چکیده: فقدان بینش و درک صحیح از تقاضای محصولات دارویی باعث شده که مراکز توزیع و فروش دارویی و کارخانههای داروسازی با مشکلاتی همچون کمبود یا عدم تأمین بهموقع تقاضا روبرو شوند. همچنین رسیدن به پیشبینی دقیق بلندمدت یک چالش بزرگ برای بسیاری از شرکتها است، چرا که ذات پیشبینی با عدم قطعیت همراه است. از آنجا که شرکتها تصمیمات استراتژیک خود، مانند سرمایهگذاریهای بلندمدت و برنامهریزی عرضه و ظرفیت، را بر اساس این پیشبینیها اتخاذ میکنند، دقت پیشبینیهای بلندمدت اهمیت فراوانی دارد. یادگیری ماشین در بهبود پیشبینیها، بهویژه در دورههای کوتاهمدت، نتایج مثبتی نشان داده است. بنابراین، این پژوهش با طرح این سؤال که آیا یادگیری ماشین در پیشبینیهای بلندمدت نیز بهبود حاصل مینماید آغاز میشود. در راستای پاسخ به این سؤال در این تحقیق از چندین رویکرد یادگیری ماشین برای پیشبینی تقاضای بلندمدت دستهای از محصولات شرکت لابراتورهای سینا دارو استفاده میکنیم. ابتدا با استفاده از روش جنگل تصادفی (RF) ویژگیهای مرتبط را شناسایی کردیم. سپس، با بهرهگیری از رویکردهای مستقیم و بازگشتی، مدلهای پیشبینی یکمرحلهای و چندمرحلهای را توسعه دادیم. از سه الگوریتم یادگیری ماشین و دو الگوریتم سری زمانی شامل جنگل تصادفی (RF)، شبکه عصبی مصنوعی (ANN)، رگرسیون، هموارسازی نمایی و ARIMA در راستای تحقق دو رویکرد ذکرشده استفاده شد. نتایج نشان داد که این الگوریتمها در مدلهای یکمرحلهای دقت نسبتاً بالایی دارند، اما با افزایش افق پیشبینی و استفاده از مدلهای چندمرحلهای، دقت کاهش مییابد. با تحلیل نتایج فرآیند انتخاب ویژگی و مقایسه مدلها، ویژگیهای حیاتی برای پیشبینی تقاضای بلندمدت داروها شناسایی شد. همچنین دریافتیم که عملکرد مدلهای یادگیری ماشین بسته به در دسترس بودن دادهها، افق پیشبینی و نوع محصول متفاوت بود. از چالشهای اصلی در این حوزه شامل تنوع بالای محصولات دارویی و کمبود آمار کافی درباره فروش گذشته و عدم ثبت حوادث تأثیرگذار در تقاضا و فروش برای برخی از این محصولات است.
