活用事例

PDFをダウンロードする

Z5 Inventoryは、医療機関向けのフルサービスのサプライチェーン・ライフサイクル・ソリューションです。プロバイダーは、Z5のモバイルアプリ上で在庫を迅速にカウントして評価することができ、余剰品を特定して再配置して期限切れを防ぐことができ、ニーズに応じて未開封の未使用品を予測して購入することができます。同社は2015年にテキサス州オースティンで設立され、現在は米国大陸全域の病院で事業を展開しています。

終わりのない廃棄物サイクルに終止符を打つ

米国だけでも毎年50億ドル相当の医療用品が捨てられています。医療施設での廃棄物のこの流行は、ケアのコストを引き上げ、埋め立て地のスペースを奪います – その両方が重大な社会的・環境的影響をもたらしています。このような廃棄物の原因は、在庫管理の不備にあります。正確なインベントリの追跡と分析がなければ、在庫は山積みになり、使用期限が切れるまで使われずに放置されてしまいます。

Z5 Inventoryが実施したこのプロジェクトは、2つのフェーズで構成されています。

第１段階：30の医療施設から余剰製品（最近購入したものではないもの、または定期自動補充レベル以上のもの）を一掃し、Z5が運営する倉庫に送ります。

第２段階：予測分析を使用して、これらの製品を必要としている医療施設に再配置します。

目標は、顧客が製品の過剰在庫を減らし、新しい製品のための棚のスペースを確保し、スタッフの効率を改善し、在庫供給コストを削減し、ヘルスケアのサプライチェーンにおける廃棄物を可能な限りゼロに近づけることでした。このプロセスが米国のすべての医療施設で実施されれば、毎年数十億ドルの節約になるでしょう。そうすれば、最終的には貴重な納税者のお金を節約し、埋め立てレベルを下げ、リスクのある地域社会に、そうでなければ手に入らなかったかもしれない供給物を与えることができます。

KNIMEとRを使用した需要予測

主要なステークホルダー（Z5とクライアントのC-Suite）とプロジェクトの目的を決定した後、データサイエンティストは、プロジェクトの構成要素（需要予測、再配置、ベスト・サイクル・セレクターなど）と、それらがどのように相互作用すべきかについて草稿を作成しました。

最初のステップは、分析のためにデータを処理し、値の欠落、無効なエントリ、日付範囲のエラーなどのエラーをチェックして処理することでした。その後、KNIME Integration with Rを使用して、データサイエンティストは（医療施設の購入履歴に基づいて）需要予測を開始し、各施設の製品リストを作成することができました。Rを使用して、余剰製品をランキングに基づいて異なる仕向地の施設に分割したのです。このランキングは、購入頻度、平均購入数量、購入数量の標準偏差、ウィッシュリストの予測数量を用いて算出した。さらに、製品を可能な限り医療施設に再配置することが目標であったため、ある製品について、その製品が目的の施設で最大限に使用されるように「ベストサイクルセレクター」が作成されました。

このプロセスの間、データサイエンティストは主要な利害関係者との確認を行い、中間結果を提示し、KNIMEのワークフローに必要な変更を加えました。モデルの堅牢性は、顧客からのフィードバックに基づいて継続的に評価されています。これまでのところ、過剰出荷に関する苦情は発生しておらず、このモデルが医療施設の過剰在庫という課題の解決に成功していることを示しています。

得られた結果は130万ドルの節約

このプロジェクトは、米国最大級の医療ネットワークの一つであるミッドアトランティック地域で実施され、32の医療施設が参加しました。130万ドル相当の医療・外科用製品が、プロジェクト実行内で賞味期限切れや廃棄を防ぐために移動されました。これは驚異的な成果です。これは、米国のすべての医療提供者が同様の戦略を採用した場合、廃棄される50億ドルのほぼすべてが実際に使用されることを示しています。

理想的には、このプロセスを利用することで、医療施設への配送を担当する中央倉庫が完全に効率化される。正確には空っぽになる。現在の予測では、翌月中には全量を流通させることができます。完璧な世界であれば、ヘルスケアのサプライチェーンにおける無駄はゼロになるでしょう。現実的には、臨床医の嗜好、サプライヤーやメーカーの変更、業界の統合率の上昇など、業界には制御不能な変数が数多く存在しますが、これは不可能です。しかし、コントロールできるのは、棚の上で無駄になったり、捨てられたりする製品を減らすことです。

なぜ「KNIME」を選ぶのか？

KNIMEノードは視覚的で自己文書化されているため、時間を大幅に節約でき、コーダーではない人にも結果がわかりやすくなります。場合によっては、コーディングの仕方を知らなくても結果を再現できることもあります。以前は、RやPythonで直接コーディングする場合、スクリプトが読みやすく、結果が再現性のあるものであることを確認するためのドキュメント作成に多くの時間が費やされていました。それが今では、プロジェクトプロセスの修正や改善に時間を割くことができるようになりました。

データサイエンティストは全員が統計学のバックグラウンドを持ち、毎日Rでコードを書いているため、KNIMEは統一されたプラットフォームでありながらRで作業できる柔軟性を提供してくれるので、彼らは満足しています。そのため、彼らは両方の世界のベストを活用することができます。KNIME Analytics Platformは、包括的なETLノード、使いやすいドラッグ＆ドロップインターフェース、他の多くの一般的なデータサイエンスやデータマイニングツールとの統合など、多くの強力な機能を備えた素晴らしいツールです。アナリティクスや前処理のタスクをよりシンプルかつ迅速に行うことができます。

追加情報

どのようなデータソースが関係していますか?

• CSVファイルとして読み込まれたRからの需要予測結果
• 超過製品の在庫数Excelファイル
• ファシリティマッピングなどのためのその他の小さなExcelファイル

どのようなノード、拡張機能、統合機能が使用されていますか?

• R Integration
• Python Integration
• Parallel Chunks
• Database (SQL Server)
• Text Mining Extension
• Google API connectors
  

どのようなステークホルダーが関与していますか?

Z5では

• アナリティクス（データサイエンティスト、データアナリスト）
• セールス（セールスのVP）
• クライアントサービス（カスタマーエクスペリエンスのSVP、クライアントサービス部長、プロジェクトマネージャー）

医療施設では、

• マテリアルマネジメント（マネージャー）
• サプライチェーンマネジメント（ディレクター、サプライチェーンのVP）
• ファイナンス（CFO）

この活用事例は、KNIMEをご利用中のZ5 Inventory社により作成されました。

原文：https://www.knime.com/leveraging-predictive-analytics-prevents-millions-of-dollars-worth-of-medical-supply-waste