尚慶生 王麗華

(蘭州財(cái)經(jīng)大學(xué)信息工程學(xué)院， 蘭州 730020)

連鎖藥店經(jīng)營(yíng)的各類(lèi)藥品差異性很大，其銷(xiāo)售情況往往受季節(jié)特點(diǎn)、流行性疾病、風(fēng)俗習(xí)慣等因素的影響。這就要求配送中心的庫(kù)存也要隨之作出改變，而藥店某一時(shí)間段的藥品銷(xiāo)售量變化和庫(kù)存量相互關(guān)聯(lián)。購(gòu)物籃分析是關(guān)聯(lián)規(guī)則的一種典型應(yīng)用，其研究初衷是，從海量的商品銷(xiāo)售歷史數(shù)據(jù)中發(fā)現(xiàn)顧客的購(gòu)買(mǎi)習(xí)慣，了解顧客的購(gòu)買(mǎi)行為，從而指導(dǎo)銷(xiāo)售管理行為[1]。在本次研究中，主要考慮到銷(xiāo)售訂單內(nèi)容與相關(guān)藥品庫(kù)存量等情況，通過(guò)挖掘頻繁項(xiàng)集來(lái)挖掘各種藥品之間的關(guān)聯(lián)關(guān)系，并根據(jù)藥品的庫(kù)存信息來(lái)進(jìn)行庫(kù)存優(yōu)化。

1 FP-Growth概述

Agrawal等人于1994年提出了基于挖掘關(guān)聯(lián)規(guī)則的Apriori算法，韓家煒等人于2000年在此基礎(chǔ)上發(fā)展并提出了FP-Growth算法[2-4]。FP-Growth算法是一種關(guān)聯(lián)分析算法，可用于顧客購(gòu)物籃數(shù)據(jù)分析，挖掘其中的關(guān)聯(lián)規(guī)則。Apriori算法在應(yīng)用中需要重復(fù)掃描數(shù)據(jù)庫(kù)，產(chǎn)生大量的候選項(xiàng)目集，因此，搜索空間較大，挖掘效率不高。FP-Growth算法中使用了FP-tree(頻率模式樹(shù))數(shù)據(jù)結(jié)構(gòu)，在挖掘過(guò)程中無(wú)須生成候選項(xiàng)目集，只需掃描數(shù)據(jù)庫(kù)2次即可，顯著地縮小了搜索范圍，提高了挖掘效率。在此，我們應(yīng)用FP-Growth算法，對(duì)某零售藥店的銷(xiāo)售及庫(kù)存數(shù)據(jù)進(jìn)行分析挖掘。

2 基于FP-growth算法的零售藥店藥品數(shù)據(jù)分析

2.1 數(shù)據(jù)預(yù)處理與特征提取

數(shù)據(jù)預(yù)處理是指對(duì)原始數(shù)據(jù)中可能會(huì)影響數(shù)據(jù)分析結(jié)果的臟亂數(shù)據(jù)進(jìn)行清洗、篩選和刪除，從而提高數(shù)據(jù)的質(zhì)量和分析結(jié)果的準(zhǔn)確性[5]。

在實(shí)際應(yīng)用中，原始數(shù)據(jù)大多為不完整或不一致的數(shù)據(jù)，無(wú)法直接用于數(shù)據(jù)挖掘。通過(guò)數(shù)據(jù)預(yù)處理技術(shù)可以很好地整理原數(shù)據(jù)，提高數(shù)據(jù)挖掘質(zhì)量，其主要方法包括數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)轉(zhuǎn)換等[6]。

(1) 數(shù)據(jù)清洗。根據(jù)問(wèn)題的特殊性，將數(shù)據(jù)中的缺失值及零值刪除；對(duì)于訂單號(hào)中的異常值、非數(shù)值型的商品編號(hào)、經(jīng)核實(shí)是錯(cuò)誤編號(hào)的信息，根據(jù)真實(shí)的商品信息予以修正。

(2) 數(shù)據(jù)集成。將分析所需的銷(xiāo)售數(shù)據(jù)和相關(guān)藥品的庫(kù)存信息在邏輯上集合成統(tǒng)一模式，以便快速完成算法的運(yùn)行和分析。

(3) 數(shù)據(jù)轉(zhuǎn)換。將藥品詳情數(shù)據(jù)轉(zhuǎn)換成可用于挖掘的數(shù)據(jù)形式。

本次研究所選數(shù)據(jù)包括某醫(yī)藥零售連鎖企業(yè)的銷(xiāo)售數(shù)據(jù)、庫(kù)存數(shù)據(jù)、藥品詳情數(shù)據(jù)，所用到的數(shù)據(jù)特征有藥品編號(hào)、銷(xiāo)售訂單號(hào)、銷(xiāo)售藥品的名稱(chēng)、對(duì)應(yīng)藥品的庫(kù)存量。由于系統(tǒng)中的數(shù)據(jù)為人工輸入，難免有錯(cuò)漏，這時(shí)就需要對(duì)數(shù)據(jù)進(jìn)行清洗，使數(shù)據(jù)能更好地融入模型。通過(guò)FP-Growth算法挖掘銷(xiāo)量較高藥品所在訂單的頻繁項(xiàng)集，根據(jù)藥品之間的關(guān)聯(lián)關(guān)系，并結(jié)合藥品的庫(kù)存情況進(jìn)行組合促銷(xiāo)。

提取部分客戶(hù)交易原始記錄，如表1所示。

表1 客戶(hù)交易記錄

2.2 數(shù)據(jù)分析

本次分析的主要目的是根據(jù)挖掘結(jié)果設(shè)計(jì)藥品促銷(xiāo)組合，暫時(shí)不考慮中藥，只考慮成藥。醫(yī)藥連鎖企業(yè)品類(lèi)繁多，如果要實(shí)現(xiàn)對(duì)每種藥品的精確管理，就要分別設(shè)定每種藥品的庫(kù)存上下限，這樣工作量會(huì)太過(guò)繁重?，F(xiàn)在只考慮每種藥品的剩余庫(kù)存是否在安全庫(kù)存的允許范圍內(nèi)，如果某種藥品的剩余庫(kù)存超出了安全庫(kù)存的允許范圍則對(duì)其予以?xún)?yōu)化。

庫(kù)存警戒線，設(shè)定為采購(gòu)時(shí)間內(nèi)所需藥品銷(xiāo)售量與庫(kù)存下限值的總和。庫(kù)存上限的設(shè)定必須結(jié)合企業(yè)的實(shí)際銷(xiāo)售情況，其正常范圍一般是1個(gè)配送周期庫(kù)存量的2 ～ 3倍。該零售連鎖藥店的藥品并非定量配送，因此，以店里銷(xiāo)量較高藥品在5個(gè)配送周期內(nèi)的平均配送量為參考，來(lái)判斷現(xiàn)有剩余庫(kù)存是否超過(guò)庫(kù)存警戒線。上限判斷參數(shù)設(shè)定為1個(gè)配送周期的2.5倍。以?shī)W美拉唑腸溶膠囊為例，5個(gè)配送周期內(nèi)的平均配送量為26.50件，即其安全的庫(kù)存范圍為66.25件，而剩余的庫(kù)存量80件明顯高于這個(gè)數(shù)值。因此，應(yīng)對(duì)奧美拉唑腸溶膠囊的銷(xiāo)售進(jìn)行優(yōu)化。

排除庫(kù)存藥品中的中藥及不頻繁項(xiàng)，統(tǒng)計(jì)銷(xiāo)量較高藥品及其庫(kù)存信息，表2所示為部分?jǐn)?shù)據(jù)。

表2 部分銷(xiāo)量較高藥品及其庫(kù)存信息

針對(duì)庫(kù)存量不在安全警戒線范圍內(nèi)，且又存在頻繁項(xiàng)集里的藥品進(jìn)行頻繁項(xiàng)集挖掘。為了加強(qiáng)數(shù)據(jù)挖掘結(jié)果的置信度，特設(shè)置minsup=0.02，minconf=0.50。運(yùn)行FP-Growth算法，分析藥品之間的關(guān)聯(lián)性，挖掘有較強(qiáng)關(guān)聯(lián)性的藥品信息。部分匹配參數(shù)的挖掘結(jié)果如表3所示，其中阿莫西林膠囊的關(guān)聯(lián)性最強(qiáng)。設(shè)置庫(kù)存量較高的目標(biāo)藥品為“阿莫西林膠囊”，則關(guān)聯(lián)文件包含“阿莫西林膠囊”的關(guān)聯(lián)規(guī)則。

如表3所示，客戶(hù)購(gòu)買(mǎi)奧美拉唑腸溶膠囊的同時(shí)，購(gòu)買(mǎi)阿莫西林膠囊的概率為58%。原因在于，奧美拉唑腸溶膠囊是一種治療胃潰瘍的藥品，而阿莫西林膠囊屬于抗生素類(lèi)藥品，可降低消化道潰瘍的復(fù)發(fā)率?？蛻?hù)購(gòu)買(mǎi)多潘立酮片的同時(shí)，購(gòu)買(mǎi)阿莫西林膠囊的概率為50%。原因在于，多潘立酮片適用于由胃排空延緩、胃食道反流、食道炎引起的消化不良癥，是一種胃腸促動(dòng)藥，而阿莫西林膠囊與其功效相關(guān)。同理，可分析其他藥品與阿莫西林膠囊關(guān)聯(lián)的原因。

表3 部分挖掘結(jié)果示例

按照挖掘結(jié)果，建議在售賣(mài)其他關(guān)聯(lián)高銷(xiāo)量藥品時(shí)對(duì)近效期或超出庫(kù)存安全線的阿莫西林膠囊進(jìn)行搭配優(yōu)惠促銷(xiāo)，并合理安排關(guān)聯(lián)藥品的庫(kù)存擺放位置。零售藥品的促銷(xiāo)也是吸引客戶(hù)的重要手段之一，根據(jù)實(shí)時(shí)藥品庫(kù)存量變化和藥品保質(zhì)期等信息來(lái)安排零售藥品的促銷(xiāo)活動(dòng)，可減少庫(kù)存浪費(fèi)，提升利潤(rùn)。

3 結(jié) 語(yǔ)

頻繁項(xiàng)集挖掘和關(guān)聯(lián)規(guī)則分析是數(shù)據(jù)挖掘中的簡(jiǎn)單知識(shí)模式。運(yùn)用FP-Growth頻繁項(xiàng)集挖掘算法可以有效地對(duì)藥品銷(xiāo)售信息進(jìn)行挖掘分析，其挖掘結(jié)果可在一定程度上展現(xiàn)相關(guān)藥品之間的關(guān)聯(lián)性。在本次關(guān)聯(lián)分析中以藥品庫(kù)存為參考，挖掘目標(biāo)明確。可按照此挖掘結(jié)果，重新調(diào)整藥品的擺放位置，策劃相應(yīng)的促銷(xiāo)組合活動(dòng)，減少庫(kù)存積壓成本，提升銷(xiāo)售業(yè)績(jī)。