基于人工智能的供应链管理方法及系统技术方案

本发明专利技术公开了基于人工智能的供应链管理方法及系统，获取分销商旗下任一销售网点的消费者的历史用药咨询信息，根据历史用药咨询信息分析出对应的热点药品；基于热点药品的销售数量信息和仓库数量信息进行分析，预测热点药品的进货量信息；获取热点药品在月销售后的仓库数量信息，将仓库数量信息和预设的进货阈值进行比较；若仓库数量信息大于进货阈值，则根据消费者购买热点药品的轨迹信息构建轨迹矩阵，根据轨迹矩阵计算热点药品的偏向度，根据计算结果向消费者推荐热点药品，若仓库数量信息小于进货阈值，则以当前销售网点为中心，获取预设半径范围内的任一第二销售网点作为供销网点，以最优的供货时间向销售网点提供对应热点药品

【技术实现步骤摘要】
基于人工智能的供应链管理方法及系统


[0001]本专利技术属于医药数据管理
，具体涉及基于人工智能的供应链管理方法及系统
。

技术介绍

[0002]如今，随着国家在医疗领域的逐步发展，多个企业通过整合资金
、
人才
、
市场等资源，形成以多个企业结合成经济利益联盟
、
业务关系紧密的动态联盟，实现优势互补，共同增强市场竞争力，成为国际上普遍采用的企业组织形态和运营方式，即供应链方式；通过供应链方式，国内的医药供应系统也更加完善，能够增加医疗产品的销售力度；
[0003]但是，目前的在销售过程中，由于分销商不能综合各个销售网点的患者病例信息
、
分布信息
、
购买信息
、
购买种类和频率等数据进行分析，从而无法根据患者的分布信息，购买信息调控不同地域间经销商线上销售商品的种类，无法对各个销售网点的备货量和库存量进行协调，进而无法实现供应商之间商品的调配和互补，因此，需要对上述问题进行改善
。

技术实现思路

[0004]针对上述现有技术的不足，本申请提供一种基于人工智能的供应链管理方法及系统
。
[0005]第一方面本申请提出了基于人工智能的供应链管理方法，包括以下步骤：获取分销商旗下任一销售网点的消费者的历史用药咨询信息，根据所述历史用药咨询信息分析出对应的热点药品；
[0006]基于所述热点药品的销售数量信息和仓库数量信息进行分析，预测所述热点药品的进货量信息；
[0007]获取所述热点药品在月销售后的仓库数量信息，将所述仓库数量信息和预设的进货阈值进行比较；若所述仓库数量信息大于所述进货阈值，则根据消费者购买热点药品的轨迹信息构建轨迹矩阵，根据所述轨迹矩阵计算热点药品的偏向度，根据计算结果向消费者推荐所述热点药品，若所述仓库数量信息小于所述进货阈值，则以当前销售网点为中心，获取预设半径范围内的任一第二销售网点作为供销网点，以最优的供货时间向所述销售网点提供对应热点药品
。
[0008]在一些实施例的一些可选的实现方式中，所述获取分销商旗下任一销售网点的消费者的历史用药咨询信息，根据所述历史用药咨询信息分析出对应的热点药品，包括：
[0009]获取历史用药咨询信息中的病症类型
、
当前病症数据和消费者画像数据；
[0010]根据所述病症类型对应药品推荐模型的目标分析结果，获取所述目标分析结果中的多个药品推荐模型；
[0011]利用所述药品推荐模型对所述当前病症数据进行特征分析，得到热点药品的特征分析值；
[0012]基于所述消费者画像数据确定推荐药品类型，根据所述推荐药品类型获取热点药品的特征权重；
[0013]基于的所述特征分析值和所述特征权重，获取所述推荐评估值，将所述推荐评估值中最大值对应的药品确定为热点药品
。
[0014]在一些实施例的一些可选的实现方式中，所述根据所述病症类型对应药品推荐模型的目标分析结果，获取所述目标分析结果中的多个药品推荐模型，包括：
[0015]获取与所述病症类型相对应的回顾性数据，所述回顾性数据包括历史病症数据
、
实际用药数据
、
短期效果数据和长期效果数据；
[0016]采用与所述病症类型相对应的药品推荐模型对所述历史病症数据进行分析处理，
[0017]获取历史推荐用药数据，对所述历史推荐用药数据与所述实际用药数据进行匹配处理，获取匹配结果，基于所述匹配结果将所述回顾性数据划分为符合药品推荐模型的关键数据集和不符合药品推荐模型的冗杂数据集；
[0018]基于所述关键数据集中的回顾性数据，获取第一短期有效性指标达标率和第一长期并发症发生率；基于所述冗杂数据集中的回顾性数据，获取第二短期有效性指标达标率和第二长期并发症发生率；对所述第一短期有效性指标达标率
、
所述第一长期并发症发生率
、
所述第二短期有效性指标达标率和所述第二长期并发症发生率进行显著性校验，获取效果分析结果；
[0019]若所述效果分析结果满足预设分析条件，则对所述关键数据集和所述冗杂数据集中的回顾性数据进行差异分析，获取目标短期混杂因素和目标长期混杂因素；
[0020]基于所述目标短期混杂因素和所述目标短期混杂因素，对所述关键数据集和所述冗杂数据集中的回顾性数据进行倾向性分析，获取并存储所述药品推荐模型的目标分析结果
。
[0021]在一些实施例的一些可选的实现方式中，所述获取历史推荐用药数据，对所述历史推荐用药数据与所述实际用药数据进行匹配处理，获取匹配结果，基于所述匹配结果将所述回顾性数据划分为符合药品推荐模型的关键数据集和不符合药品推荐模型的冗杂数据集，包括：
[0022]基于所述历史推荐用药数据获取历史推荐药品类别，并基于所述实际用药数据获取实际推荐药品类别；
[0023]若所述实际推荐药品类别与所述历史推荐药品类别匹配，则所述匹配结果为符合药品推荐模型；若存在至少一个实际推荐药品类别与历史推荐药品类别不匹配，则所述匹配结果为不符合药品推荐模型
。
[0024]在一些实施例的一些可选的实现方式中，所述获取目标短期混杂因素和目标长期混杂因素，包括：
[0025]确定待分析混杂因素；
[0026]基于所述待分析混杂因素，从所述关键数据集和所述冗杂数据集中的回顾性数据中，筛选出与所述待分析混杂因素相对应的第一分析子集和第二分析子集；
[0027]对所述第一分析子集和所述第二分析子集中的回顾性数据，分别统计短期有效性指标达标率和长期并发症发生率，并进行显著性校验，将获取的效果分析结果确定为所述待分析混杂因素对应的混杂分析结果；
[0028]根据所述待分析混杂因素对应的混杂分析结果，获取目标短期混杂因素和目标长期混杂因素
。
[0029]在一些实施例的一些可选的实现方式中，所述基于所述目标短期混杂因素和所述目标短期混杂因素，对所述关键数据集和所述冗杂数据集中的回顾性数据进行倾向性分析，获取并存储所述药品推荐模型的目标分析结果，包括：
[0030]基于所述目标短期混杂因素和所述目标短期混杂因素，对所述关键数据集和所述冗杂数据集进行分层，获取分层数据集；
[0031]对所述分层数据集中的回顾性数据进行倾向性分析，获取每个所述分层数据集对应的倾向性结果；
[0032]基于所述分层数据集对应的倾向性结果，获取并存储所述药品推荐模型对应的目标分析结果
。
[0033]在一些实施例的一些可选的实现方式中，所述基于所述消费者画像数据确定推荐药品类型，包括：
[0034]判断所述消费者画像数据是否包含已有倾向药品类型；
[0035]若所述消费者画像数据包含已有倾向药品类型，则将所述已有倾向药品类型确定为推荐药品类型；
[0036]若所述消费本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于人工智能的供应链管理方法，其特征在于：包括以下步骤：获取分销商旗下任一销售网点的消费者的历史用药咨询信息，根据所述历史用药咨询信息分析出对应的热点药品；基于所述热点药品的销售数量信息和仓库数量信息进行分析，预测所述热点药品的进货量信息；获取所述热点药品在月销售后的仓库数量信息，将所述仓库数量信息和预设的进货阈值进行比较；若所述仓库数量信息大于所述进货阈值，则根据消费者购买热点药品的轨迹信息构建轨迹矩阵，根据所述轨迹矩阵计算热点药品的偏向度，根据计算结果向消费者推荐所述热点药品，若所述仓库数量信息小于所述进货阈值，则以当前销售网点为中心，获取预设半径范围内的任一第二销售网点作为供销网点，以最优的供货时间向所述销售网点提供对应热点药品
。2.
根据权利要求1所述的方法，其特征在于：所述获取分销商旗下任一销售网点的消费者的历史用药咨询信息，根据所述历史用药咨询信息分析出对应的热点药品，包括：获取历史用药咨询信息中的病症类型
、
当前病症数据和消费者画像数据；根据所述病症类型对应药品推荐模型的目标分析结果，获取所述目标分析结果中的多个药品推荐模型；利用所述药品推荐模型对所述当前病症数据进行特征分析，得到热点药品的特征分析值；基于所述消费者画像数据确定推荐药品类型，根据所述推荐药品类型获取热点药品的特征权重；基于的所述特征分析值和所述特征权重，获取所述推荐评估值，将所述推荐评估值中最大值对应的药品确定为热点药品
。3.
根据权利要求2所述的方法，其特征在于：所述根据所述病症类型对应药品推荐模型的目标分析结果，获取所述目标分析结果中的多个药品推荐模型，包括：获取与所述病症类型相对应的回顾性数据，所述回顾性数据包括历史病症数据
、
实际用药数据
、
短期效果数据和长期效果数据；采用与所述病症类型相对应的药品推荐模型对所述历史病症数据进行分析处理，获取历史推荐用药数据，对所述历史推荐用药数据与所述实际用药数据进行匹配处理，获取匹配结果，基于所述匹配结果将所述回顾性数据划分为符合药品推荐模型的关键数据集和不符合药品推荐模型的冗杂数据集；基于所述关键数据集中的回顾性数据，获取第一短期有效性指标达标率和第一长期并发症发生率；基于所述冗杂数据集中的回顾性数据，获取第二短期有效性指标达标率和第二长期并发症发生率；对所述第一短期有效性指标达标率
、
所述第一长期并发症发生率
、
所述第二短期有效性指标达标率和所述第二长期并发症发生率进行显著性校验，获取效果分析结果；若所述效果分析结果满足预设分析条件，则对所述关键数据集和所述冗杂数据集中的回顾性数据进行差异分析，获取目标短期混杂因素和目标长期混杂因素；基于所述目标短期混杂因素和所述目标短期混杂因素，对所述关键数据集和所述冗杂数据集中的回顾性数据进行倾向性分析，获取并存储所述药品推荐模型的目标分析结果
。
4.
根据权利要求3所述的方法，其特征在于：所述获取历史推荐用药数据，对所述历史推荐用药数据与所述实际用药数据进行匹配处理，获取匹配结果，基于所述匹配结果将所述回顾性数据划分为符合药品推荐模型的关键数据集和不符合药品推荐模型的冗杂数据集，包括：基于所述历史推荐用药数据获取历史推荐药品类别，并基于所述实际用药数据获取实际推荐药品类别；若所述实际推荐药品类别与所述历史推荐药品类别匹配，则所述匹配结果为符合药品推荐模型；若存在至少一个实际推荐药品类别与历史推荐药品类别不匹配，则所述匹配结果为不符合药品推荐模型
。5.
根据权利要求4所述的方法，其特征在于：所述获取目标短期混杂因素和目标长期混杂因素，包括：确定待分析混杂因素；基于所述待分析混杂因素，从所述关键数据集和所述冗杂数据集中的回顾性数据中，筛选出与所述待分析混杂因素相对应的第一分析子集和第二分析子集；对所述第一分析子集和所述第二分析子集中的回顾性数据，分别统计短期有效性指标达标率和长期并发症发生率，并进行显著性校验，将获取的效果分析结果确定为所述待分析混杂因素对应的混杂分析结果；根据所述待分析混杂因素对应的混杂分析结果，获取目标短期混杂因素和目标长期混杂因素
。6.
根据权利要求5所述的方法，其特征在于：所述基于所述目标短期混杂因素和所述目标短期混杂因素，对所述关键数据集和所述冗杂数据集中的回顾性数据进行倾向性分析，获取并存储所述药品推荐模型的目标分析结果，包括：基于所述目标短期混杂因素和所述目标短期混杂因素，对所述关键数据集和所述冗杂数据集进行分层，获取分层数据集；对所述分层数据集中的回顾性数据进行倾向性分析，获取每个所述分层数据集对应的倾...

【专利技术属性】
技术研发人员：董小蒙，王少伟，赵利超，
申请(专利权)人：北京亿家老小集团有限公司，
类型：发明
国别省市：