तकनीकी सारांश: सामुदायिक फार्मेसियों में AI-संवर्धित भविष्य कहनेवाला व्यावसायिक बुद्धिमत्ता (Predictive Business Intelligence) और सतत आपूर्ति श्रृंखला प्रदर्शन

1. समस्या विवरण और अनुसंधान संदर्भ

सामुदायिक फार्मेसियाँ तेजी से डेटा-केंद्रित खुदरा व्यवसायों के रूप में कार्य कर रही हैं, जो बिक्री, इन्वेंटरी, समाप्ति तिथियों और मांग के संबंध में विशाल मात्रा में परिचालन डेटा उत्पन्न करती हैं। डिजिटल प्रौद्योगिकियों की मूल्य सृजन, वितरण और कैप्चर करने की क्षमता के बावजूद, छोटे स्वास्थ्य सेवा खुदरा व्यवसाय डिजिटल व्यवसाय अनुसंधान में कम प्रतिनिधित्व वाले बने हुए हैं। मौजूदा साहित्य अक्सर डिजिटल क्षमताओं को तत्काल प्रदर्शन चालक के रूप में मानता है, जो उन रूपांतरण तंत्रों की व्याख्या करने में विफल रहता है जो प्रौद्योगिकी निवेश को स्थायी परिणामों में बदलने के लिए आवश्यक हैं। इसके अलावा, वर्तमान शोध में इस बात की स्पष्ट व्याख्या का अभाव है कि प्रेडिक्टिव बिजनेस इंटेलिजेंस (BI) क्षमताएं दीर्घकालिक सतत मूल्य—जिसे आर्थिक दक्षता, दवा उपलब्धता, अपशिष्ट में कमी और सेवा गुणवत्ता के रूप में परिभाषित किया गया है—विशेष रूप से सामुदायिक फार्मेसियों के संसाधन-सीमित वातावरण के भीतर कैसे उत्पन्न करती हैं।

यह अध्ययन एक 'सीरियल मीडिएशन मॉडल' (क्रमिक मध्यस्थता मॉडल) की जांच करके इन अंतरालों को संबोधित करता है। यह जांचता है कि कैसे AI-संवर्धित प्रेडिक्टिव BI क्षमताएं, डेटा-संचालित निर्णय लेने (DDDM) और इन्वेंटरी एवं मांग दृश्यता (IDV) की क्रमिक भूमिकाओं के माध्यम से सतत आपूर्ति श्रृंखला प्रदर्शन (SSCP) को प्रभावित करती हैं। अनुसंधान स्पष्ट रूप से यह दावा करने से बचता है कि पूर्णतः स्वायत्त AI तैनात किया गया है; इसके बजाय, यह फार्मेसी सूचना प्रणालियों के भीतर AI-संवर्धित एनालिटिक्स (जैसे, पैटर्न डिटेक्शन, प्रेडिक्टिव अलर्ट्स) के कार्यात्मक और अनुभवात्मक उपयोग पर ध्यान केंद्रित करता है।

2. कार्यप्रणाली

अनुसंधान डिजाइन और नमूना

यह अध्ययन एक मात्रात्मक क्रॉस-सेक्शनल सर्वेक्षण डिजाइन का उपयोग करता है। उत्तरी जॉर्डन (इरबिद, जेराश, अजलौन और माफ्रक) के चार गवर्नरेटों से 3も0 पूर्ण प्रतिक्रियाएं एकत्र की गईं। उत्तरदाता वे व्यक्ति थे जो खरीद, इन्वेंटरी और डिजिटल सिस्टम के बारे में जानकारी प्रदान करने के लिए सबसे उपयुक्त स्थिति में थे (जैसे, मालिक, प्रबंधक, मुख्य फार्मासिस्ट)।

माप और कंस्ट्रक्ट मॉडलिंग

इस अध्ययन में एक प्रमुख पद्धतिगत सुधार AI-संवर्धित प्रेडिक्टिव BI क्षमताओं (AAPBIC) को रिफ्लेक्टिव के बजाय एक फॉर्मेटिव-कंपोजिट कंस्ट्रक्ट के रूप में निर्दिष्ट करना है। यह अंतर रिसोर्स-बेस्ड व्यू (RBV) पर सैद्धांतिक रूप से आधारित है, जो AAPBIC को एक डिजिटल संसाधन के रूप में देखता है जो दो पूरक आयामों से बना है:

1. डेटा एकीकरण: बिक्री और इन्वेंटरी डेटा को संयोजित करने की क्षमता।
2. प्रेडिक्टिव एनालिटिक्स: मांग के रुझानों का अनुमान लगाने और धीमी गति से चलने वाली या कमी/अधिशेष वस्तुओं की पहचान करने की क्षमता।

इसके विपरीत, डेटा-संचालित निर्णय लेना (DDDM), इन्वेंटरी और मांग दृश्यता (IDV), और सतत आपूर्ति श्रृंखला प्रदर्शन (SSCP) को रिफ्लेक्टिव कंस्ट्रक्ट्स के रूप में मॉडल किया गया था। इस मॉडलिंग विकल्प ने उन ओवरलैप और डिस्क्रिमिनेन्ट वैधता संबंधी समस्याओं को हल किया जो डिजिटल क्षमताओं और निर्णय प्रक्रियाओं को समान रिफ्लेक्टिव कंस्ट्रक्ट्स के रूप में मानने पर उत्पन्न हुई थीं।

विश्लेषणात्मक दृष्टिकोण

डेटा का विश्लेषण 'पार्शियल लीस्ट स्क्वायर्स स्ट्रक्चरल इक्वेशन मॉडलिंग' (PLS-SEM) का उपयोग करके किया गया। विश्लेषण ने पांच चरणों वाले प्रोटोकॉल का पालन किया:

1. पूर्णता और आउटलेर्स के लिए डेटा स्क्रीनिंग।
2. फॉर्मेटिव-कंपोजिट AAPBIC का मूल्यांकन (डायमेंशन वेट और कोलीनियरिटी)।
3. रिफ्लेक्टिव कंस्ट्रक्ट्स का मूल्यांकन (विश्वसनीयता, अभिसरण वैधता, फोनेल-लारकर और HTMT के माध्यम से विभेदक वैधता)।
4. स्ट्रक्चरल मॉडल मूल्यांकन (पाथ कोएफिशिएंट, $R^2$, $f^2$, $Q^2$)।
5. 5,000-नमूना बूटस्ट्रैपिंग का उपयोग करके मीडिएशन विश्लेषण।

कॉमन मेथड बायस (सामान्य विधि पूर्वाग्रह) को प्रक्रियात्मक (गुमनामी) और सांख्यिकीय (हारमन का सिंगल-फैक्टर टेस्ट और फुल कोलीनियरिटी VIF) रूप से संबोधित किया गया। हालांकि AAPBIC (3.882) और DDDM (4.247) के लिए फुल कोलीनियरिटी VIF मान रूढ़िवादी सीमा 3.3 से अधिक थे (लेकिन व्यापक 5.0 सीमा से नीचे थे), परिणामों की व्याख्या संभावित वैचारिक निकटता और कॉमन मेथड वेरिएंस के संबंध में सावधानी के साथ की जाती है।

3. मुख्य परिणाम

प्रत्यक्ष प्रभाव (Direct Effects)

• H1 समर्थित: AAPBIC का DDDM पर मजबूत, सकारात्मक प्रत्यक्ष प्रभाव है ($\beta = 0.857, p < 0.001$)।
• H2 समर्थित: DDDM, IDV को सकारात्मक रूप से प्रभावित करता है ($\beta = 0.485, p < 0.001$)।
• H3 समर्थित: IDV, SSCP को सकारात्मक रूप से प्रभावित करता है ($\beta = 0.289, p < 0.001$)।
• H4 समर्थित नहीं: SSCP पर AAPBIC का प्रत्यक्ष प्रभाव महत्वपूर्ण नहीं था ($\beta = -0.026, p = 0.787$)।

मीडिएशन प्रभाव (Mediation Effects)

अध्ययन ने पाया कि डिजिटल क्षमता और सतत प्रदर्शन के बीच का संबंध पूरी तरह से अप्रत्यक्ष है, जो एक सीरियल मीडिएशन पाथवे के माध्यम से संचालित होता है:

• H5 समर्थित नहीं: विशिष्ट अप्रत्यक्ष पथ AAPBIC $\rightarrow$ DDDM $\rightarrow$ SSCP महत्वपूर्ण नहीं था। यह इंगित करता है कि केवल डेटा-संचालित निर्णय ही दृश्यता के बिना स्थिरता को चलाने के लिए अपर्याप्त हैं।
• H6 समर्थित: पथ DDDM $\rightarrow$ IDV $\rightarrow$ SSCP महत्वपूर्ण था, जो सुझाव देता है कि स्थिरता को प्रभावित करने के लिए निर्णयों को दृश्यता में बदलना चाहिए।
• H7 समर्थित: सीरियल इनडायरेक्ट पाथ (AAPBIC $\rightarrow$ DDDM $\rightarrow$ IDV $\rightarrow$ SSCP) महत्वपूर्ण था ($\beta = 0.120, p = 0.004$)।
• कुल प्रभाव (Total Effect): कुल अप्रत्यक्ष प्रभाव महत्वपूर्ण था ($\beta = 0.293$), जबकि प्रत्यक्ष प्रभाव महत्वहीन रहा, जो "लगभग पूर्ण" अप्रत्यक्ष मध्यस्थता (indirect mediation) का मामला दर्शाता है।

व्याख्यात्मक शक्ति (Explanatory Power)

मॉडल ने DDDM में 73.5% और IDV में 49.1% विचरण (variance) की व्याख्या की। हालांकि, इसने SSCP में केवल 13.2% विचरण की व्याख्या की। लेखक नोट करते हैं कि SSCP के लिए यह मामूली व्याख्यात्मक शक्ति अपेक्षित है, क्योंकि सतत प्रदर्शन कई कारकों से प्रभावित होता है जो डिजिटल रूपांतरण से परे हैं (जैसे, नियामक अनुपालन, आपूर्तिकर्ता संबंध, मूल्य निर्धारण)।

4. मुख्य योगदान

सैद्धांतिक योगदान

1. डिजिटल क्षमता रूपांतरण तंत्र: अध्ययन एक चरणबद्ध तंत्र का प्रस्ताव करता है जहाँ डिजिटल संसाधन (AAPBIC), प्रबंधकीय दिनचर्या (DDDM) में परिवर्तित होते हैं, जो फिर परिचालन दृश्यता (IDV) को सक्षम करते हैं, और अंततः सतत प्रदर्शन की ओर ले जाते हैं। यह इस विचार को चुनौती देता है कि केवल प्रौद्योगिकी स्वामित्व ही लाभ प्रदान करता है।
2. "दृश्यता" का परिशोधन: अनुसंधान सामुदायिक फार्मेसियों के संदर्भ में आपूर्ति श्रृंखला दृश्यता को पुनर्व्याख्यायित करता है, इसे व्यापक मल्टी-टियर औद्योगिक ट्रैसेबिलिटी के बजाय इन्वेंटरी और डिमांड विजिबिलिटी तक सीमित करता है, जो फार्मेसी स्तर पर लागू नहीं होता है।
3. पद्धतिगत विशिष्टता: AAPBIC को एक फॉर्मेटिव-कंपोजिट कंस्ट्रक्ट के रूप में मॉडल करके, अध्ययन डिजिटल क्षमताओं और निर्णय प्रक्रियाओं के बीच विभेदक वैधता मुद्दों को हल करता है, जो डिजिटल बिजनेस अनुसंधान के लिए अधिक रक्षात्मक PLS-SEM विशिष्टता प्रदान करता है।
4. संदर्भिकरण: यह डिजिटल बिजनेस और आपूर्ति श्रृंखला स्थिरता अनुसंधान को उभरती अर्थव्यवस्थाओं में छोटे स्वास्थ्य सेवा खुदरा सेटिंग्स तक विस्तारित करता है, जो डिजिटल क्षमता अपनाने को SDG 3 (अच्छा स्वास्थ्य और कल्याण) और SDG 12 (जिम्मेदार उपभोग और उत्पादन) से जोड़ता है।

व्यावहारिक योगदान

निष्कर्ष बताते हैं कि फार्मेसी मालिकों और प्रबंधकों को AI-संवर्धित BI को केवल सॉफ्टवेयर अधिग्रहण के रूप में नहीं, बल्कि एक निर्णय वास्तुकला (decision architecture) चुनौती के रूप में देखना चाहिए। सतत मूल्य प्राप्त करने के लिए, डिजिटल प्रणालियों को डिज़ाइन किया जाना चाहिए ताकि:

• वे रीऑर्डर अलर्ट और ट्रेंड डैशबोर्ड जेनरेट कर सकें।
• समाप्ति तिथियों पर जोखिम रिपोर्टिंग प्रदान कर सकें।
• आपूर्तिकर्ता प्रदर्शन और उत्पाद उपलब्धता को ट्रैक कर सकें।
• भविष्य कहनेवाला अंतर्दृष्टि (predictive insights) को नियमित परिचालन नियंत्रणों (जैसे, उच्च मांग वाली दवाओं के लिए साप्ताहिक डैशबोर्ड) में बदल सकें।

5. महत्व और दावे

पेपर यह दावा करता है कि उसने सतत आपूर्ति श्रृंखला प्रदर्शन के लिए एक सांख्यिकीय रूप से महत्वपूर्ण लेकिन व्यावहारिक रूप से मामूली डिजिटल मार्ग की पहचान की है। यह तर्क देता है कि AI-संवर्धित प्रेडिक्टिव BI केवल तभी सतत मूल्य बनाता है जब इसे डेटा-संचालित निर्णय दिनचर्या और परिचालन दृश्यता तंत्र में परिवर्तित किया जाता है।

अध्ययन स्पष्ट रूप से कहता है कि यह क्षेत्र के सामने आने वाली सभी स्थिरता चुनौतियों को हल करने का दावा नहीं करता है। इसके बजाय, यह प्रमाण प्रदान करता है कि डिजिटल क्षमताएं एक विशिष्ट, चरणबद्ध रूपांतरण प्रक्रिया के माध्यम से दवा उपलब्धता का समर्थन कर सकती हैं और फार्मास्युटिकल कचरे को कम कर सकती हैं (SDG 3 और SDG 12 का समर्थन करती हैं)। लेखक इस बात पर जोर देते हैं कि प्रौद्योगिकी और प्रदर्शन के बीच सीधा संबंध इन मध्यवर्ती परिचालन तंत्रों के बिना अस्तित्वहीन है, जो "डिजिटल वैल्यू पैराडॉक्स" को सुदृढ़ करता है जहाँ प्रौद्योगिकी में निवेश लाभ देने में विफल रहता है जब तक कि वह संगठनात्मक दिनचर्या में शामिल न हो जाए।

6. सीमाएं

लेखक कई सीमाओं को स्वीकार करते हैं:

• सामान्यीकरण (Generalizability): निष्कर्ष विशेष रूप रूप से उत्तरी जॉर्डन की सामुदायिक फार्मेसियों के लिए हैं और अस्पताल की फार्मेसियों या वितरकों पर लागू नहीं हो सकते हैं।
• क्रॉस-सेक्शनल डिजाइन: अध्ययन समय के साथ कारण संबंधों (causal relationships) को स्थापित नहीं कर सकता है; भविष्य के अनुसंधान के लिए अनुदैर्ध्य (longitudinal) डिजाइनों की सिफारिश की जाती है।
• मापन का दायरा: फार्मेसी के संदर्भ में आपूर्तिकर्ता/डिलीवरी संकेतकों के खराब फिट के कारण "दृश्यता" कंस्ट्रक्ट को संकुचित किया गया था।
• कॉमन मेथड बायस: हालांकि इसे संबोधित किया गया है, प्रमुख कंस्ट्रक्ट्स के लिए फुल कोलीनियरिटी VIF मान (AAPBIC = 3.882; DDDM = 4.247) यह सुझाव देते हैं कि वैचारिक निकटता और कॉमन मेथड वेरिएंस को पूरी तरह से खारिज नहीं किया जा सकता है, क्योंकि वे 3.3 की रूढ़िवादी सीमा से अधिक हैं लेकिन 5.0 की व्यापक सीमा से नीचे हैं।

निष्कर्षतः, अध्ययन स्वास्थ्य सेवा खुदरा क्षेत्र में डिजिटल परिवर्तन का एक सूक्ष्म दृष्टिकोण प्रस्तुत करता है, यह दावा करते हुए कि AI-संवर्धित BI का मूल्य स्वयं तकनीक में नहीं, बल्कि निर्णय लेने की दिनचर्या और परिचालन दृश्यता में इसके सफल अनुवाद में निहित है।