Analisi e Previsione delle Vendite Farmaceutiche

Accurate demand forecasting in the pharmaceutical industry is essential for ensuring medicine availability, optimizing supply chain operations, and reducing costs. This thesis presents a case study on weekly sales forecasting across eight therapeutic drug groups using real-world data. The study employs three state-of-the-art forecasting approaches—Seasonal Autoregressive Integrated Moving Average (SARIMA), Prophet, and Long Short-Term Memory (LSTM) networks. To guide model selection, time series decomposition was applied to quantify the relative contribution of trend, seasonality, and residual components, while clustering based on statistical and structural features was used to group medicines with similar demand patterns. The decomposition analysis revealed that structured series with strong trend-seasonality were best captured by SARIMA, moderately irregular series performed better under Prophet, and highly nonlinear series required LSTM. Clustering further enabled group-level model assignment, improving scalability and consistency. Model performance was evaluated using Root Mean Squared Error (RMSE) and Mean Absolute Percentage Error (MAPE). The results demonstrate that combining decomposition-driven insights with cluster-based analysis enhances forecast accuracy compared to a one-size-fits-all approach. This integrated framework offers a systematic and data-driven methodology for pharmaceutical demand forecasting, supporting more resilient and efficient supply chain management.

Una previsione accurata della domanda nel settore farmaceutico è essenziale per garantire la disponibilità dei medicinali, ottimizzare le operazioni della catena di approvvigionamento e ridurre i costi. Questa tesi presenta un caso di studio sulla previsione delle vendite settimanali di otto gruppi terapeutici di farmaci utilizzando dati reali. Lo studio applica tre approcci di previsione all’avanguardia: il modello stagionale autoregressivo integrato a media mobile (SARIMA), Prophet e le reti Long Short-Term Memory (LSTM). Per guidare la selezione dei modelli, è stata applicata la scomposizione delle serie temporali al fine di quantificare il contributo relativo di trend, stagionalità e componenti residue, mentre il clustering basato su caratteristiche statistiche e strutturali è stato utilizzato per raggruppare i farmaci con schemi di domanda simili. L’analisi di scomposizione ha rivelato che le serie strutturate con forte trend e stagionalità sono meglio rappresentate da SARIMA, le serie moderatamente irregolari hanno prestazioni migliori con Prophet e le serie altamente non lineari richiedono LSTM. Il clustering ha inoltre permesso l’assegnazione dei modelli a livello di gruppo, migliorando la scalabilità e la coerenza. Le prestazioni dei modelli sono state valutate utilizzando l’errore quadratico medio della radice (RMSE) e l’errore percentuale assoluto medio (MAPE). I risultati dimostrano che combinare le intuizioni derivanti dalla scomposizione con l’analisi basata sul clustering migliora l’accuratezza delle previsioni rispetto a un approccio uniforme. Questo quadro integrato offre una metodologia sistematica e guidata dai dati per la previsione della domanda farmaceutica, supportando una gestione della catena di approvvigionamento più resiliente ed efficiente.