Machine Learning-based Time Series Forecasting for Dynamic Reorder Points

Etterspørselen etter helsetjenester i Norge øker på grunn av demografiske endringer, inkludert en voksende og aldrende befolkning. Denne økningen i etterspørsel forventes å føre til høyere helseutgifter og øke presset på norsk økonomi. For å takle disse utfordringene, ønsker den norske regjeringen å utnytte digital transformasjon og stordata (Big Data) for å forbedre effektiviteten i offentlig sektor og helseindustrien. Kommunale ledere og fagfolk innen ITbransjen mener at bruk av maskinlæring og andre teknologiske løsninger kan bidra til å effektivisere oppgaver og forbedre kvaliteten på prosesser i helsesektoren. Imidlertid har mange kommuner ennå ikke startet implementeringen av IT-prosjekter som involverer maskinlæring. Generelt sett har det blitt rapportert at IT-investeringer forbedrer prosesskvalitet og effektivitet i offentlig sektor, men det er fortsatt rom for forbedring ved bruk av dataanalyse. Med bakgrunn i dette var målet med denne oppgaven å "Bidra til den nåværende litteraturen ved å undersøke effektene av å implementere etterspørselsprognoser og dynamisk bestillingspunkt for Logistikksenteret Helse Midt-Norge". Følgende forskningsspørsmål ble introdusert for å veilede studien: RQ1: Hva er "State-Of-The-Art" for etterspørselsprognoser innen lagerstyring? RQ2: Hvordan kan lageret klassifiseres? RQ3: Hvordan kan den nåværende faste bestillingspunktet forbedres ved bruk av dynamisk bestillingspunkt? RQ4: Hva er virkningen av å implementere avanserte prognosemetoder for det dynamiske bestillingspunktet? Forskningsmetodikken i denne studien benyttet ulike metoder, inkludert en systematisk gjennomgang av litteratur, et empirisk case-studie, dataanalyse og simulering. Den systematiske gjennomgangen av litteratur ble brukt for å undersøke og svare på det første forskningspørsmålet. Resterende forskiningspørsmål (RQ2, RQ3 og RQ4) ble besvart gjennom en empirisk case-studie. I det empiriske case-studiet benyttet det andre forskningsspørsmålet dataanalyse, mens det tredje og fjerde forskningsspørsmålet ble besvart ved hjelp av simulering. Resultatene viser at ved å kategorisere varene til Logistikksenteret Helse Midt-Norge basert på etterspørselens variabilitet, kan verdifulle innsikter oppnås for å forbedre lagerstyringsoperasjoner. Implementeringen av dynamiske bestillingspunkter viser seg å være svært effektivt for å redusere gjennomsnittlig lagerbeholdning samtidig som en høy servicenivå opprettholdes, noe som resulterer i en imponerende 42% reduk