Industry: Pharma
Category: Artificial intelligence

Vetter Pharma-Fertigung GmbH & Co. KG – Smarte Einkaufsprozesse mit Machine Learning

Mit der Integration von Machine Learning in den Einkaufsprozess konnte die Vetter Pharma-Fertigung GmbH & Co. KG die Datenqualität sowie die Prozesseffizienz enorm steigern und ist am Puls der Zeit.

Warum NTT DATA Business Solutions?

  • Hohe Expertise im Bereich von innovativen Technologien
  • Fundiertes Know-how bei der Integration von innovativen Technologien in SAP-Lösungen und Geschäftsprozesse

Mit NTT DATA Business Solutions haben wir es geschafft, Machine Learning in unseren Einkaufsprozess zu integrieren. Damit sind wir am Puls der Zeit und haben unsere
Datenqualität sowie Prozesseffizienz enorm gesteigert.

Birgit Szielasko, Vetter Pharma-Fertigung GmbH & Co. KG

Industrie: Pharma
Produkte: Aseptische Abfüllung und Verpackung vorgefüllter Injektionssysteme wie Spritzen, Karpulen und Vials
Mitarbeitende: ca. 6.000 (2023)
Stammsitz: Ravensburg, Deutschland
Website: www.vetter-pharma.com

Herausforderungen, Vorteile & Lösungen

Herausforderungen

  • Falsche Zuordnung von Warengruppen zu Bestellanforderung aus Freitextpositionen in der Dienstleistungs- & Verbrauchsgüterbeschaffung
  • Hoher manueller Korrekturaufwand
  • Wenig Transparenz über Beschaffungsvolumen

Vorteile

  • Einsatz von Machine Learning für bessere Datenqualität
  • Verbesserte First-Time-Right Quote führt zu geringeren Prozesskosten und einer verbesserten Prozesseffizienz
  • Minimierung des Nachbearbeitungsaufwandes in Folgeprozessen

Lösungen

  • SAP Business Technology Platform
  • SAP AI Business Services
  • Einsatz von Machine Learning Technologie durch den SAP Data Attribute Recommendation (DAR) Service
Reference Profile
Vetter Pharma-Fertigung GmbH & Co. KG, Deutschland

Erhöhte Datenqualität – Smarte Einkaufsprozesse mit Machine Learning

Case Study herunterladen

eBook
Ihr erstes Machine Learning-Projekt in nur 60 Tagen

Mit diesen Schritten implementieren Sie ein Machine Learning-Tool für den Einsatz von Künstlicher Intelligenz

E-Book herunterladen

Zum Projekt

Höchstmögliche Qualität – Patienten an erster Stelle

Das global agierende Unternehmen Vetter begann vor über 60 Jahren als Apotheke. Mittlerweile spezialisiert sich der Hersteller auf die aseptische Abfüllung und Verpackung von Spritzen und weiteren Injektionssystemen. Von der frühen Entwicklung neuer Medikamente bis hin zur Marktversorgung werden Arzneimittelhersteller bei der Behandlung diverser Krankheiten unterstützt. Rund 6.000 qualifizierte Mitarbeitende als Erfolgsträger und der Einsatz intelligenter Roboter in der aseptischen Produktion sorgen für die Einhaltung höchster Qualitätsstandards. Den Fokus stets auf Automation und Innovation gerichtet, setzt Vetter auch im Einkauf auf modernste State-of-the-Art-Technologie. Dabei werden die Anforderer bei der Erfassung von Bestellanforderungen (BANF) bestmöglich systemseitig unterstützt und intuitiv durch den Prozess geführt.

“First-Time-Right” – Mehr Effizienz im Einkaufsprozess

Im Rahmen der konstanten Systemoptimierung wurden zwei Ziele angestrebt. Zuerst sollte die „First-Time-Right“-Quote bei der Erfassung von Bestellanforderungen erhöht werden. Anschließend sollte eine höhere Transparenz über das Beschaffungsvolumen ermöglicht werden, um so bei strategischen Entscheidungen unterstützen zu können. Hierzu wurde das Warengruppenkonzept umfangreich an die neuen Anforderungen des Marktumfelds angepasst. So hat sich die Anzahl der Warengruppen letztlich auch deutlich erhöht. Gleichzeitig sollten die User technische Unterstützung bekommen, um manuelle Fehler und hohen Aufwand bei der Anlage der Bestellanforderung zu reduzieren. Zur Erreichung dieser Ziele, wird nun ein Machine Learning Service eingesetzt, die User bei der Auswahl der Warengruppe unterstützt und Vorschläge unterbreitet.

Machine Learning – Flexibilität bei schnellem Wandel

Neben der Überarbeitung des Warengruppenkonzepts durch den Fachbereich wurde anhand von Trainingsdatensätzen ein Vorgehensmodell im SAP Data Attribute Recommendation (DAR) Service angelernt. Das Modell liefert auf Basis des individuellen Dateninputs eine Vorhersage sowie einen Wahrscheinlichkeitswert. Diese erhalten die User über einen Button, der über ein Pop-Up drei Warengruppenvorschläge zusammen mit dem Wahrscheinlichkeitswert basierend auf dem KI-Modell anzeigt. So können die User einen Vorschlag auswählen und mit dem Prozess fortfahren. Dieses Modell wird in regelmäßigen Intervallen mit weiteren Trainingsdaten automatisiert angelernt. So kann es sich nach einer gewissen Anlernphase an ein dynamisches Geschäftsumfeld anpassen. Damit das Pop-Up funktioniert, wurde eine Schnittstelle zum SAP DAR Service via der SAP BTP definiert und in die Bestellanforderungstransaktion integriert.

Potenziale – Weitere Anwendungsfälle identifiziert

Trotz umfangreicher Erweiterung der Warengruppen für das moderne Marktumfeld ist es weiter gelungen die „First-Time-Right“-Quote der BANF zu verbessern. Der DAR Service ergab viel positives Feedback seitens der Anforderer. Aufgrund des Erfolges wird nun über weitere Anwendungsfelder für den Service nachgedacht, um zum Beispiel auch bei Instandhaltungsaufträgen die User mittels Machine Learning zu unterstützen. Einer digitalen, intelligenten Zukunft steht somit nichts im Wege.

Sprechen Sie uns an!

Treten Sie mit uns in Kontakt oder schreiben Sie uns eine Nachricht und wir melden uns bei Ihnen.
Telefon: +49 800 480800-7

Das könnte Sie ebenfalls interessieren

About NTT DATA Business Solutions

29
countries
30
years of experience
6000
customers worldwide