这个顶峰项目解决了葛兰素史克林（GSK）供应链在管理顺序延迟方面面临的挑战，这对于确保制药行业及时交付至关重要。关键目标包括在GSK系统中指出计划的日期，并开发出强大的机器学习模型，以准确预测顺序延迟。通过文献综述和方法发展，该项目着重于利用神经网络机器学习方法，特别是经常性神经网络（RNN）。与此同时，详细的摘要统计数据显示了Benlysta品牌GSK操作中延迟频率和位置的位置显示，大约40％的流程订单显示出延迟问题，主要是在主要制造地点。进一步的检查强调了容易延迟的特定领域，为gsk提供了针对性行动的管理见解。模型开发涉及数据采集，操纵，预处理以及RNN和解释模型构建，然后进行超参数调整以优化性能，从而减少了4.89天的平均绝对误差（MAE）。随后的Shap值分析有助于确定特定的过程序列和组装阶段是延迟的关键动力，使GSK能够制定策略并减轻供应链风险。尽管在链接制造和质量数据方面面临的挑战限制了初始范围，但该项目提供了宝贵的见解，并为未来增强效果奠定了坚实的基础。利用从这个顶峰项目中获得的发现和见解，GSK可以提高运营效率，减轻供应链风险并更有效地为患者提供药物。