億達(dá)信息藥企銷售大數(shù)據(jù)分析引擎提供統(tǒng)一的數(shù)據(jù)導(dǎo)入接口，整合藥品銷售相關(guān)的各種數(shù)據(jù)源，可根據(jù)用戶需要對(duì)不同數(shù)據(jù)進(jìn)行關(guān)聯(lián)，具有建立企業(yè)KPI看板、銷售預(yù)測(cè)與輔助決策、用戶畫像及關(guān)系圖譜展現(xiàn)等功能。其中銷售預(yù)測(cè)與輔助決策作為整個(gè)產(chǎn)品的核心功能，是藥企銷售大數(shù)據(jù)分析引擎的靈魂所在，是產(chǎn)品研發(fā)團(tuán)隊(duì)通過數(shù)據(jù)挖掘前沿技術(shù)和對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法進(jìn)行相應(yīng)改進(jìn)，從而實(shí)現(xiàn)對(duì)藥企銷量的預(yù)測(cè)，并且可以通過調(diào)整影響因素的數(shù)值，得到相應(yīng)的銷售決策方案及銷量預(yù)測(cè)數(shù)據(jù)，進(jìn)而為銷售管理及領(lǐng)導(dǎo)決策提供支持。
（一）項(xiàng)目情況
本項(xiàng)目是以藥企供應(yīng)鏈業(yè)務(wù)為基礎(chǔ)，以大數(shù)據(jù)思維和供應(yīng)鏈思維為導(dǎo)向，以大數(shù)據(jù)技術(shù)為手段，打造的集數(shù)據(jù)分析、未來預(yù)測(cè)、供應(yīng)鏈協(xié)同等功能于一體的分析引擎。
項(xiàng)目采用自主開發(fā)模式，運(yùn)用海量數(shù)據(jù)采集、自動(dòng)化數(shù)據(jù)處理、分布式存儲(chǔ)以及大數(shù)據(jù)海量分析等先進(jìn)技術(shù)，實(shí)現(xiàn)整體供應(yīng)鏈數(shù)據(jù)分析平臺(tái)的建設(shè)。項(xiàng)目整體方案如下圖：
項(xiàng)目?jī)?nèi)容包括：
1、運(yùn)營(yíng)監(jiān)控平臺(tái)：對(duì)醫(yī)藥企業(yè)主營(yíng)業(yè)務(wù)活動(dòng)、經(jīng)營(yíng)績(jī)效指標(biāo)、運(yùn)營(yíng)情況和人、財(cái)、物等核心業(yè)務(wù)資源進(jìn)行監(jiān)測(cè)，開展有針對(duì)性、系統(tǒng)性的分析與評(píng)價(jià)。包括經(jīng)營(yíng)統(tǒng)計(jì)報(bào)告、企業(yè)績(jī)效評(píng)估、經(jīng)營(yíng)狀況分析、風(fēng)險(xiǎn)管控等功能。
2、核心KPI預(yù)測(cè)引擎：運(yùn)用大數(shù)據(jù)分析對(duì)企業(yè)核心KPI的完成情況進(jìn)行預(yù)測(cè)，也可以用KPI預(yù)測(cè)其影響因素，為企業(yè)決策提供指導(dǎo)功能。
3、供應(yīng)鏈協(xié)同平臺(tái)：對(duì)供應(yīng)鏈上各個(gè)模塊間的關(guān)聯(lián)因子進(jìn)行平衡，有效的利用和管理供應(yīng)鏈資源。
項(xiàng)目開發(fā)的藥企供應(yīng)鏈分析引擎平臺(tái)，實(shí)施后將助力于各大醫(yī)藥供應(yīng)鏈運(yùn)營(yíng)的可視化、智能化、自動(dòng)化和集成化，實(shí)現(xiàn)市場(chǎng)推廣、藥品銷售、市場(chǎng)資金流、醫(yī)院與醫(yī)生反饋等信息的高效高速整合。
（二）項(xiàng)目創(chuàng)新點(diǎn)
1、大數(shù)據(jù)組合建模技術(shù)
通過大數(shù)據(jù)建模技術(shù)，建立藥企核心KPI預(yù)測(cè)模型，對(duì)藥企銷售業(yè)務(wù)實(shí)質(zhì)進(jìn)行分析整理，了解影響銷量的各種因素。
對(duì)影響藥企銷量的直接因素和間接因素的全面數(shù)據(jù)畫像分析，是大數(shù)據(jù)分析模型的基礎(chǔ)，首先是企業(yè)歷史數(shù)據(jù)的采集，為保證分析模型準(zhǔn)確度我們需要至少3年的歷史數(shù)據(jù)，足夠多的歷史數(shù)據(jù)會(huì)大幅度提升預(yù)測(cè)的結(jié)果準(zhǔn)確率和決策精準(zhǔn)度。在有了全面的歷史數(shù)據(jù)采集之后，我們引入數(shù)據(jù)挖掘算法分離出影響銷量的直接因素和間接因素。
傳統(tǒng)的時(shí)間序列模型是建立在線性關(guān)系的假設(shè)上，因此對(duì)于非線性時(shí)間序列的預(yù)測(cè)的效果不太理想。而人工神經(jīng)網(wǎng)絡(luò)模型是非線性建模過程，具有較強(qiáng)的學(xué)習(xí)和數(shù)據(jù)處理能力，能夠挖掘到數(shù)據(jù)中非線性的特征。利用ARIMA模型擬合時(shí)間序列的線性部分，再用BP神經(jīng)網(wǎng)絡(luò)模型估計(jì)時(shí)間序列的非線性殘差部分，最終疊加為銷售量的預(yù)測(cè)結(jié)果。與使用單一模型相比，該融合模型充分發(fā)揮了單一模型各自的優(yōu)勢(shì)，顯著改善了單一模型的預(yù)測(cè)性能，并降低了模型的使用風(fēng)險(xiǎn)。
2、權(quán)威的醫(yī)藥銷量預(yù)測(cè)與決策模型
預(yù)測(cè)模型
決策模型
（三）項(xiàng)目實(shí)現(xiàn)的關(guān)鍵技術(shù)
1、信息展示：
包括：GIS地圖、熱力圖(商業(yè))、標(biāo)簽云圖、輻射圖。
項(xiàng)目可以通過GIS地圖及標(biāo)簽云圖展示全國(guó)銷售的全國(guó)醫(yī)院。GIS地圖是以可視化和分析地理配準(zhǔn)信息為目的，用于描述和表征地圖及其他地理現(xiàn)象的一種系統(tǒng)?？梢猿浞终故舅幤箐N售醫(yī)院全國(guó)的分布情況，藥品詳情。通過GIS內(nèi)容維護(hù)，也可以對(duì)分布地圖上醫(yī)院進(jìn)行可視化、匯總、分析、比較并解釋分析結(jié)果。
商業(yè)熱力圖在項(xiàng)目上的應(yīng)用，可以通過不同藥品的不同省市實(shí)時(shí)銷量展示。熱力度常常用來表示地圖上的分布密度，也可以簡(jiǎn)單理解為兩維坐標(biāo)中的數(shù)值到顏色的映射圖。技術(shù)分點(diǎn)可以利用皮爾森相關(guān)系數(shù)來做恒定，該系數(shù)是用來反映兩個(gè)變量線性相關(guān)程度的統(tǒng)計(jì)量，使用公式 
相關(guān)性還可以通過熱力度展示出來，這樣可以對(duì)數(shù)據(jù)間線性關(guān)系有更直觀的了解。
藥企醫(yī)藥代表通過對(duì)醫(yī)院的各種贊助活動(dòng)來拉近企業(yè)與醫(yī)院更好的合作關(guān)系。系統(tǒng)也可利用標(biāo)簽云圖來實(shí)時(shí)標(biāo)準(zhǔn)出全國(guó)各地企業(yè)贊助醫(yī)藥研討會(huì)及各種線下活動(dòng)。展示出活動(dòng)的詳細(xì)舉辦地點(diǎn)，活動(dòng)性質(zhì)信息等。
項(xiàng)目的以上地圖都使用E-chat控件，并不同圖例通過大屏投放的方式，將企業(yè)實(shí)時(shí)數(shù)據(jù)按照不同圖例展示出來，實(shí)時(shí)反饋出整個(gè)藥企服務(wù)的醫(yī)院，藥品物流情況，商業(yè)重點(diǎn)區(qū)域銷售數(shù)據(jù)情況等，更加真實(shí)反饋企業(yè)全運(yùn)營(yíng)情況。
E-Chat大屏展示技術(shù)是億達(dá)信息獨(dú)家擴(kuò)展開發(fā)一項(xiàng)新技術(shù)，利用這個(gè)技術(shù)可以多個(gè)方向全面應(yīng)用。醫(yī)療器械物聯(lián)網(wǎng)結(jié)合大屏數(shù)據(jù)實(shí)時(shí)展示技術(shù)，都將是公司主要研發(fā)方向。
2、分析算法：
包括：時(shí)序分析、邏輯回歸。
采用時(shí)序分析、邏輯回歸技術(shù)，可對(duì)收集在數(shù)據(jù)庫中的數(shù)據(jù)預(yù)測(cè)未來銷量。也可通過調(diào)整參數(shù)來預(yù)測(cè)未來銷量。
3、基于Hadoop的系統(tǒng)體系結(jié)構(gòu)：
（1)數(shù)據(jù)源層
本系統(tǒng)采用網(wǎng)絡(luò)爬蟲技術(shù)作為數(shù)據(jù)源層，將在后續(xù)內(nèi)容中進(jìn)行說明。
(2)數(shù)據(jù)傳輸層
數(shù)據(jù)傳輸層銜接了數(shù)據(jù)源層和數(shù)據(jù)加工層，它的主要責(zé)任是將數(shù)據(jù)從數(shù)據(jù)源抽取到數(shù)據(jù)加工層。數(shù)據(jù)傳輸方式主要有兩種，一種是通過ETL中間件，一種為通過企業(yè)應(yīng)用提供的數(shù)據(jù)傳輸接口。一般小規(guī)模數(shù)據(jù)提供數(shù)據(jù)傳輸接口，則數(shù)據(jù)直接通過接口進(jìn)行傳輸即可，而大規(guī)模數(shù)據(jù)抽取則通過ETL中間件連接數(shù)據(jù)庫直接抽取數(shù)據(jù)。
(3)數(shù)據(jù)加工層
由于數(shù)據(jù)量過于龐大，數(shù)據(jù)加工由Hadoop平臺(tái)執(zhí)行，實(shí)現(xiàn)對(duì)海量數(shù)據(jù)的降維、聚合等，在滿足模型分析以及保持?jǐn)?shù)據(jù)完整性和準(zhǔn)確性的基礎(chǔ)上對(duì)數(shù)據(jù)進(jìn)行簡(jiǎn)化。
(4)數(shù)據(jù)存儲(chǔ)中心
本文系統(tǒng)的數(shù)據(jù)存儲(chǔ)中心是由Hadoop分布式存儲(chǔ)平臺(tái)與關(guān)系型數(shù)據(jù)庫協(xié)同工作進(jìn)行的，搭建Hadoop平臺(tái)來存儲(chǔ)海量數(shù)據(jù)，處理海量數(shù)據(jù)并向系統(tǒng)傳輸數(shù)據(jù)。數(shù)據(jù)從Hadoop平臺(tái)導(dǎo)出到關(guān)系型數(shù)據(jù)庫后，由關(guān)系型數(shù)據(jù)庫對(duì)其進(jìn)行實(shí)時(shí)分析或者挖掘，從而保證處理過程中的數(shù)據(jù)一致性。利用Hadoop與關(guān)系型數(shù)據(jù)庫協(xié)同工作處理計(jì)算任務(wù)，把對(duì)海量數(shù)據(jù)的處理和對(duì)實(shí)時(shí)數(shù)據(jù)的處理分開，使得大規(guī)模的數(shù)據(jù)運(yùn)算不會(huì)對(duì)營(yíng)銷系統(tǒng)的運(yùn)行效率產(chǎn)生影響，同時(shí)也使得整個(gè)系統(tǒng)更加易于擴(kuò)展，更加穩(wěn)定。
(5)數(shù)據(jù)分析層
數(shù)據(jù)分析層主要職責(zé)是通過已建立的數(shù)據(jù)模型，對(duì)數(shù)據(jù)存儲(chǔ)中心的數(shù)據(jù)加以分析計(jì)算，并將結(jié)果展示給用戶。數(shù)據(jù)分析邏輯主要是通過關(guān)系數(shù)據(jù)庫的存儲(chǔ)過程以及MapReduce計(jì)算模型來實(shí)現(xiàn)，由于數(shù)據(jù)規(guī)模小的數(shù)據(jù)集被設(shè)計(jì)存儲(chǔ)在關(guān)系型數(shù)據(jù)庫，所以對(duì)于這類數(shù)據(jù)的分析可以通過關(guān)系數(shù)據(jù)庫的存儲(chǔ)過程實(shí)現(xiàn)，而規(guī)模大的數(shù)據(jù)集存儲(chǔ)在HDFS，則數(shù)據(jù)模型需要通過編寫MapReduce計(jì)算模型實(shí)現(xiàn)。
(6)應(yīng)用層
應(yīng)用層主要包括用戶平臺(tái)層和業(yè)務(wù)邏輯層。用戶平臺(tái)層包括企業(yè)運(yùn)營(yíng)監(jiān)控平臺(tái)、企業(yè)核心KPI預(yù)測(cè)引擎和供應(yīng)鏈協(xié)同平臺(tái)；業(yè)務(wù)邏輯層主要處理用戶平臺(tái)的業(yè)務(wù)邏輯以及通過己建立的數(shù)據(jù)分析模型，對(duì)數(shù)據(jù)存儲(chǔ)中心的數(shù)據(jù)加以分析，并將結(jié)果呈現(xiàn)在決策分析平臺(tái)。系統(tǒng)管理平臺(tái)主要用于基礎(chǔ)數(shù)據(jù)的日常維護(hù)以及基本功能的管理，管理模塊包括人員管理，角色權(quán)限管理、系統(tǒng)功能菜單管理等。決策分析平臺(tái)從業(yè)務(wù)邏輯層取得業(yè)務(wù)數(shù)據(jù)分析的結(jié)果，將結(jié)果以直觀的報(bào)表和圖表的形式呈現(xiàn)在平臺(tái)上。
