UA : У роботі досліджено роль та значення аптечних мережевих бізнес-структур у національній економіці; розкрито сутність, особливості та проблеми процесу управління асортиментом аптечних мереж; проаналізовано практики асортиментної політики та здійснено аналіз інструментарію моделювання процесів управління асортиментом в економіці; застосовано матричну (АВС-XYZ)-модель для аналізу реалізації ліків. У результаті роботи розроблено концептуальну алгоритмічну модель процесу управління асортиментом аптечної мережі, що ґрунтується на принципі інтероперабельності інформаційних систем та застосуванні результатів прогнозування на базі нейронної мережі. Вхідні дані надаються інформаційним відділом компанії (мережі аптек), яка зберігає історію продажів в корпоративній ERP-системі. Для прогнозування обсягів попиту на ліки на основі їх продажів обрано базову архітектуру LSTM, оптимізація якої привела до застосування моделі нейронної мережі з 5 шарів LSTM та використання дропаутів. Модель нейронної мережі реалізована на Python в середовищі PyCharm, здійснено дослідження характеристик та ефективності її роботи, розроблено рекомендації щодо застосування.
EN : The work studies the role and importance of pharmacy chain business structures in the national economy; reveals the essence, features and problems of the process of managing the assortment of pharmacy chains; analyses the practices of assortment policy and analyses the tools for modeling the processes of assortment management in the economy; applies the matrix (ABC-XYZ) model for analyzing the sale of medicines. As a result of the work, a conceptual algorithmic model of the assortment management process of a pharmacy chain was developed, based on the principle of interoperability of information systems and the use of forecasting results based on a neural network. The input data is provided by the information department of the company (pharmacy chain), which stores sales history in the corporate ERP system. To forecast the demand for medicines based on their sales, the basic LSTM architecture was chosen, the optimization of which led to the use of a neural network model with 5 LSTM layers and the use of dropouts. The neural network model was implemented in Python in the PyCharm environment, the characteristics and efficiency of its work were studied, and recommendations for its application were developed.
