Thales – Prédiction logistique en pharmacie

Les pharmacies au détail s’appuient principalement sur leurs propres données empiriques pour planifier et prévoir leurs stocks. Ce type de données a ses propres caractéristiques, qui peuvent être saisonnières et être affectées par des événements spéciaux et imprévus tels que les maladies pandémiques. Toutefois, à mesure que la quantité de données s’accumule, il n’est pas évident de savoir comment prévoir efficacement leurs stocks, découvrir les habitudes d’achat de certains médicaments à certaines périodes de l’année et prévenir davantage les pénuries. L’apprentissage automatique et l’analyse prédictive permettent d’analyser les données, de découvrir les habitudes d’achat des clients, les habitudes d’achat de médicaments à la demande, les associations et les informations potentiellement utiles cachées dans les données, ce qui est pertinent pour ce projet.
Le but de ce stage est d’étudier les sujets de recherche suivants. Comment pouvons-nous mieux modéliser les données logistiques des pharmacies ? Existe-t-il des caractéristiques indirectes autres que l’historique d’achat des clients que nous devons saisir à des fins prédictives ? Quel type d’algorithme est approprié pour prédire les modèles de demande de médicaments et les modèles de pénurie des fournisseurs ?

Faculty Supervisor:

Christian Gagné;Jonathan Gaudreault

Student:

Partner:

Thales Canada Inc

Discipline:

Computer science

Sector:

Information and Communications Technology; Technology

University:

Université Laval

Program: