Amazon Pharmacy 使用 AWS Supply Chain 提高预测准确性并减少人工操作

Amazon Pharmacy 在所有 50 个州获得了许可，可直接向买家配药和发货。要成功做到这一点，Amazon Pharmacy 必须预测处方药从下单到履约的整个过程中的需求。在加入 AWS Supply Chain 之前，不同的团队管理着不同的预测流程，这产生了更长的周期时间、更高的资源需求和有限的数据颗粒度。AWS Supply Chain 需求规划可以灵活地生成细粒度的每日预测，这种功能使 Amazon Pharmacy 能够提高规划灵活性并有效地满足客户需求。

AWS Supply Chain 需求规划可自动执行大量手动工作，例如数据输入、计算和调整，从而消除了非增值性工作。它利用机器学习 (ML) 来分析历史销售额和当前数据，例如未结订单，以创建准确的预测和动态调整的模型。这提高了预测准确性，减少了缺货并限制了库存过剩风险。

Amazon Pharmacy 现在使用每日预测功能，并应用机器学习来检测以前过于复杂而无法手动确定的相关性、趋势和季节性因素。AWS Supply Chain 使用最新数据自动刷新预测结果并将其发布到下游和上游流程，从而减少交接错误并加快关键数据的刷新周期。

Amazon Pharmacy 强调两项关键预测：T-1（一周时间）和 T-5（长期）。T-1 预测可指导立即做出人员配置决策以支持客户需求，而 T-5 预测有助于实施能力规划以便进行劳动力调整。借助于机器学习，AWS Supply Chain 高级预测功能大大提高了 Amazon Pharmacy 的预测准确性，其以平均绝对百分比误差 (MAPE) 这一关键指标来衡量。使用 AWS Supply Chain，Amazon Pharmacy 的 MAPE 大幅减小，这表明该解决方案在生成精确预测方面是有效的。

MAPE 是一种广泛使用的统计度量，用于评估预测方法的准确性。它计算预测值和实际值之间的平均绝对百分比误差，用百分比表示。MAPE 提供了预测与实际值差异的相对度量。MAPE 越低表示预测准确性越高。在需求规划和库存管理中，MAPE 作为一项关键绩效指标 (KPI)，通常用于评估和比较不同预测模型或方法的准确性，设定可接受的预测误差目标，例如 10％ 或以下的行业标准 MAPE 目标，并监测一段时间内的预测准确性以确定需要改进的地方。Amazon Pharmacy 使用 AWS Supply Chain 实现了 5％ 的每日 MAPE，这表明其预测性能强大，且具有很高的准确性。这种预测处方单位需求的准确性提高了库存灵活性，实现了精确的运营规划，确保在正确的时间提供适当的人员配备水平，从而以最低的成本有效地为客户提供服务。

Amazon Pharmacy 的 S&OP 和劳动力规划高级经理 Sachin Pahuja 表示：“AWS Supply Chain 使我们能够轻松整合预测流程并减少耗时的手动工作，这样每周可节省大约 5 个小时的时间。现在，我们可以更好地识别相关性、季节性和趋势，这极大地提高了我们的预测准确性。”

通过消除重复的手动工作，AWS Supply Chain 节省了大量时间并提高了数据可靠性。流程简化后减少了纠正措施的需求，从而为增值分析留出了更多时间。由于数据准确的可信度增加，Amazon Pharmacy 减少了对预测模型的手动调整，从而进一步减少了工作量和人工时间。