导读本文将分享如何把"智能供应链"应用到医药行业，会围绕以下四个方面进行介绍：

1. 医药供应链的发展与特点

2. 数字化带来的机遇与挑战

3. 如何进行数据能力变现

4. 利用智能技术把握增长机会

分享嘉宾｜王学武 倍通数据集团 数据研发总监 数据实验室负责人

编辑整理｜樊志国

内容校对｜李瑶

出品社区｜DataFun

01医药供应链的发展与特点

1. 医药行业供应链概况

首先介绍一下医药行业的供应链概况。

医药行业的药品销售与快销、电子消费品、汽车的销售模式有所不同。在传统的销售模式中，消费者具有很强的主动性和选择权，可以自主选择所需产品。然而，在医疗行业，消费者的选择性相对较弱，主要依赖于医院开出的处方，除了某些特定品类的产品（如感冒药和保健品），更大程度上，商品选择权在于医院和零售端等。

医药供应链包括医药制造和医药流通两大领域，其中医药供应链主要有六大环节：医药原材料供应、医药研发、医药生产、医药商业、医药营销和医药服务。在各个环节都存在许多业务挑战，例如在药物制造领域，如何更快地找到合适的化合物，并将化合物合成，以最低风险和最短周期将药物完成审批上市；在药物流程领域，如何接触到高流量的医院和零售终端，更好地通过这些终端销售药品，以及如何通过人工智能、运筹优化等算法提升运营效率和销售能力。

针对以上问题，有三种创新的路径：1、赋能生命科学研究；2、重构组织运营，利用数字化运营能力提升运营效率；3、通过智能技术提升终端体验和消费者体验。

2. 医药供应链的特点

与传统产品制造相比，医药供应链的差异主要表现在以下方面：

• 政府政策对药品供应链有严格监管，对其影响较大。
• 药品行业有严格的合规监管，并且由于药品的特殊性质，上市需要较长时间和大量资金。
• 药品受专利保护期限制，保护期过后会出现许多创新药，企业需要思考如何应对新的竞争。
• 药品市场细分包括中药、西药、生物药等多种类型，每种药品的供应链和特性都不同，因此需要不同的策略。
• 药品的价格和生命周期管理受政策和价格影响
• 从研发、批准、生产、上市到推广，各个方面都需要不同的供应链优化策略。

02数字化带来的机遇与挑战

1. 企业在实施数字化供应链过程中遇到的挑战

医药供应链面临的主要挑战包括：

• 供应链的弹性和敏捷性，以确保在疫情等情况下及时配备、分配药品和必需品到零售药店和医疗终端。
• 经销商的合规风险，医药行业受到政策和价格的强监管，需要对经销商进行合规风控。
• 数据集成和安全合规，涉及产业链上下游的数据，需要更好地集成并在企业内部实现一致性的指标定义和数据标准，同时必须满足信息与数据安全合规的要求。
• 与生态伙伴合作和协同，特别是在面对大量消费终端时，如何与这些终端合作，并在特殊事件发生或政策颁布时更好地管控变化、提升收益。
• 医药企业存在数字化发展过程中积累的历史技术债务，需要更系统地解决这些问题，并规划企业未来数字化的发展蓝图。
• 采用新的技术和智能化解决方案后，如何让一线员工和决策层采用这项技术也是一个关键问题。这涉及到技术上的白箱效应，即如何让用户更了解算法或技术是如何运行的，并在使用过程中获得良好的使用体验，让智能技术真正赋能业务 。

应对方案可以归纳为以下几个方面：

• 整合上下游数据并进行数据治理
• 利用智能技术改善业务，优化运营效率与资源配置
• 采集实时计算进行数据分析和预测
• 利用知识图谱主动识别和监控风险
• 建立数字化供应链协同机制，促进产业链上下游生态协同

2. 医药供应链优化之从问题分析到业务价值体现

在医药供应链中，面临着一系列挑战，例如，如何快速将产品和服务推向市场，促进业务增长并提升客户体验；如何在转型过程中实现准确的预测，确保供需计划的一致性并保持灵活性；以及，如何应对医疗政策和医改制度的影响，满足医疗保健品价值和交付的挑战。此外，当突发事件发生时，会对消费终端和流通环节造成较大影响，需要更好地预测、分析这些事件的影响因素，会对企业带来的影响。为了应对这些挑战，我们需要采取新的智能技术来提高运营效率、提升资产利用率并降低成本。例如，当有一种新药要上市时，我们需要考虑如何将其铺到各个终端，并实现该药的收入增长最大化。通过高级数据分析技术，我们可以抓住新兴市场的增长和扩张机会。

3. 药企更加迫切需要审视现有供应链的整体运作效率

为了应对前述挑战，药企迫切需要审视现有供应链的运作效率。以下图表简单描述了医疗机构、药企、经销商和新兴在线医疗服务等实体机构之间的关系，包括在线医疗、线下医院和零售药店，以及如何接触到终端消费者。

在每个环节都需要优化和改善。首先，药企需要与医疗机构进行互动与协作，了解最新的医疗进展和疾病治疗效果，以完善疾病控制和预防。这需要持续协作研究，包括建立相应的基础设施、人才储备和参与行业论坛进行相关研究。

其次，需要建立统一的标准，以管理在不同地区和药品的众多经销商。这需要实现物流整合、仓储和物流模式的优化，以及物流信息和运营管理的集成，并与供应商相关的 ERP 系统的整合。

第三，需要控制终端，强化销售网络，包括医院、零售药店以及线上平台，以便更顺畅地在这些接触客户的平台上提供更高效的产品和物流供应链服务。

最后，需要增强与消费者的联系，包括提供定制化医疗诊断手段，提升消费者体验。药企应主动收集大量数据，通过数据发现药物研发的机会，以实现短期开拓新渠道、新模式，降低运营风险，以及长期做好一体化的供应链模式，以促进商业战略和规划的发展。

03如何进行数据能力变现

1. 什么是数据势能引擎

首先来分享一下数字智能引擎的概念，势能是一个物理学的概念，指的是储存在系统中的能量，可以释放并转化为其他类型的能量。它不是单个物体所拥有，而是相互作用物体所共享的，由它们的相互作用产生。了解势能的概念可以帮助我们更好地理解企业内部协作和资源整合的重要性。

对于药企内部有很多部门、技术和资源需要有效协同才能产生业务价值。通过将内部资源整合，智能引擎可以以业务价值为导向，发挥人才、协作、智能技术和行业经验知识等多方面能力，突破企业发展并实现业务目标。因此，数字智能引擎是以人为本、以业务价值为导向的商业化模式，可以驱动企业内部数据和资源的整合，发挥各方面的能力，实现业务目标。

具体来说，势能模型包括了七个模块：

• 数字化与数据：企业需要获取所需的数据，并在业务接触点采集丰富数据。
• 连接价值网络：包括数据与数据之间的连接、人与业务的链接，以及算法应用和各种触点的相互连接。
• 系统治理：对企业管理进行更加系统化的治理，包括数据治理、技术治理等。
• 智能技术：将分散在各分子公司、各部门之间的智能技术通用化，使其能够应用于不同的业务场景和应用领域。
• 思维模式：企业需要建立商业思维与数据思维的融合，即使拥有大量资源、预算和人才，需要注重思维模式的同步。
• 敏捷与弹性：需要敏捷地开发场景，并验证产品的价值。
• 规模化创新与商业变现：公司内部创新和商业化变现是非常重要的，特别是在集团性公司涉及多个业务领域的情况下。一线人员具备良好的创新能力，但需要数据和智能技术支持来激发他们的潜力，并挖掘更多的业务场景。规模化创新需要团队和相关人员更好地理解技术和数据，并逐渐进行孵化。我们的目标是实现最小化可行产品（MVP），在单个 MVP 验证可行后，通过正式投资项目以项目化方式运营对应的创新想法。

这些模块之间相互促进也相互制约。例如，当数据质量不高时，技术能力也无法发挥出好的性能，缺乏商业思维和数据思维也会影响产品设计能力，导致无法有效落地商业化。此外，系统治理同样重要，缺乏治理会导致背负更多的历史技术债务。因此，需要从整体角度出发，促进这些方面的相互促进和相互制约。这个模型不仅适用于公司的管理和决策层，对于个人和团队也非常有用。在研发 MVP 或产品时，需要找到合适的数据并了解其质量和技术实践，逐渐孵化出 MVP 并通过验证后发展成为正式的项目。

2. 以"业务场景+智能技术"实现数据变现飞轮效应

数势能引擎的落地是如何规模化地将我们的商业场景变现。如图所示，左侧是一些不同的场景输出，这些场景大部分都是我们的核心业务线以及我们掌握的一些技术能力。

我们通过一套商业模式，将这些场景转化为更具体的商业目标。这个过程在我们内部实现了一个数据变现的飞轮。所有的参与者都是创新的参与者，他们可以获得公司的数据和智能技术，以及我们为解决某些场景所提供的能力，从而快速实现团队和个人价值。

04利用智能技术把握增长机会

1. 利用智能技术提升医药供应链的透明度与产业链上下游的协同能力， 实现从局部最优到全局最优，把握持续增长机会

如何在医疗行业把握机会？可以通过提升透明度和协同能力，实现从局部到全局的最优解。医疗供应链可分为几个阶段：一是实现某些领域的供应链可视化，提高透明度；二是建立端到端的管理控制塔，查看供应链相关对象和参与者，进行协同计划；三是实现数字化，将场景变为数字化，获取更多数据，预测未来挑战和当前情况；四是建立连接，通过数字化手段连接到整体生态网络，提高医疗机构大网络的协同性和有效性。因此，从信息供应链到网络化生态系统的发展是一个逐渐进步的过程。同时，数字能力也是支撑日益复杂的供应链的必要条件。需要尽早制定整体数字化供应链的规划和策略，利用各种智能技术在特定的业务场景中实现赋能。

2. 构建供应链知识图谱应用的关键领域

以构建知识图谱为例，我们需要关注以下几点：

• 数据治理：在集成数据时，我们需要做好数据治理，确保数据质量。这是因为数据来自多个分子公司和零售终端，获取这些数据后，需要进行整理，确保数据质量，为算法提供高效的基础数据，从而提高算法的性能。
• 主数据管理：在企业内部，我们需要对主数据进行管理，包括对实体命名规则和公式的理解达成一致。在主数据发生变动时，需要及时维护主数据，确保整个数据基础底座的稳定。
• 构建图谱过程&价值驱动场景开发：构建不同领域的知识图谱的过程和方式可能会有所不同，我们需要深入不同的场景环节，进行具体的场景探索，从而实现价值驱动的场景开发。

3. 通过数据治理为企业级知识图谱的建立提供了可靠的保障

从这个数据治理的角度来看，这里提供了一个参考框架，包括定制数字化数据治理战略、支撑方式、未来规划以及相应的解决方案模块，如数据管理、项目管理、创新管理、用户管理和变更管理等。其中涉及到数据治理的几个主要领域，具体包括数据采集、集成和分发，以及数据服务和模型管理等。目的是更高效地满足各方数据需求，促进算法应用和性能优化。

4. MDM 提供一致性、准确性和可信度高的主数据，为知识图谱的构 建和应用提供稳定的数据基础

为了做好数据治理，需要进行制度性、数据管理、政策制度、组织流程规范等方面的工作，并应用相关技术。主数据的几个业务模式，包括批量整合、注册模式、共存模式和交易中心模式。批量整合会遇到标准统一和主数据变更同步的挑战。传统数仓模式偏重于分析，后来发展出了注册模式、共存模式和交易中心模式。注册模式通过消息队列实时分发消息，每个主数据都有对应业务领域的数据 Owner 来维护，保留各自独特领域专业定义，同时实现了数据快速触达各个使用方。共存模式和交易中心模式也一样，交易中心模式更像一个数据银行，能快速把数据分配到交易中心，特别是涉及到集团性和外部数据采购的时候，这也是目前比较好的商业模式。

5. 越复杂的知识图谱，表征商业的能力就越强

这是一张基本的操作流程图，旨在强调在构建知识图谱时，企业需要尽可能将所有可获取的数据上传到在线状态。因为越复杂的知识图谱，它所能代表的商业能力就越强。我们企业内部的大数据平台或数据服务中的数据是我们在商业竞争中所积累的宝贵资源。我们应该将这些数据结合企业内部的业务经验和知识沉淀下来。

为了实现这一点，知识图谱是一个很好的方式，可以整合我们企业内部各个数据平台中的数据，包括临时性的数据。即使有些特定领域的数据是用 Excel 存储的，也可以通过这个 Excel 很好地整合到这个图谱中。这个图谱实际上是一个非常大的知识网络，通过这个知识网络，我们可以更好地了解企业内部的各种关系和联系。

建立这个知识图谱的步骤是通用的，但具体步骤会根据实际情况，包括我们整合的数据库和数据平台的实际情况，来做出相应的调整。

6. 知识图谱与智能算法赋能医药供应链各个环节，有效提升效能、 管控风险、促进增长

在医疗行业中，图谱技术和算法被用于赋能医疗供应链的各个环节。通过图谱，可以非常清晰地看到药品或货物的流向，这具有天然的优势。而利用图谱，也可以快速发现经销商的异常交易行为，包括价格波动、大订单、灰色市场和串货等行为。此外，基于图谱之间的一些关系，可以非常直观地分析风险预警，包括销售倒挂、销售涡流、库存风险和市场发展趋势等。

针对经销商的数据，可以分析其进销存相关数据，以预测库存计划和市场发展趋势，指导新药上市的计划和零售终端的铺设。此外，通过分析销售网络渠道的数据，可以优化销售网络渠道，调整市场策略。最后，对零售终端的销售趋势进行预测分析，也可以为整体市场策略提供指导。

7. 能力越大，责任越大------负责任的人工智能治理

随着人工智能技术的广泛应用，许多企业开始发展大模型能力。然而，人工智能技术的智力水平越高，其承担的责任也会越大。发展人工智能技术时，需要考虑人工智能的智力水平及缺乏管控可能会给组织带来的风险，包括智能、安全、控制、经济、社会和道德等方面的风险。

在规划人工智能项目时，负责任的人工智能是一个非常重要的因素，需要评估关键环节，包括设计阶段和获取数据等。在获取数据时，需要考虑数据 Owner 的授权和合规性问题。在人工智能系统开发、训练和部署环节，需要尽可能减少偏见，让人工智能更加负责、可靠和道德。在持续运营负责任的人工智能系统时，需要持续监控和监管其性能和合规性，以确保其符合标准和避免潜在的风险。为了避免风险，需要尽早制定相应的治理和规划。只有通过制定端到端的解决方案，包括制定负责任的人工智能战略，才能确保人工智能技术的安全性和合规性，并规避不必要的风险，否则可能会导致项目失败。

以上就是本次分享的内容，谢谢大家。