Publicerad
Författare
Läkemedelsförsörjningen i Norden är komplex. Men när ny teknik kan förändra vad som går att förutse, automatisera och styra behöver vi också våga ompröva de processer, arbetssätt och system som läkemedelsförsörjningen bygger på.
Att säkerställa att rätt läkemedel finns på rätt plats när patienten behöver det borde vara en självklar målsättning. I praktiken är vägen från produktion till patient betydligt mer komplicerad. Ett läkemedel kan exempelvis produceras och QP-frisläppas i ett land, transporteras för lagring hos en extern logistikpartner i ett annat och därifrån distribueras vidare till flera nordiska marknader. För varje marknad måste läkemedlet vara godkänt och uppfylla tillämpliga regulatoriska och kommersiella krav innan det kan göras tillgängligt för försäljning.
Till detta kommer GDP med höga krav på kvalitet, spårbarhet och dokumentation samt de olika nordiska ländernas regulatoriska krav för olika typer av läkemedel. Många Life Science-bolag arbetar dessutom med flera CMO:er, 3PL-partners, grossister och andra externa aktörer, samtidigt som kritisk information kan finnas utspridd mellan olika avdelningar, finnas i olika system eller sparas i olika manuella lösningar.
Resultatet blir komplexa lösningar som ursprungligen skapats för att snabbt lösa ett avgränsat problem. När information och kompetens blir personberoende ökar sårbarheten. I stället behöver verksamheten bygga sammanhängande, hållbara och värdeskapande försörjningskedjor som fungerar över tid.
AI och annan ny teknik skapar möjligheter att gå från reaktiv problemlösning till mer proaktiv styrning. Med AI och bättre integrerade data kan förändringar i efterfrågan, lagernivåer och leveransrisker identifieras tidigare, vilket ger verksamheten bättre förutsättningar att agera innan en bristsituation uppstår. Det kan innebära att organisationen går från att fråga: Varför fick vi brist på den här produkten? till: Var riskerar vi att få brist och vad kan vi göra åt det innan den uppstår?
För Life Science kan exempelvis efterfrågeprognoser, lageroptimering, leverantörsrisker, överblick över försörjningskedjan och prediktiva varningar vara områden där AI och bättre integrerade data skapar nya möjligheter. Men potentialen är ännu större än en bättre prognos. Life Science behöver ofta tänka om kring hela processen. Den riktigt intressanta frågan är inte hur AI kan läggas ovanpå dagens processer, utan hur processerna skulle utformas om ni fick möjlighet att bygga dem från början med dagens teknik.
Life Science-bolag behöver ställa frågor som:
Rollerna inom varuförsörjning kommer att förändras. Planeraren behöver lägga mindre tid på att samla och sammanställa information och mer tid på att bedöma avvikelser, scenarier och konsekvenser. AI kan upptäcka mönster, identifiera avvikelser och skapa bättre beslutsunderlag. Människan bidrar med verksamhetskunskap, erfarenhet och ansvar för de beslut som fattas. Den verkliga potentialen uppstår när tekniken används för att förstärka människans förmåga, inte för att ersätta den.
I en reglerad Life Science-verksamhet får ökad effektivitet aldrig innebära minskad kontroll. Ny teknik behöver därför kombineras med tydliga ansvarsområden, hög datakvalitet, spårbarhet, kvalitetssäkring och rätt nivå av mänsklig kontroll. Störningar i produktion och logistik kommer fortfarande att inträffa. Skillnaden är att bättre data och AI kan ge människor möjlighet att upptäcka riskerna tidigare, förstå konsekvenserna och agera tillsammans med sina samarbetspartners innan problemen växer.
Det börjar inte med vilket system bolaget ska köpa. När organisationer ser behov av bättre planering eller kontroll är det lätt att snabbt börja diskutera affärssystem (ERP), APS, WMS, Control Towers eller AI-lösningar.
Men tekniken bör inte vara utgångspunkten. Börja i stället med verksamheten:
Hur ser vår varuförsörjning ut idag? Var finns riskerna och flaskhalsarna? Vilka aktiviteter skapar egentligen värde? Vilken information behöver vi men saknar idag? Vad kan förenklas eller automatiseras? Och hur vill vi att processen ska fungera i framtiden? Först därefter blir frågan vilket systemstöd som behövs.
Ett ERP-system kan räcka inom vissa områden. Inom andra kan det behöva kompletteras med exempelvis APS eller andra specialistlösningar. Framtidens läkemedelsförsörjning handlar om samspelet mellan människa och AI. Möjligheten ligger i att kombinera Life Science- och varuförsörjningskompetens med processutveckling, data och modern teknik för att bygga enklare, säkrare, mer proaktiva och hållbara försörjningskedjor.
Sammanfattningsvis behöver alltså det första steget inte nödvändigtvis vara att köpa ett nytt system. Börja i stället med att skapa en tydlig bild av dagens försörjningskedja: processerna, arbetssätten, informationsflödena, systemstödet och de största riskerna. Genom att identifiera var förändring kan skapa störst värde kommer ni också ett steg närmare en försörjningskedja som säkrar rätt läkemedel på rätt plats i rätt tid, med full spårbarhet och kontroll.
1. Börja med processen, inte tekniken
Börja alltid med en nulägesanalys av processer, arbetssätt och systemstöd.
2. Identifiera var riskerna finns
Kartlägg flaskhalsar, manuella moment och kritiska personberoenden.
3. Säkerställ tillgången till rätt data
Se över datakvalitet och struktur, inklusive förpackningsdata och relevanta ESG-data.
4. Definiera samspelet mellan teknik och människa
Identifiera vad tekniken kan göra och var mänsklig bedömning, ansvar och kontroll behöver finnas.
5. Utveckla processer och systemstöd tillsammans
Utgå från hur ni vill att den framtida försörjningskedjan ska fungera och definiera därefter vilket systemstöd som behövs.
Med kompetens inom Life Science, supply chain, processutveckling och system hjälper HerbertNathan & Co er att identifiera risker, utvecklingsmöjligheter och vägen mot en mer proaktiv och hållbar försörjningskedja.
