Kereslet-előrejelzés szállításhoz és forgalmazáshoz

A szállításhoz és forgalmazáshoz készült kereslet-előrejelzési megoldás keresleti előzményadatok alapján előrejelzést készít későbbi időszakok keresletéről különféle ügyfelek, termékek és célhelyek vonatkozásában. Előfordulhat például, hogy egy szállítmányozó vagy forgalmazó cég szeretne előrejelzést kapni arról, hogy a vásárlóik mekkora mennyiséget fognak rendelni különböző termékekből különféle helyekre bizonyos jövőbeli időpontokban. A vállalatok ezeket az előrejelzéseket felhasználhatják olyan elosztási eszköz bemeneti adataként, amely optimalizálja a tevékenységeket, például a szállítójárművek útvonalát, vagy hosszabb távú kapacitástervezést végez.

Összefoglalás

Ennek az Azure-megoldásnak a célja az, hogy csökkentse az előrejelzett szállítmányozási igényekkel kapcsolatos bizonytalanságot azon cégek számára, amelyeknek jövőbeli mennyiségek alapján kell tervezniük. A jelen lap bemutatja, hogy a megoldás mire használható, illetve hogy hogyan telepíthet egy futtatható és módosítható példányt az Azure-előfizetésében.

A Cortana Intelligence-katalógusban szereplő Azure-megoldások olyan fejlett analitikai eszközökből tevődnek össze, amelyek adatbetöltési, adattárolási, ütemezési és bővített elemzési funkciókat nyújtanak – így mindent megtalálhat a jelenlegi éles környezetével integrálható kereslet-előrejelzési megoldások futtatásához. A megoldás több Azure-szolgáltatást kombinál. Az előrejelzéseket és a forgalmazási előzményadatokat Azure SQL Server tárolja, az R nyelven írt előrejelzési programkódot az Azure Machine Learning (AML) webszolgáltatás futtatja, a teljes munkafolyamat rendszerezését az Azure Data Factory végzi, az eredmény vizualizálása pedig a Power BI-ban történik.

A jelen lapon lévő „Deploy” (Üzembe helyezés) gomb telepíti a megoldás egy példányát a megadott Azure-előfizetésbe. Ezután végig kell haladnia a megoldást alkotó erőforrások előfizetésében való létrehozásának és indításának lépésein, hogy futtatni tudja a teljes megoldást. A megoldás több Azure-szolgáltatást is magában foglal (részletesen lásd alább), továbbá tartalmaz más Azure-funkciókat is, melyek például létrehozzák a szimulált adatokat és feltöltik az adatbázist velük, hogy az üzembe helyezést követően azonnal egy teljes értékű megoldás álljon az Ön rendelkezésére.

Leírás

Megjegyzés: Ha már üzembe helyezte ezt a megoldást, az üzemelő példányt ide kattintva érheti el.

Becsült napi költség: $4.66

Üzembe helyezés becsült ideje: 15 perc

A szállításhoz és forgalmazáshoz készült kereslet-előrejelzési megoldás keresleti előzményadatok alapján előrejelzést készít későbbi időszakok keresletéről különféle ügyfelek, termékek és célhelyek vonatkozásában. Előfordulhat például, hogy egy szállítmányozó vagy forgalmazó cég szeretne előrejelzést kapni arról, hogy a vásárlóik mekkora mennyiséget fognak rendelni különböző termékekből különféle helyekre bizonyos jövőbeli időpontokban. Ugyanígy hasznos lehet egy gyártó vagy biztosítócégnek is, ha képes előrejelezni, hogy egy év folyamán mennyi termék meghibásodás miatti visszaküldésére kell számítania. A vállalatok ezeket az előrejelzéseket felhasználhatják olyan elosztási eszköz bemeneti adataként, amely optimalizálja a tevékenységeket, például a szállítójárművek útvonalát, vagy hosszabb távú kapacitástervezést végez.

Ezeknek az előrejelzési eseteknek közös jellemzői az alábbiak:

  • Számos típusú elem létezik különböző mennyiségekkel, melyek egy vagy több kategóriaszint alatt helyezkednek el.
  • Elemmennyiségi előzményadatok is elérhetőek a múltbeli időpontokra vonatkozóan. Az elemek mennyisége nagyban eltér, és sok elem mennyisége időnként nullára csökkenhet.
  • Az elemek előzményadatai trend- és szezonalitási adatokat is tartalmaznak, akár több időskálán is. A szállított és visszaküldött mennyiségek nem mutatnak erős árérzékenységet. Vagyis a szállítmányozó cég nem tudja nagymértékben befolyásolni a mennyiségeket az árak rövid távú módosításával, jóllehet lehetnek más tényezők, például az időjárás, amelyek befolyásolják a mennyiséget.

A fenti körülmények fennállása esetén információkat nyerhetünk ki a különböző elemek idősorozata között létrejött hierarchiából. Ha konzisztenciát kényszerítünk oly módon, hogy a hierarchiában alacsonyabb mennyiségek (például az egyes termékek mennyiségei) együttesen megegyeznek a felettük lévő mennyiségekkel (a vevők által rendelt termékek összmennyiségével), azzal javíthatjuk a teljes előrejelzés pontosságát. Ugyanez érvényes arra is, ha az egyes elemek kategóriákba vannak csoportosítva, még ha a kategóriák átfedésben is vannak. Előfordulhat például, hogy egy cég szeretne előrejelzést kapni minden termék összesített keresletéről, illetve a termékkategóriánkénti, ügyfelenkénti vagy más szempont szerinti keresletről.

Ez a megoldás kiszámítja az előrejelzéseket a hierarchia összes aggregációs szintjén minden egyes megadott időszakhoz. Az egyszerűség kedvéért a hierarchikus és a csoportosított idősorozatokra egyaránt „hierarchikus idősorozatként” utalunk.

Szállítási és forgalmazási előrejelzések a használatban

Szeretnénk megköszönni a Kotahi cégnek, hogy együtt dolgozott velünk ennek a megoldásnak a kifejlesztésén. A Kotahi egy ellátási láncban dolgozó vállalat, mely szállítókonténereket tervez, szerez be és szállít Új-Zélandról történő exporttevékenységekhez. Az ügyfélbeszámolójukból megtudhatja, hogyan kerestek meg minket a Microsoftnál, és hogyan vezették be ezt a megoldást egy Microsoft Dynamics 2016 Inner Circle-partner, a DXC Eclipse cég segítségével. A megoldást felhasználva a cég képes volt javítani az előrejelzéseik pontosságát, így hatékonyabban meg tudták állapítani, hogy mekkora hajót, mikor, és melyik kikötőbe kell küldeniük.

A megoldás összetevői

Ez a megoldás öt különböző, az Azure által szolgáltatott és felügyelt erőforrást használ:

  • Azure SQL Server-példány (Azure SQL) állandó tárolóként
  • Azure Machine Learning (AML) webszolgáltatás az R nyelvű előrejelzési kód futtatásához
  • Azure Blob Storage a generált előrejelzések átmeneti tárolójaként
  • Azure Data Factory (ADF) az AML-modell rendszeres futásának kezeléséhez
  • Power BI-irányítópult az előrejelzések megjelenítéséhez és elemzéséhez
  • A megoldás automatizálja az előrejelzések időszakos futtatását, az ADF-ben konfigurált (például havi) gyakorisággal, megtanul egy modellt az aktuális előzményadatokhoz, és előrejelzi a termékhierarchiában található összes termék mennyiségeit a későbbi időszakokra vonatkozóan. Az előrejelzés minden egyes ciklusa ugyanazt az adatbázis–modell–adatbázis útvonalat járja be. Minden ciklus méri az előrejelzés pontosságát hagyományos, validációs adatokon alapuló technikákkal. Konfigurálhatja az időszakok számát, a termékkategóriákat, valamint a termékek közötti hierarchiát. Be kell töltenie az aktuális adatait az Azure SQL-adatbázisba, majd ugyanebből az adatbázisból tudja kinyerni az előrejelzéseket minden egyes futás után. A megoldás R nyelven írt kódmodelljét elérheti és testre szabhatja, így például szimulálhat előzményadatokat a megoldás teszteléséhez.

    Az előrejelzési megoldás használata: Első lépések

    A megoldás műszaki útmutatójában teljes körű útmutatást kaphat arról, hogy hogyan használhatja fel a jelen megoldást a Cortana Intelligence csomag képességeinek megismeréséhez. Ha műszaki problémákat tapasztal vagy kérdései vannak a megoldás üzembe helyezésével kapcsolatban, tegye közzé őket az adattár Issues (Problémák) lapján.

    Megoldások irányítópultja

    Az alábbi képen láthatja példaként a megoldás által generált előrejelzések pillanatképét a megoldással együtt szállított PowerBI-irányítópulton.

    Power BI-pillanatkép

    Díjszabási információ

    Az üzembe helyezéshez használt Azure-előfizetésben a megoldást alkotó szolgáltatásokra vonatkozóan megközelítőleg $4.66/nap használati díjat számolunk fel. További információért látogasson el a Díjkalkulátor lapra.

    Megjegyzés: Ha befejezte a telepített megoldás használatát, ne felejtse el törölni azt a további használati díjak elkerüléséhez.

    Jogi nyilatkozat

    © 2017 Microsoft Corporation. Minden jog fenntartva. Ezt az információt jelen formájában nyújtjuk, és előzetes értesítés nélkül változhat. Az itt szereplő információkra a Microsoft nem vállal sem kifejezett, sem vélelmezett garanciát. A megoldás harmadik féltől származó adatok felhasználásával lett létrehozva. Ön felelős mások jogainak tiszteletben tartásáért, beleértve a hasonló adatkészletek létrehozásának céljából történő beszerzéseket és a vonatkozó licenceknek való megfelelőséget is.

    Kapcsolódó megoldásarchitektúrák

    Kereslet-előrejelzés

    A termékek és szolgáltatások csúcsterheléseinek előrejelzésével a vállalatok versenyelőnyhöz juthatnak. Ez a megoldás az energiaszektor keresleti előrejelezésére fókuszál.

    Kereslet-előrejelzés és ároptimalizálás

    Az árképzést számos iparágban a siker zálogának és egyszersmint a legnagyobb kihívást jelentő feladatok egyikének tartják. A vállalatoknak gyakran okoz gondot, hogy az árképzési folyamat számos aspektusára tekintettel kell lenniü, ideértve a lehetséges taktikák pénzügyi hatásának pontos előrejelzését, a fő üzleti korlátozó tényezők ésszerű figyelembevételét, és a meghozott pénzügyi döntések alapos kiértékelését. A termékkínálat bővítése további számítási követelményeket támaszt a valós idejű árképzési döntések meghozatalával szemben, tovább növelve ennek a már eleve bonyolult feladatnak az összetettségét.

    Personalized Offers 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

    Személyre szabott ajánlatok

    A mai rendkívül versenyorientált és összekapcsolt környezetben a modern vállalkozások túlélését már nem biztosítja az általános, statikus online tartalom. Emellett a hagyományos eszközöket használó marketingstratégiák gyakran túl drágák, nehezen megvalósíthatók, és nem biztosítják az elvárt megtérülési rátát. Ezek a rendszerek gyakran nem használják ki teljes mértékben az összegyűjtött adatokat ahhoz, hogy személyre szabottabb élményt nyújtsanak a felhasználónak.