Omitir navegación

Previsión de la demanda de envíos y distribución

La solución de previsión de la demanda de envíos y distribución utiliza datos históricos de la demanda con el fin de prever la demanda en períodos futuros para varios clientes, productos y destinos. Por ejemplo, una empresa de transportes o mensajería quiere predecir la cantidad de productos diferentes que sus clientes querrán entregar en diversas ubicaciones en momentos futuros. Una empresa puede usar estas previsiones como datos de entrada en una herramienta de asignaciones que optimice las operaciones, como elaborar rutas para los vehículos de distribución o planear la capacidad a largo plazo.

Resumen

Esta es una solución de Azure para reducir la incertidumbre de los envíos previstos para organizaciones que necesitan planear en función de cantidades futuras. En esta página, se explica lo que hace la solución y cómo instalar una copia que pueda ejecutar y modificar en su suscripción de Azure.

Las soluciones de Azure en la Galería de Cortana Intelligence se componen de herramientas de análisis avanzado para la ingesta de datos, el almacenamiento de datos, programación y componentes de análisis avanzado, todos los elementos fundamentales para ejecutar una solución de previsión de la demanda que se pueda integrar con sus sistemas de producción actuales. Esta solución combina varios servicios de Azure. Se utilizan Azure SQL Server para almacenar las previsiones y los datos históricos de distribución, el servicio web Azure Machine Learning (AML) para hospedar el código de previsión de R, Azure Data Factory para organizar todo el flujo de trabajo y Power BI para visualizarlo.

Use el botón “Implementar” de esta página para implementar una instancia de la solución para la suscripción de Azure que especifique. Se le indicarán los pasos necesarios en la suscripción para crear e iniciar los recursos que conforman la solución y poder ejecutarla. La solución incluye varios servicios de Azure (se describen a continuación) junto con Azure Functions, que, entre otras tareas, simula los datos y rellena la base de datos con ellos, de modo que, inmediatamente después de la implementación, dispondrá de una solución integral en funcionamiento.

Descripción

Nota: Si ya ha implementado esta solución, haga clic aquí para ver la implementación.

Costo diario estimado: $4.66

Tiempo de aprovisionamiento estimado: 15 minutos

La solución de previsión de la demanda de envíos y distribución utiliza datos históricos de la demanda con el fin de prever la demanda en períodos futuros para varios clientes, productos y destinos. Por ejemplo, una empresa de transportes o mensajería quiere predecir la cantidad de productos diferentes que sus clientes querrán entregar en diversas ubicaciones en momentos futuros. Igualmente, un proveedor o una aseguradora quiere saber el número de productos que se devolverán por defectos durante el transcurso de un año. Una empresa puede usar estas previsiones como datos de entrada en una herramienta de asignaciones que optimice las operaciones, como elaborar rutas para los vehículos de distribución o planear la capacidad a largo plazo.

Las características de todos estos casos de previsión son las siguientes:

  • Hay una gran variedad de artículos con volúmenes diferentes que aparecen en una o varias categorías.
  • Hay disponible un historial de la cantidad del artículo en cada momento del pasado. El volumen de los artículos difiere notablemente, quizá con un número importante que, a veces, tiene volumen cero.
  • El historial de los artículos muestra tanto la tendencia como la estacionalidad, tal vez en diferentes escalas de tiempo. Las cantidades comprometidas o devueltas no son especialmente sensibles a los precios. Dicho de otro modo, la empresa de mensajería no puede influir notoriamente en las cantidades con cambios en los precios a corto plazo, aunque puede haber otros factores determinantes que afecten al volumen, como el tiempo.

En estas circunstancias, se puede aprovechar la jerarquía formada entre las series temporales de los diferentes artículos. Al mantener una regularidad de modo que las cantidades situadas más abajo en la jerarquía (por ejemplo, productos individuales) sumen las cantidades situadas más arriba (totales de productos de clientes), se obtiene una previsión global más precisa. Lo mismo es aplicable si se agrupan artículos individuales en categorías, incluso categorías que se superpongan. Por ejemplo, es posible que le interese prever la demanda de todos los productos en total, por ubicación, por categoría de producto, por cliente, etc.

Esta solución calcula previsiones en todos los niveles de agregación de la jerarquía para cada período de tiempo especificado. Para simplificar, llamaremos a las series temporales jerárquicas y agrupadas "series temporales jerárquicas".

Previsión de envíos y distribución en uso

Agradecemos a Kotahi su colaboración para desarrollar esta solución. Kotahi es una empresa de cadena de suministro que planea, obtiene y entrega contenedores de transporte para exportaciones de Nueva Zelanda. Lea el caso de este cliente para conocer cómo ha colaborado con Microsoft y con DXC Eclipse, un asociado de Microsoft Dynamics 2016 Inner Circle, para poner esto en marcha. La solución ha permitido aumentar la precisión de la previsión y, por tanto, mejorar la capacidad de elegir el tamaño correcto de los buques portacontenedores, en el momento oportuno y enviarlos a los puertos correspondientes.

Funcionamiento interno

La solución utiliza cinco tipos de recursos hospedados y administrados en Azure:

  • Instancia de Azure SQL Server (Azure SQL) para almacenamiento persistente
  • Servicio web Azure Machine Learning (AML) para hospedar el código de previsión de R
  • Azure Blob Storage para el almacenamiento intermedio de las previsiones generadas
  • Azure Data Factory (ADF), que organiza ejecuciones periódicas del modelo de AML
  • Panel de Power BI para mostrar y explorar en profundidad las previsiones
  • La solución automatiza la ejecución de previsiones periódicas, a un ritmo configurado en ADF (por ejemplo, mensualmente), donde aprende un modelo con los datos históricos actuales y predice las cantidades de todos los productos de la jerarquía para períodos futuros. Cada ciclo de previsión consta de un recorrido de ida y vuelta que parte de la base de datos, pasa por el modelo y vuelve a la base de datos. Cada ciclo mide la precisión de la previsión con técnicas convencionales de datos de exclusión. Puede configurar el número de períodos y las categorías y la jerarquía de productos. Debe cargar los datos actuales en Azure SQL Database y extraer las previsiones de la misma base de datos después de cada ejecución. La solución expone el modelo de código R para permitir un mayor grado de personalización y la simulación de datos históricos para probar la solución.

    Uso de la solución de previsión: introducción

    Vea la guía técnica de la solución para obtener instrucciones completas para usar esta solución como ejemplo de lo que es posible con Cortana Intelligence Suite. Para problemas técnicos o preguntas sobre la implementación de la solución, publique una entrada en la ficha de problemas del repositorio.

    Panel de la solución

    Este es un ejemplo de una instantánea de las previsiones generadas por la solución en el panel de PowerBI que incluye la solución.

    Instantánea de Power BI

    Información sobre precios

    La suscripción de Azure que utilice para la implementación incurrirá en cargos por el consumo de los servicios que utilice la solución, aproximadamente, $4.66/día. Para obtener más información, visite la calculadora de precios.

    Nota: Si ya no utiliza la solución implementada, no olvide eliminarla para que deje de generar cargos de consumo.

    Declinación de responsabilidades

    ©2017 Microsoft Corporation. Todos los derechos reservados. Esta información se proporciona "tal cual" y puede cambiar sin previo aviso. Microsoft no ofrece ninguna garantía, ni expresa ni implícita, respecto a la información que aquí se proporciona. Para generar la solución, se utilizaron datos de terceros. Usted es responsable de respetar los derechos de otros, incluida la adquisición y el cumplimiento de las licencias correspondientes para crear conjuntos de datos similares.

    Arquitecturas de soluciones relacionadas

    Previsión de la demanda

    Prever con exactitud los picos de demanda de productos y servicios puede suponer una ventaja competitiva para una compañía. Esta solución se centra en la previsión de la demanda en el sector energético.

    Previsión de la demanda y optimización de precios

    Los precios son un factor determinante del éxito de muchas industrias y su establecimiento puede ser una de las tareas más complejas. A menudo, las empresas deben afrontar varios aspectos del proceso de establecimiento de precios; entre ellos, una previsión exacta de las consecuencias financieras de posibles tácticas, una consideración razonable de las limitaciones de su actividad principal y una validación real de las decisiones sobre precios que se han puesto en marcha. La ampliación de las ofertas de productos supone más requisitos informáticos para tomar decisiones sobre precios en tiempo real, lo que agrava aún más la dificultad de esta tediosa tarea.

    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

    Ofertas personalizadas

    En el entorno de hoy en día tan competitivo y conectado, las empresas modernas ya no pueden sobrevivir con contenido en línea genérico y estático. Además, las estrategias de marketing que usan herramientas tradicionales suelen ser caras, difíciles de implementar y no generan la rentabilidad de la inversión deseada. Estos sistemas no suelen sacar el máximo provecho a los datos recopilados para crear una experiencia de usuario más personalizada.