Previsione della domanda per la spedizione e la distribuzione

La soluzione Previsione della domanda per la spedizione e la distribuzione usa i dati cronologici della domanda per prevedere la domanda in periodi futuri tra vari clienti, prodotti e destinazioni. Ad esempio, una società di spedizione o consegna vuole prevedere le quantità dei diversi prodotti che dovrà consegnare per conto dei propri clienti in diverse località in periodi futuri. Una società può usare queste previsioni come dati di input in uno strumento di allocazione che ottimizza le operazioni, ad esempio la definizione degli itinerari di consegna, oppure per pianificare la capacità nel lungo periodo.

Riepilogo

Si tratta di una soluzione Azure che consente di ridurre l'incertezza nelle spedizioni previste nel caso di organizzazioni che devono eseguire pianificazioni in base a quantità future. Questa pagina spiega cosa fa la soluzione e come installarne una copia che è possibile eseguire e modificare nella sottoscrizione di Azure.

Le soluzioni Azure in Cortana Intelligence Gallery sono costituite da strumenti di analisi avanzate per l'inserimento dei dati, l'archiviazione dei dati, la pianificazione oltre a componenti di analisi avanzati, tutti elementi essenziali per eseguire una soluzione di previsione della domanda che è possibile integrare con i sistemi di produzione correnti. Questa soluzione combina diversi servizi di Azure. Azure SQL Server viene usato per archiviare le previsioni e i dati cronologici sulla distribuzione, il servizio Web Azure Machine Learning (AML) per ospitare il codice di previsione R, Azure Data Factory per eseguire l'orchestrazione dell'intero flusso di lavoro e Power BI per visualizzarlo.

Usa il pulsante 'Distribuisci' in questa pagina per distribuire un'istanza della soluzione per la sottoscrizione di Azure specificata. Verrà illustrata in modo dettagliato la procedura necessaria per la creazione e l'avvio delle risorse che costituiscono questa soluzione in modo da consentirti di eseguirla. La soluzione include più servizi di Azure, illustrati di seguito, oltre a funzioni di Azure che, tra le varie attività, simulano i dati e li usano per popolare il database, in modo che subito dopo la distribuzione sia disponibile una soluzione end-to-end funzionante.

Descrizione

Nota: se hai già distribuito questa soluzione, fai clic qui per visualizzare la distribuzione.

Costo stimato giornaliero: $4.66

Tempo stimato per il provisioning: 15 minuti

La soluzione Previsione della domanda per la spedizione e la distribuzione usa i dati cronologici della domanda per prevedere la domanda in periodi futuri tra vari clienti, prodotti e destinazioni. Ad esempio, una società di spedizione o consegna vuole prevedere le quantità dei diversi prodotti che dovrà consegnare per conto dei propri clienti in diverse località in periodi futuri. Analogamente un fornitore o un assicuratore vuole conoscere il numero di prodotti che verranno restituiti nel corso dell'anno a causa di problemi. Una società può usare queste previsioni come dati di input in uno strumento di allocazione che ottimizza le operazioni, ad esempio la definizione degli itinerari di consegna, oppure per pianificare la capacità nel lungo periodo.

Le caratteristiche di tutti questi casi di previsione sono:

  • Sono presenti numerosi tipi di articoli con volumi diversi che vengono riportati sotto uno o più livelli di categoria.
  • È disponibile una cronologia per la quantità di ogni articolo per ogni specifico momento passato. I volumi degli articoli sono notevolmente diversi ed è possibile che talvolta sia presente un certo numero di articoli con volume pari a zero.
  • La cronologia degli articoli include sia tendenza che stagionalità, possibilmente su più scale temporali. Le quantità consegnate o restituite non subiscono particolari variazioni in base al prezzo. In altre parole, la società di consegna non può influire pesantemente sulle quantità in base a lievi variazioni di prezzo, anche se possono esserci altri fattori che influiscono sul volume, ad esempio il meteo.

In queste condizioni possiamo sfruttare la gerarchia che si è formata tra le serie temporali dei diversi articoli. Applicando il principio di coerenza, in modo che le quantità presenti nella parte inferiore della gerarchia (ovvero le quantità dei singoli prodotti) vengano sommate alle quantità presenti nella parte superiore (totali dei prodotti dei clienti), possiamo migliorare l'accuratezza dell'intera previsione. Lo stesso vale se i singoli articoli vengono raggruppati in un categorie, persino in categorie che si sovrappongono. Ad esempio, si può essere interessati alla previsione della domanda di tutti i prodotti in totale, per località, per categoria di prodotto, per cliente e così via.

Questa soluzione calcola le previsioni a tutti i livelli di aggregazione della gerarchia per ogni periodo temporale specificato. Per semplicità, per fare riferimento sia alle serie temporali gerarchiche che a quelle raggruppate useremo il termine "serie temporali gerarchiche".

Esempio di utilizzo della soluzione Previsione della domanda per la spedizione e la distribuzione

Ringraziamo Kotahi per aver collaborato con noi allo sviluppo di questa soluzione. Kotahi è una società di logistica che si occupa della pianificazione, dell'approvvigionamento e della consegna di container per le esportazioni in Nuova Zelanda. Leggi la loro storia e scoprirai come hanno implementato questa soluzione nel loro ambiente di produzione grazie a Microsoft e a DXC Eclipse, uno dei partner Microsoft Dynamics 2016 Inner Circle. La soluzione ha consentito di migliorare l'accuratezza delle previsioni e di conseguenza di ottimizzare la scelta delle navi cargo più adatte nel momento giusto e di indirizzarle ai porti corretti.

Risorse della soluzione

La soluzione usa cinque tipi di risorse ospitate e gestite in Azure:

  • Istanza di Azure SQL Server (Azure SQL) per l'archivio permanente
  • Servizio Web Azure Machine Learning (AML) per ospitare il codice di previsione R
  • Archiviazione BLOB di Azure per l'archiviazione intermedia delle previsioni generate
  • Azure Data Factory (ADF) che esegue l'orchestrazione di esecuzioni regolari del modello AML
  • Dashboard di Power BI per la visualizzazione e il drill-down delle previsioni
  • La soluzione automatizza l'esecuzione di previsioni periodiche, in base alla frequenza configurata in ADF (ad esempio ogni mese), da cui crea un modello con i dati cronologici correnti e prevede le quantità relative ai periodi futuri per tutti i prodotti inclusi nella gerarchia. Ogni ciclo di previsione è costituito da una sequenza di andata e ritorno che parte dal database, attraversa il modello e torna al database. Ogni ciclo misura l'accuratezza della previsione usando tecniche convenzionali di controllo dei dati. Puoi configurare il numero di periodi, le categorie di prodotto e la gerarchia tra i prodotti. Devi caricare i dati correnti nel database di Azure SQL e dopo ogni esecuzione estrarre le previsioni dallo stesso database. La soluzione espone il modello di codice R per consentire ulteriori personalizzazioni e per permettere la simulazione di dati cronologici per testare la soluzione.

    Uso della soluzione di previsione: introduzione

    Per tutte le istruzioni su come usare questa soluzione come esempio delle operazioni che è possibile eseguire con Cortana Intelligence Suite, consulta la guida tecnica della soluzione. Per problemi tenici o domande su questa soluzione, inserisci un post nella scheda Issues del repository.

    Dashboard della soluzione

    Ecco un esempio di uno snapshot delle previsioni generate dalla soluzione nel dashboard di PowerBI che viene fornito con la soluzione.

    Snapshot di Power BI

    Informazioni sui prezzi

    Alla sottoscrizione di Azure usata per la distribuzione verranno applicati addebiti per l'utilizzo dei servizi usati nella soluzione, pari all'incirca a $4.66/giorno. Per altre informazioni, visita il calcolatore dei prezzi.

    Nota: se non usi più la soluzione distribuita, non dimenticare di eliminarla per evitare che vengano applicati gli addebiti per il suo utilizzo.

    Dichiarazione di non responsabilità

    ©2017 Microsoft Corporation. Tutti i diritti sono riservati. Queste informazioni vengono fornite "così come sono" e sono soggette a modifiche senza preavviso. Microsoft non fornisce alcuna garanzia, espressa o implicita, in merito alle informazioni fornite qui. Per la generazione della soluzione sono stati usati dati di terze parti. La responsabilità per il rispetto dei diritti di altri, inclusi l'acquisizione e la conformità delle licenze rilevanti per la creazione di set di dati simili, è a tuo carico.

    Architetture delle soluzioni correlate

    Previsione della domanda

    La previsione accurata dei picchi della domanda di prodotti e servizi può offrire a un'azienda un vantaggio competitivo. Questa soluzione è incentrata sulla previsione della domanda nel settore energetico.

    Previsione della domanda e ottimizzazione dei prezzi

    La determinazione dei prezzi è riconosciuta come un fattore determinante del successo in molti settori e può essere una delle attività più complesse. Spesso le azienda faticano a districarsi con i diversi aspetti del processo di determinazione dei prezzi, ad esempio prevedere in modo accurato l'impatto finanziario delle potenziali strategie, valutare attentamente in vincoli del core business e convalidare correttamente le decisioni prese in merito ai prezzi. L'espansione delle offerte dei prodotti aggiungono ulteriori requisiti di calcolo ai fini del processo decisionale sui prezzi in tempo reale, aumentando la difficoltà di questa attività già estremamente complessa.

    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

    Offerte personalizzate

    Nell'ambiente altamente competitivo e connesso attuale i business moderni non possono più sopravvivere con contenuto online statico e generico. Le strategie di marketing che usano strumenti tradizionali sono inoltre spesso costose, difficili da implementare e non producono il ritorno sugli investimenti richiesto. Questi sistemi non riescono spesso a sfruttare completamente i vantaggi dei dati raccolti per creare un'esperienza più personalizzata per l'utente.