沿着旧地图，找不到新大陆，对于处在医改阵痛中的医疗器械厂商来说，数字化变革已经迫在眉睫。随着两票制和集采带量政策推进，医疗器械“躺赚”的时代一去不复返，高值医疗器械价格纷纷“跳水”，传统业务模式瓦解，经销渠道缩短，器械产品利润收窄，医疗器械行业正重新洗牌，医疗器械企业面临巨大压力。

带量采购：即药品集中采购（Volume-based Procurement，VBP），是在招标公告中会公示所需采购量，投标过程中除了要考虑价格，还要考虑能否承担起相应生产能量。

两票制：是指药品从药厂卖到一级经销商开一次发票，经销商卖到医院再开一次发票，以“两票”替代目前常见的七票、八票，减少流通环节。

由于利润被削薄，企业一方面需要通过降低成本“曲线增收”，另一方面需要更大的市场来填补收益，但带量采购后，医疗器械厂商除了要考虑成本，还要考虑产量能否满足医院需求，这种压力主要都给到了供应链。长期以来，国内医疗器械行业的运营管理相对粗放，厂商对器械流通中的很多问题看不清、摸不透，全球性医疗器械厂商对国内市场更是长期处于“远程调控”模式，供应链数字化转型困难重重。

从需求、供应、履约到生产，每一个环节都亟需提升，各个环节又互相关联，应该从哪里入手？在近期举办的医疗器械供应链重塑与数字化建设研讨会上，杉数科技解决方案副总裁苏广俊指出，医疗器械供应链数字化的关键在于数据驱动的决策升级，智能决策将推动供应链模式变革，模式变革则能带来价值增长，其中需求预测是第一步，而且是最重要的一步。

智能需求预测，打开数智化转型的第一道关口

供应链管理的起点是需求预测，如果需求预测不准确，可能带来一系列“蝴蝶效应”，比如补货不及时、库存不足或积压、生产计划跟不上市场需求等等。所谓知己知彼百战不殆，要想打破转型屏障，企业必须了解第一手的市场需求，需求计划升级可以说是第一道关口。

传统模式下，医疗器械从生产厂商流通到医院，中间有多层经销商，生产厂商无法逐层管理，只能粗略地了解对一级经销商的出货量，运营管理非常被动。企业在做需求计划时，主要依靠人工统计，一般会根据历史销量数据、结合财务和市场情况来确定对一级经销商的出货计划，无法从市场需求端进行预测，得到的需求计划是片面和滞后的。而且，由于很多因素无法量化，导致预测准确率较低，通常只能预测到全国层面的数据。

智能需求预测逻辑框架图

一般来说，医疗器械的市场需求量和病种、区域、手术量、渗透率（使用于某种手术类型的某类产品的消耗数量/该类手术的总手术量）等因素息息相关，传统的数字化技术很难将所有因素进行全盘考虑。为了解决需求计划难题，某国际医疗器械巨头引入了智能决策技术，采用了杉数科技提供的智能需求计划平台，借助智能算法和机器学习技术将手术量、渗透率、历史数据等多影响因子综合考虑来预测医院需求量（IMS)，再结合库存策略推导转换对经销商的出货量（NTS），预测结果得到明显提升。

医疗器械产品流通过程及智能需求预测思路

NTS--厂商发给经销商的产品数量；IMS--经销商发给医院的产品数量

数据显示，通过智能预测方案对2个产品部门的100多个SKU进行需求预测，该企业不仅将预测的精细度做到了【医院x月度x SKU】层级，也将预测准确性提高了10%以上，计划的效率和质量都得到大幅改善。借助更精准的预测结果，医疗器械厂商就可以化被动为主动，灵活管控经销商，实现更加合理地资源分配和运营调控。同时，也能够有效地指导生产、库存和运输等计划，可以说打通了医疗器械供应链管理的“任督二脉”。

从实现路径来看，基于智能决策技术的需求预测融入了人工智能和机器学习等技术，打破了人工和传统数字化系统的诸多限制，进一步释放了数据的价值，为企业灵活应对当前变局、进行全面的数智化升级打下了良好的基础。具体实施中，针对不同的问题，智能决策方案也提供了差异化的解决方案。

疫情对预测结果影响大，智能算法如何破解？    

疫情近年来对医疗器械销量的影响较大，而疫情的爆发完全没有规律可循，如何在不确定性的情况下得到更精准的需求计划？这在此前是没有经验可以借鉴的。在上述提到的案例中，该企业先利用机器学习技术获得疫情和手术量及销量的关联情况，再将疫情影响因子加入到整体预测模型中计算，并根据实际疫情情况进行调整，最终优化效果明显。

历史实际手术量与算法预测在考虑未来疫情影响前后的对比

（根据某城市某病种数据统计）

具体处理方式是，利用机器学习训练模型，学习其他省份销量变化率及疫情规模的相关性，并结合当地当前疫情状况，预测当前省份受疫情影响的销量下降情况。然后，进行极值和疫情相关后处理，并进行模型集成，最终输出疫情影响下的销量预测结果。如上图所示，融合疫情模型对某城市手术量进行预测，预测准确率得到大幅提升。

AI预测模型，助力VBP产品决策价值最大化

集采产品的计划决策比常规产品复杂，对整个供应链的影响也更明显。因为集采政策是逐步推进的，企业将长期处于VBP产品和常规产品并行的状态，在模式转换的过程中，如何平衡不同产品的生产供应非常重要，中不中标是从“0”和“超大量”订单之间做选择，关系到企业的产品定位、营销方向、生产规划等战略性问题。例如，假设某VBP产品中标，企业将投入大量成本和资源来生产该产品，可能就会影响其他常规产品的生产，那么到底要不要竞标？

从整体经济效益考虑，中标不一定意味着整体效益增长，放弃标的也不意味着整体效益下降。而且，在实际运营过程中，企业不仅要在中标前考虑能不能承接，中标后还需要考虑如何以最低成本、最大效率来履约。智能决策要做的就是“削峰填谷”，在满足多个约束的条件下，帮助企业做出经济效益最优的决策。

如何通过Scenario Planning考虑VBP对供应链及公司运营的影响

针对VBP产品，杉数科技提供的解决方案是立足全局综合考虑各个因素，以经济效益最优目标，根据企业需求在中标前和中标后分阶段进行预测。

在中标前，首先要考虑的是财务收益，即能否给企业带来利润；其次要考虑生产量、库存、运输等供应链能力能否满足需求。智能决策方案可以综合考虑采购量、降价比例、采购周期、中标概率等政策因素，以及产品、价格、库存等产品因素，并围绕财务收益和供应链瓶颈问题建立仿真模型，将VBP作为一个增量加入到需求计划中，通过多种模拟对比，最后生成需求计划辅助企业决策是否要竞标、以及用什么样的成本来竞标。

中标后不同阶段需求预测模拟

中标后的解决思路是，根据当前VBP目标产品及其对应的产品替代绑定关系，在积累一定数据后，分析由产品间的关系带来的额外销量影响，再将这种影响加入到模型中。具体实施过程中，先参考相似品在其他省市的需求趋势，由产品部（BU）、销售与供应链需求计划部门协作做出需求计划，持续监控月度偏离情况并进行人工调整，根据人工记录和反馈，得到偏离的原因，然后再切换VBP产品至常规产品，并综合考虑中标后的分配量、以往产品在该省市多种影响因素，同时会在模型中加大对近期趋势的学习权重，以提高预测准确度。

多部门联动计划，更透明更协同更敏捷

借助智能决策技术，无论是疫情影响、VBP产品的特殊影响，还是更多人工无法考量的因素，都可以实现量化计算和分析，这是智能需求预测的一大优势。基于这种优势，企业的需求计划会更加精准、全面和灵活，综合来看，融合多种数据处理和系统构建方式，智能需求计划在运营管理上可以帮助企业实现四大跨越：

从粗放式到精细化：打破标准化系统的粗放模式，在建模时将常规品、长尾品、高波动品、季节性商品、特殊性商品等进行分类建立特征库，根据产品特征选择最有效的预测模型，按SKU输出区域、省份、城市、医院等多层级年/月度计划等不同颗粒度的预测结果，实现不同层级、不同维度的数据预测，有效提高了预测的准确度，也让企业能够由点到面地了解市场需求，有针对性地进行洞察和优化。

从“黑盒”到可解释：杉数科技的白盒化预测模型兼顾预测准确性和可解释性，最终输出并不止于“预测”结果，还能通过智能算法对预测数据进行解释性分析，量化各因素对预测值的贡献，挖掘影响销量的关键因子，以支撑业务分析、调整，帮助企业进一步优化预测模型，同时企业能够根据分析结果针对性优化业务环节，以提升运营管理效率和效果。

从分散到协同计划：在系统构建中，结合自下而上的销售预测提报与自上而下的公司市场计划，建立市场、财务、采购等协同操作的计划流程和机制，打破不同部门和供应链环节间的信息壁垒，解决了各部门计划不一致的情况，实现了需求驱动的一致性协同计划。

从低效率到高敏捷：因为做到了精细化和全局协同，企业在面对不确定因素时就可以快速敏捷地调整计划。比如，运作过程中，真实销量可实时更新至AI预测引擎，预测引擎自动输出最终销量变化，自动迭代调整下一期需求预测模型参数，不需要再经过人工层层统计和协商。更敏捷的响应，可以降低不确定性及最小化计划冲突，降低突发事件的负面影响。

在医疗器械整个供应链智能化转型过程中，智能需求预测虽然只是一个支点，但基于这个支点带来的改变却是巨大的，它能够让企业运营管理更具效率和柔性，带动生产、库存、物流等多个场景实现效率和效果提升。就智能决策技术而言，除了需求预测，其在库存优化、物流优化、生产排程等多个场景都表现出色，医疗器械厂商如果能够将智能决策技术应用到更多相关场景中，叠加作用给企业供应链带来的改变将更加可期。

免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。

责任编辑：kj005