薬局の在庫発注管理の難しさと機械学習活用

Transcript

1. 薬局の在庫発注管理の難しさと 機械学習活用 2021.10.5 株式会社カケハシ 保坂 桂佑
2. 2 フレームワーク アジェンダ
 2
 • 自己紹介
 • 在庫発注管理 3ステップ
 • 在庫発注管理の方法論
 • 薬局の在庫発注管理の難しさと機械学習活用
 

3. 3 フレームワーク インフラ ミドルウェア 保坂 桂佑 株式会社カケハシ AI在庫管理 データサイエンティスト 兼 エンジニア 経歴 • 2007年〜2015年 NTTデータ数理システムでデータ分析のコンサルティング • 2016年〜2020年 リクルートコミュニケーションズ (現リクルート) データサイエンティストとして配本最適化、 CM出稿最適化など ドメイン横断のプロジェクトを推進 その後機械学習エンジニアグループのマネジャーを経験 • 2021年より現職 専門 • 統計、データマイニング、機械学習 (主にテーブルデータ) • 数値計算 趣味 • テニス、スキー、子育て 自己紹介
 3

4. 在庫発注管理で行われることは以下の３点に集約される 
 
 ②いつ発注するかを決める ③どれだけ発注するかを決める ①需要を予測する これ以上は 持ちたくない いつもこれくら いは持ってい たい 在庫量 時刻 在庫発注管理 ３ステップ 4 医薬品1 医薬品2 今日
5. 在庫発注管理の方法論
 5 発注方式
 内容
 定量発注方式
 残りの在庫が一定数（発注点）以下になったら発 注する方式
 定期発注方式
 「毎月１日」といった形で発注するタイミングを設 定する方式
 簡易発注方式
 重要度の低い商品に適用される方法。「ダブル ビン方式」と「補充方式」に大別される。
 不定量不定期発注方式
 発注数ではなく、出荷対応日数やリードタイム日 数、在庫日数を元に毎回異なる数を発注
 同期化発注方式
 発注先と契約し、毎日一定数を納品させる方式
 分納発注方式
 計画に合わせて在庫が必要になるタイミングで 発注する方式
 在庫発注管理の改善は製造業やスーパー、コンビニのような小売業で長く取り組まれてきており、様々な手 法が知られている。
 https://it-trend.jp/inventory_control/article/ordering-sysytem 需要予測方法
 内容
 時系列分析法
 今までの販売実績を時間経過に沿ってデータ 分析する方法。一般的には４つの手法が使わ れている。
 
 ▪非季節手法
 ▪季節手法
 ▪ARIMA（自己回帰和分移動平均）モデル
 ▪重回帰分析
 移動平均法
 過去の売上から算出される「移動平均」をもと に需要予測をする手法
 指数平滑法
 過去の販売の予測値と実績値を割り出すこと によって導き出される「予測値」を用いて需要を 予測する手法
 加重移動平均法
 移動平均法の一種で、移動平均法よりも最新の需 要変動の影響を加味した手法 
 https://it-trend.jp/inventory_control/article/97-0040
6. 薬局の在庫管理の難しさ
 薬局の在庫管理では、既存の手法を適用するだけではうまく行かないようなケースがある
 
 • 在庫管理単位の問題
 • 需要の発生メカニズム
 
 6
7. 小売業では、商品にJANコードがついており、JANコードの読み取りだけで在庫減算、在庫計上が行える。 販売単位、発注単位と、在庫管理単位が揃っているということ。
 薬局の在庫管理の難しさ - 在庫管理単位の問題
 7 JANコード 商品名 在庫数 1234-5678 ビニール袋10枚入り 100 −1(＋1) … … … 在庫減算処理 在庫計上処理
8. 薬局で薬を出す場合、処方箋に記載されているもの(販売するもの)がそのまま在庫と１対１対応しないこと がある。処方では効能のみ気にするが、患者さんにとっては味なども重要な要素なため。
 薬局の在庫管理の難しさ - 在庫管理単位の問題
 8 エンシュア・Hが14本出ていますね。ど の味になさいますか？ バニラは飽きちゃったから、コーヒー味 とストロベリー味を半々でお願いしま す。 エンシュアの味違い https://www.abbott.co.jp/our-products/ensure-h.html
9. 飲みやすさなどを考慮して、薬局が患者さんに応じた調剤方法を選ぶこともある。
 薬局の在庫管理の難しさ - 在庫管理単位の問題
 9 定期的かつたくさんの 薬を飲まないといけな い場合 急性疾患の場合や薬 の種類が少ない場合 バラ錠剤を選択 分包機にかける 1回分ごとに 小分けしてお渡し PTPシートを そのままお渡し PTPシートを選択 薬のトレー
10. 薬局の在庫管理の難しさ - 在庫管理単位の問題
 10 エンシュア・Ｈ バニラ味 コーヒー味 ストロベリー味 バニラ味 24缶入り コーヒー味 24缶入り ストロベリー味 24缶入り セルベックスカプセル ５０ｍｇ PTP 10カプセルシート PTP 21カプセルシート バラ PTP 10カプセルシート 10枚入り PTP 10カプセルシート 100枚入り PTP 10カプセルシート 300枚入り PTP 21カプセルシート 10枚入り PTP 21カプセルシート 50枚入り PTP 10カプセルシート 150枚入り バラ 500カプセル入り 1瓶 バラ 3000カプセル入り 1瓶 発注の粒度(GS1コード) 処方の粒度(YJコード) 逆に発注時には、在庫管理には細かすぎる単位でのコード体系を用いて発注を行っている。
 どれを何個持っていても違いはない
11. 薬局の在庫管理の難しさ - 在庫管理単位の問題
 11 エンシュア・Ｈ バニラ味 コーヒー味 ストロベリー味 バニラ味 24缶入り コーヒー味 24缶入り ストロベリー味 24缶入り セルベックスカプセル ５０ｍｇ PTP 10カプセルシート PTP 21カプセルシート バラ PTP 10カプセルシート 10枚入り PTP 10カプセルシート 100枚入り PTP 10カプセルシート 300枚入り PTP 21カプセルシート 10枚入り PTP 21カプセルシート 50枚入り PTP 10カプセルシート 150枚入り バラ 500カプセル入り 1瓶 バラ 3000カプセル入り 1瓶 発注の粒度(GS1コード) 処方の粒度(YJコード) AI在庫管理では新たに在庫管理に適切な単位を定義し、コード体系を作っている。
 在庫管理に適切な粒度
12. 薬局の在庫管理の難しさ - 在庫管理単位の問題
 12 処方箋だけからはどの在庫を消費したかがわからないので、取り扱っている薬や過去の発注履歴から予測を行っ ている。 独自コード割当アルゴリズム 過去発注履歴 採用薬 PTP？バラ？ バニラ味？チョコレート味？
13. 薬局の在庫管理の難しさ - 需要の発生メカニズム
 13 医薬品は、治療したい疾患の種類によってその需要発生メカニズムが大きく異なる。 急性疾患の薬は、不特定多数の人が処方され、同じ人が再度受け取りに来ることは少ない。 慢性疾患の薬は、特定の人が定期的に何度も処方される。 急性疾患 慢性疾患 時刻 時刻
14. 実際、急性疾患の薬では初回来局患者が大多数で、慢性疾患の薬では再来局患者がほとんどを占める。さら に、どちらの用途にも使われる薬は両方の特徴を持った需要になる。 また、一部の患者さんしか使わない慢性疾患の薬は需要データがまばらになり、従来のアルゴリズムでは高 い予測精度が得られない。 薬局の在庫管理の難しさ - 需要の発生メカニズム
 14 アムロジピンベシル酸塩 (高血圧の薬 ) メコバラミン (神経痛の薬 ) オフロキサシン (抗菌薬) フルオロメトロン (抗炎症ステロイド点眼剤 ) 慢性疾患の薬 急性疾患の薬 ヒアルロン酸ナトリウム点眼剤 (目の保湿) 様々な用途で使われる薬
15. 需要発生メカニズムを考慮し、初回来局 (≒急性疾患)と再来局(≒慢性疾患)をそれぞれ別のアルゴリズムで 予測する方法を採用している。 薬局の在庫管理の難しさ - 需要の発生メカニズム
 15 処方箋データ 初回来局分 再来局分 再来局 予測モデル構築 初回来局 予測モデル構築 初回来局 予測モデル構築 再来局 予測モデル構築 直近来局 初回来局 予測モデル予測 再来局 予測モデル予測 需要予測
16. 初回来局分予測モデル
 • 高精度な需要予測が行えると言われているFacebook開 発のProphetを使用
 • 年間のシーズナリティや、年をまたぐ傾向(減少傾向、増 加傾向)、週の中の傾向を抽出して予測
 ◦ 季節性疾患、薬の移行傾向が抽出できる 
 ◦ 長い期間に渡る傾向の抽出には、その分長期間のデータが必要にな る(eg. 年間シーズナリティ抽出には1年以上必要) 
 
 • 外部要因の変数(外生変数)を考慮できる
 ◦ コロナ、スギ花粉量、さくらんぼ収穫時期のようなものも変数として用 意すれば考慮して予測できる 
 
 • 周期性が見られない部分は誤差とみなされる
 ◦ 個人個人の行動は周期性があっても、それが積み重なると周期性が 見えなくなり、誤差と思われてしまう 
 ◦ 
 • 薬局 x 薬 単位でモデルを作る必要がある
 ◦ 他薬局の薬との類似性は考慮できない 
 https://www.nogawanogawa.com/entry/time_series 16

17. 再来局分予測アルゴリズム
 再来局分の予測では、直近の来局者のそれぞれについて、次回来 局日とその際の処方量を以下のフローチャートにより予測し、その 和を取る。
 
 なぜこういうフローなのか？
 • 薬剤師の患者来局予測の思考過程を抽出したもの
 • プラス、データから得られた知見を組み込んである
 17

18. このアルゴリズムは患者の行動を確率的なモデルとして表現したものになっており、モデル のパラメータフィッティングや推論をPyStanやPyroのような確率的プログラミング言語により 行うことができる。
 
 
 再来局分予測モデルの確率モデル
 確率モデルとしての再来局分予測アルゴリズム
 18

19. 19 フレームワーク まとめ
 19
 • 医薬品の在庫発注管理では適切な在庫管理単位がなかった
 →独自のコード体系を定義 + 機械学習による消費在庫予測で 解決
 • 医薬品の需要発生メカニズムは独特
 →需要発生メカニズムに即した予測モデルを構築
 

20. 20 フレームワーク 20
 業界の負をうまい形で解決できる
 アルゴリズムを作っていきたいと思っています。
 機械学習の活用に興味のある方、
 一緒に開発しましょう！