Přeskočit navigaci

Prognózování poptávky po lodní dopravě a distribuci

Řešení prognózování poptávky po lodní dopravě a distribuci využívá historická data o poptávce k předvídání budoucí poptávky pro různé zákazníky, produkty a cíle. Například lodní nebo dopravní společnost chce předvídat množství různých produktů, které budou v budoucnu zákazníci chtít doručit na různé lokality. Společnost může tyto předpovědi využít jako vstup do nástroje pro přidělování, který optimalizuje operace, jako je směrování dopravních vozidel nebo dlouhodobější plánování kapacity.

Souhrn

Toto je řešení Azure určené k snížení nejistoty ohledně předpokládané přepravy pro organizace, které potřebují plánovat na základě budoucích množství. Tato stránka vysvětluje, co toto řešení dělá a jak nainstalovat jeho kopii, kterou můžete spouštět a upravovat ve svém předplatném Azure.

Řešení Azure v galerii Cortana Intelligence se skládají z pokročilých analytických nástrojů, které nabízejí komponenty pro příjem dat, ukládání dat a pokročilé analýzy – to znamená všechny nepostradatelné prvky pro provoz řešení prognózování poptávky, které je možné integrovat se stávajícími produkčními systémy. Toto řešení kombinuje několik služeb Azure. Azure SQL Server slouží k ukládání předpovědí a historických dat o distribuci, webová služba Azure Machine Learning k hostování kódu prognózování v R, Azure Data Factory k orchestraci celého pracovního postupu a Power BI k jeho vizualizaci.

Pomocí tlačítka Deploy (Nasadit) na této stránce můžete nasadit instanci tohoto řešení do předplatného Azure, které zadáte. Tato metoda vás provede kroky ve vašem předplatném, které jsou potřeba k vytvoření a spuštění prostředků, ze kterých se skládá toto řešení, abyste ho mohli spustit. Toto řešení zahrnuje několik služeb Azure (popsaných níže) spolu s funkcemi Azure, které kromě jiného simulují data a naplňují jimi databázi. To znamená, že okamžitě po nasazení budete mít fungující ucelené řešení.

Popis

Poznámka: Pokud jste toto řešení už nasadili, můžete ho zobrazit kliknutím sem.

Odhadované denní náklady: $4.66

Odhadovaný čas zřízení: 15 minut

Řešení prognózování poptávky po lodní dopravě a distribuci využívá historická data o poptávce k předvídání budoucí poptávky pro různé zákazníky, produkty a cíle. Například lodní nebo dopravní společnost chce předvídat množství různých produktů, které budou v budoucnu zákazníci chtít doručit na různé lokality. Podobně dodavatel nebo pojišťovatel chce znát počet produktů, které se v průběhu roku vrátí kvůli chybám. Společnost může tyto předpovědi využít jako vstup do nástroje pro přidělování, který optimalizuje operace, jako je směrování dopravních vozidel nebo dlouhodobější plánování kapacity.

Všechny tyto případy prognózování mají následující charakteristiky:

  • Existuje spousta druhů položek, které se v různém množství hromadí v jedné nebo několika úrovních kategorií.
  • Je k dispozici historie množství dané položky v každém okamžiku v minulosti. Množství jednotlivých položek se značně liší a je možné, že velká část z nich má občas nulový počet.
  • Historie položek ukazuje trend i sezonnost, možná na několika časových osách. Potvrzená ani vrácená množství nejsou výrazně závislá na ceně. Jinými slovy, dopravní společnost nemůže výrazněji ovlivnit množství krátkodobou změnou cen, i když můžou existovat další faktory ovlivňující množství, například počasí.

Za těchto podmínek můžeme využít hierarchii vytvořenou z časových řad pro různé položky. Vynucováním takové konzistence, že se množství níže v hierarchii (např. množství jednotlivých produktů) sečtou s množstvími výše v hierarchii (celkové počty produktů zákazníků), zvyšujeme přesnost celkové předpovědi. To samé platí v případě seskupení jednotlivých položek do kategorií, dokonce možná i kategorií, které se překrývají. Někdo by například mohl chtít prognózovat celkovou poptávku po všech produktech podle lokality, kategorie produktu, zákazníka atd.

Toto řešení vypočítává předpovědi pro každé zadané časové období na všech úrovních agregace v hierarchii. Pro zjednodušení budeme hierarchické i seskupené časové řady označovat jako hierarchické časové řady.

Prognózování lodní dopravy a distribuce v praxi

Děkujeme společnosti Kotahi za spolupráci při vývoji tohoto řešení. Kotahi je dodavatelská společnost, která plánuje, odesílá a doručuje kontejnery pro exportní společnosti na Novém Zélandu. Přečtěte si jejich příběh a zjistěte, jak se jim to podařilo ve spolupráci s námi v Microsoftu a s partnerem vnitřního kruhu Microsoft Dynamics 2016, společností DXC Eclipse. Toto řešení pomohlo zvýšit přesnost předpovědí a zlepšilo tak jejich schopnost volby kontejnerových lodí správné velikosti ve správnou dobu a jejich vypravování do správných přístavů.

Pohled pod kapotu

Toto řešení využívá pět typů prostředků hostovaných a spravovaných v Azure:

  • Instance Azure SQL Serveru (Azure SQL) zajišťující trvalé úložiště.
  • Webová služba Azure Machine Learning (AML), která hostuje kód prognózování v R.
  • Azure Blob Storage sloužící jako přechodné úložiště vygenerovaných předpovědí.
  • Azure Data Factory (ADF), která orchestruje pravidelná spouštění modelu AML.
  • Řídicí panel Power BI pro zobrazování a podrobné zkoumání předpovědí.
  • Toto řešení automatizuje spouštění pravidelných předpovědí za chodu konfigurovaných ve službě ADF (např. měsíčně), kde zjistí model s využitím aktuálních historických dat a předvídá množství v budoucích obdobích pro všechny produkty v hierarchii produktů. Každý cyklus předpovědi se skládá z cesty z databáze přes model a pak zpět do databáze. Každý cyklus měří přesnost předpovědi pomocí tradičních technik pozdržení dat. Můžete nakonfigurovat počet období, kategorie produktů a hierarchii mezi produkty. Svá aktuální data musíte nahrát do databáze SQL Azure a po každém spuštění extrahovat předpovědi ze stejné databáze. Toto řešení zveřejňuje model kódu R, čímž umožňuje další přizpůsobení a simulaci historických dat, abyste řešení mohli otestovat.

    Použití řešení prognózování: Začínáme

    V technickém průvodci řešením najdete úplnou sadu pokynů ohledně použití tohoto řešení jako příkladu toho, co je možné dělat s využitím Cortana Intelligence Suite. Pokud máte technické problémy nebo dotazy týkající se nasazení tohoto řešení, publikujte příspěvek na kartě Issues (Problémy) úložiště.

    Řídicí panel řešení

    Tady je příklad snímku předpovědí vygenerovaných tímto řešením na řídicím panelu Power BI, který je součástí řešení.

    Snímek Power BI

    Informace o cenách

    U předplatného Azure, které použijete pro toto nasazení, se budou účtovat poplatky za služby využité v tomto řešení ve výši přibližně $4.66/den. Další informace najdete v cenové kalkulačce.

    Poznámka: Pokud už nasazené řešení nepoužíváte, nezapomeňte ho odstranit, aby se vám přestaly účtovat poplatky za využití.

    Právní omezení

    © 2017 Microsoft Corporation. Všechna práva vyhrazena. Tyto informace se poskytují „tak, jak jsou“ a mohou se bez předchozího upozornění změnit. Společnost Microsoft neposkytuje s ohledem na uvedené informace žádné záruky, ať už výslovné, nebo implikované. K vytvoření řešení byla použita data třetích stran. Zodpovídáte za respektování práv ostatních, včetně pořízení náležitých licencí pro vytváření podobných datových sad a jejich dodržování.

    Související architektury řešení

    Prognózování poptávky

    Přesné prognózování Accurately špiček v poptávce po produktech a službách může společnostem přinést konkurenční výhody. Toto řešení se soustředí na prognózování poptávky v energetickém sektoru.

    Prognózování poptávky a optimalizace cen

    Nastavení cen se v řadě odvětví považuje za klíčový faktor úspěchu a může představovat jeden z nejtěžších úkolů. Společnosti se často potýkají s různými aspekty procesu nastavení cen, včetně přesné prognózy finančního dopadu potenciálních taktik, rozumného zohlednění hlavních obchodních omezení a důkladného ověření učiněných rozhodnutí o cenách. Rozšiřování nabídky produktů a vyšší požadavky na výpočetní výkon, potřebný pro rozhodování o cenách v reálném čase, tento už tak velmi náročný úkol ještě více ztěžují.

    User ActionSimulation Personalized OfferLogic System ResponseQueue User ActionQueue Event Hub Stream Analytics Power BI Machine Learning Cold StartProduct Affinity User Document DB Product Offers Reference Product Views Offer Views Cache Update Logic Azure Services Raw Stream Data 1 2 3 5 4

    Individuální nabídky

    V dnešním vysoce konkurenčním a propojeném prostředí moderní firmy už neobstojí s generickým a statickým online obsahem. Marketingové strategie využívající tradiční nástroje jsou navíc často drahé, obtížně se implementují a neposkytují požadovanou návratnost investic. Tyto systémy obvykle nedokážou plně využít shromážděná data k zajištění individuálnějšího prostředí pro uživatele.