Aplicación de Machine Learning para la eficiencia en la gestión de inventarios en el sector farmacéutico limeño, 2024

Abstract

La gestión de inventarios en el sector farmacéutico enfrenta desafíos importantes, como la variabilidad en la demanda y las estrictas regulaciones. Este estudio analiza cómo el uso de Machine Learning (ML) puede mejorar la eficiencia en la gestión de inventarios en Lima Metropolitana durante 2024. El objetivo principal es determinar el impacto del ML en este proceso, evaluando su capacidad para predecir la demanda, reducir desabastecimientos, mejorar la rotación y optimizar los niveles de stock. Esto es clave, considerando que alrededor del 70% de las empresas farmacéuticas en Lima sufren desabastecimientos frecuentes, afectando tanto su operatividad como la salud pública. La investigación adopta un diseño experimental, utilizando registros históricos de una empresa farmacéutica (1,000 datos, con una muestra de 278) para analizar el efecto del ML mediante herramientas estadísticas. Se espera demostrar que la implementación de ML mejora indicadores clave como el stock óptimo y la tasa de rotación, reduciendo también los costos operativos. Finalmente, este trabajo no solo propone soluciones concretas a problemáticas actuales del sector, sino que también abre la puerta a nuevas investigaciones sobre el uso de tecnologías inteligentes en la cadena de suministro farmacéutica.

Inventory management in the pharmaceutical sector faces significant challenges, such as variability in demand and strict regulations. This study analyzes how the use of Machine Learning (ML) can improve the efficiency of inventory management in Metropolitan Lima during 2024. The main objective is to determine the impact of ML in this process, evaluating its ability to predict demand, reduce stock-outs, improve turnover and optimize stock levels. This is key, considering that around 70% of pharmaceutical companies in Lima suffer frequent stock-outs, affecting both their operations and public health. The research adopts an experimental design, using historical records of a pharmaceutical company (1,000 data, with a sample of 278) to analyze the effect of ML using statistical tools. It is expected to demonstrate that the implementation of ML improves key indicators such as optimal stock and turnover rate, also reducing operating costs. Finally, this work not only proposes concrete solutions to current problems in the sector, but also opens the door to new research on the use of intelligent technologies in the pharmaceutical supply chain.