Navigáció kihagyása

Kereslet-előrejelzés

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

Leírás

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

Üzembe helyezés becsült ideje: 25 perc

Áttekintés

A termékek és szolgáltatások csúcsterheléseinek előrejelzésével a vállalatok versenyelőnyhöz juthatnak. Minél jobb az előrejelzés, annál pontosabban tudnak alkalmazkodni az igények kielégítéséhez, és annál kevesebb kockázatot kell vállalniuk a szükségtelen készletek fenntartásával. Több más mellett használható egy termék iránti kereslet előrejelzésére egy kiskereskedelmi vagy online áruházban, kórházi látogatások előrejelzésére vagy a várható energiafogyasztás becslésére.

Ez a megoldás az energiaszektor keresleti előrejelezésére fókuszál. Az energia tárolása nem költséghatékony, ezért a közüzemi és az energiaszolgáltatóknak előre kell tudniuk jelezni a várható energiafogyasztást ahhoz, hogy hatékony egyensúlyban tudják tartani a keresletet és a kínálatot. A csúcsterhelések idején az ellátási hiányosságok az energiaellátás kimaradásához vezethetnek. A túlságosan nagy mennyiségű kínálat ugyanakkor energiaveszteséget termelhet. Fejlett előrejelzési technikák szolgáltatnak adatokat egy adott nap óránkénti keresletéről és a csúcsidőszakokról, az energiaszolgáltató pedig ennek köszönhetően optimalizálni tudja az energia-előállítási folyamatot. Ez a megoldás a Cortana Intelligence használatával teszi lehetővé az energiaszolgáltató vállalatok számára, hogy rövid idő alatt vezethessenek be egy hatékony előrejelzési technológiát az üzletmenetükben.

Részletek

A Cortana Intelligence Suite olyan fejlett analitikai eszközöket tesz elérhetővé a Microsoft Azure-on keresztül, mint az adatbetöltés, az adattárolás, az adatfeldolgozás és a fejlett analitikai összetevők – minden, ami egy energiaszükségleti előrejelzési megoldás kiépítéséhez szükséges.

A megoldás több Azure-szolgáltatást kombinálva kínál hatékony megoldást. Az Event Hubs valós időben gyűjt használati adatokat. A Stream Analytics összesíti az adatfolyamot, és alkalmassá teszi azt vizuális megjelenítésre. Az Azure SQL a használati adatokat tárolja és alakítja át. A Machine Learning megvalósítja és végrehajtja az előrejelzési modellt. A Power BI az energiafogyasztás és az előrejelzési eredmények valós idejű vizuális megjelenítéséről gondoskodik. Végül a Data Factory a teljes adatfolyamatot vezényli és ütemezi.

Az „Deploy” (Üzembe helyezés) gomb elindít egy munkafolyamatot, amely az Ön által megadott Azure-előfizetést használva helyezi üzembe a megoldáspéldányt egy erőforráscsoportban. A megoldás több Azure-szolgáltatást is magában foglal (részletesen lásd alább), továbbá egy olyan Web Jobs-feladatot, amely szimulálja az adatokat, így az üzembe helyezést követően azonnal egy teljes értékű megoldás áll az Ön rendelkezésére. A megoldás mintaadatai az NYISO nyilvánosan elérhető adataiból származnak.

Technikai adatok és munkafolyamat

  1. A mintaadatokat az újonnan üzembe helyezett Azure Web Jobs-feladat tölti be.
  2. Ez a szintetikus adat adatpontokként vagy eseményekként kerül az Azure Event Hubsba és az Azure SQL-szolgáltatásba, és a megoldási folyamat későbbi részében lesznek felhasználva.
  3. Az Azure Stream Analytics az eseményközpontból érkező adatfolyam közel valós idejű elemzését végzi el, és az eredményeket közvetlenül a Power BI-ba irányítja, ahol azok vizuálisan is megjeleníthetők.
  4. Az Azure Machine Learning szolgáltatás a kapott bemeneti adatok alapján előrejelzi egy adott régió energiaszükségletét.
  5. Az Azure SQL Database az Azure Machine Learning szolgáltatásból származó előrejelzési eredményeket tárolja. Az eredményeket ezt követően a Power BI irányítópultja használja fel.
  6. Az Azure Data Factory kezeli az óraalapú modellbetanítás ütemezését és vezénylését.
  7. Végül pedig a Power BI az eredmények vizuális megjelenítését végzi el, így a felhasználók valós időben követhetik az adott régió energiafogyasztását, és a keresleti előrejelzés alapján optimalizálhatják az energiatermelési és ellátási folyamatot.

Díjszabási információ

Az üzembe helyezéshez használt Azure-előfizetésben a megoldásban használt szolgáltatásokra vonatkozó használati díjakat számolunk fel. Díjszabási információkat az Azure díjszabási oldalán talál.

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 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.

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.

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.