwer von einem Anbieter zu einem anderen transferiert werden. Bei Aufbau dieser Strukturen ist daher darauf zu achten, dass es sich bei allen beteiligten Stakeholdern um langfristig orientierte Partnerschaften handelt, die eine vertrauensvolle Zusammenarbeit und Weiterentwicklung der Produkte und Services mit sich bringt.

Quellen

  1. Saha E, Rathore P, Parida R, Rana NP. The interplay of emerging technologies in pharmaceutical supply chain performance: An empirical investigation for the rise of Pharma 4.0. Technological Forecasting and Social Change. 2022;181:121768. https://doi.org/10.1016/j.techfore.2022.121768
  2. Ogbuke NJ, Yusuf YY, Dharma K, Mercangoz BA. Big data supply chain analytics: ethical, privacy and security challenges posed to business, industries and society. Production Planning & Control. 2022;33(2-3):123-37. https://doi.org/10.1080/09537287.2020.1810764
  3. Ding B. Pharma Industry 4.0: Literature review and research opportunities in sustainable pharmaceutical supply chains. Process Safety and Environmental Protection. 2018;119:115-30. https://doi.org/10.1016/j.psep.2018.06.031
  4. Nguyen T, Zhou L, Spiegler V, Ieromonachou P, Lin Y. Big data analytics in supply chain management: A state-of-the-art literature review. Computers & Operations Research. 2018;98:254-64. https://doi.org/10.1016/j.cor.2017.07.004
  5. Kache F, Seuring S. Challenges and opportunities of digital information at the intersection of Big Data Analytics and supply chain management. International Journal of Operations & Production Management. 2017;37(1):10-36. https://doi.org/10.1108/IJOPM-02-2015-0078
  6. Raman S, Patwa N, Niranjan I, Ranjan U, Moorthy K, Mehta A. Impact of big data on supply chain management. International Journal of Logistics Research and Applications. 2018;21(6):579-96. https://doi.org/10.1080/13675567.2018.1459523
  7. Peng J, Zhou Z. Working capital optimization in a supply chain perspective. European Journal of Operational Research. 2019;277(3):846-56. https://doi.org/10.1016/j.ejor.2019.03.022
  8. Zhong RY, Newman ST, Huang GQ, Lan S. Big Data for supply chain management in the service and manufacturing sectors: Challenges, opportunities, and future perspectives. Computers & Industrial Engineering. 2016;101:572-91. https://doi.org/10.1016/j.cie.2016.07.013
  9. Pesqueira A, Sousa MJ, Rocha Á. Big Data Skills Sustainable Development in Healthcare and Pharmaceuticals. Journal of Medical Systems. 2020;44(11):197. https://doi.org/10.1007/s10916-020-01665-9
  10. Rozados IV, Tjahjono B, editors. Big data analytics in supply chain management: Trends and related research. 6th International Conference on Operations and Supply Chain Management; 2014. https://www.researchgate.net/profile/Benny-Tjahjono-2/publication/270506965_Big_Data_Analytics_in_Supply_Chain_Management_Trends_and_Related_Research/links/54abe07b0cf25c4c472fb56b/Big-Data-Analytics-in-Supply-Chain-Management-Trends-and-Related-Research.pdf
  11. Transvoyant. Supply Chain Intelligence. 2022. https://transvoyant.com/supply-chain-intelligence/
  12. Palmer AS, Shankar; Yadav, Prashant; Mishra, Devendra. Operations: Gateway to Success in Cell and Gene Therapies2019. https://www.pharmexec.com/view/operations-gateway-success-cell-and-gene-therapies
  13. Chase Jr CW. Using big data to enhance demand-driven forecasting and planning. The Journal of Business Forecasting. 2013;32(2):27. https://www.proquest.com/openview/c1a0851a512acca5fcb0ce0067c1f0fe/1?pq-origsite=gscholar&cbl=28144

Verwandte Artikel

Verwandte Artikel