운송 및 유통에 대한 수요 예측

운송 및 유통 솔루션에 대한 수요 예측에는 계층적 수요 데이터를 사용하여 다양한 고객, 제품 및 대상에 대한 미래 기간의 수요를 예측합니다. 예를 들어 운송 또는 택배 회사는 고객이 미래에 다양한 위치에서 배달받기를 원하는 다양한 제품의 수량을 예측하려고 합니다. 회사에서는 이러한 예측을 배달 차량 경로 지정과 같은 작업을 최적화하는 할당 도구에 대한 입력 또는 더 장기적인 용량을 계획하기 위한 입력으로 사용할 수 있습니다.

요약

이 Azure 솔루션은 미래 수량을 기반으로 계획해야 하는 조직을 위한 예측한 배송의 불확실성을 줄입니다. 이 페이지에서는 솔루션이 수행하는 작업 및 Azure 구독에서 실행 및 수정할 수 있는 제품을 설치하는 방법을 설명합니다.

Cortana Intelligence 갤러리의 Azure 솔루션은 모두 현재 프로덕션 시스템과 통합할 수 있는 수요 예측 솔루션을 실행하기 위한 필수 요소인 데이터 수집, 데이터 저장, 예약 및 고급 분석 구성 요소에 대한 고급 분석 도구로 구성됩니다. 이 솔루션은 여러 Azure 서비스를 결합합니다. Azure SQL Server는 예측 및 과거 유통 데이터 저장, R 예측 코드를 호스트하기 위한 AML(Azure Machine Learning) 웹 서비스, 전체 워크플로를 오케스트레이션하기 위한 Azure Data Factory 및 시각화하기 위한 Power BI에 사용됩니다.

이 페이지의 ‘배포’ 단추를 눌러 지정한 Azure 구독에 대해 솔루션 인스턴스를 배포합니다. 이렇게 하면 구독에서 이 솔루션을 실행할 수 있도록 솔루션을 구성하는 리소스를 만들고 시작하는 데 필요한 단계를 진행할 수 있습니다. 솔루션은 여러 Azure 서비스(아래에 설명되어 있음)와 함께, 다른 작업 중에서 배포 직후 작동하는 종단 간 솔루션이 있도록 데이터를 시뮬레이트하고 데이터베이스를 데이터로 채우는 Azure Functions를 포함합니다.

설명

참고: 이 솔루션을 이미 배포한 경우 여기를 클릭하여 배포를 확인하세요.

일별 예상 비용: $4.66

예상 프로비전 시간: 15분

운송 및 유통 솔루션에 대한 수요 예측에는 계층적 수요 데이터를 사용하여 다양한 고객, 제품 및 대상에 대한 미래 기간의 수요를 예측합니다. 예를 들어 운송 또는 택배 회사는 고객이 미래에 다양한 위치에서 배달받기를 원하는 다양한 제품의 수량을 예측하려고 합니다. 마찬가지로 공급업체 또는 보험 회사는 한 해 내내 오류로 인해 반환될 제품 수를 알려고 합니다. 회사에서는 이러한 예측을 배달 차량 경로 지정과 같은 작업을 최적화하는 할당 도구에 대한 입력 또는 더 장기적인 용량을 계획하기 위한 입력으로 사용할 수 있습니다.

이러한 모든 예측 사례의 특징은 다음과 같습니다.

  • 하나 이상의 범주 수준에서 롤업되는 다양한 볼륨이 포함된 다양한 종류의 항목이 있습니다.
  • 과거에 항상 항목 수량에 대해 사용 가능한 기록이 있습니다. 항목의 볼륨은 크게 달라지고 상당한 항목은 제로 볼륨을 가질 수 있습니다.
  • 항목의 기록은 다중 척도법으로 추세 및 계절성을 둘 다 표시할 수 있습니다. 커밋되거나 반환된 수량은 가격에 매우 민감합니다. 즉, 날씨와 같이 볼륨에 영향을 미치는 다른 결정 요인이 있을 수 있지만 택배 회사는 단기적인 가격 변경을 통해 수량에 크게 영향을 미칠 수 없습니다.

이러한 조건에서는 다양한 항목의 시계열 중에 형성된 계층 구조를 활용할 수 있습니다. 계층 구조에서 아래쪽 수량(개별 제품 수량)의 합계가 위의 수량(고객 제품 합계)이 되도록 일관성을 적용하는 방식으로 전체 예측의 정확도를 개선합니다. 겹치는 범주인 경우에도 개별 항목이 범주로 그룹화되는 경우에도 동일하게 적용됩니다. 예를 들어 합계, 위치별, 제품 범주별, 고객별 등으로 모든 제품의 수요 예측에 관심이 있을 수 있습니다.

이 솔루션은 계층 구조의 모든 집계 수준에서 지정된 각 기간에 대한 예측을 계산합니다. 간단히 설명하기 위해 계층적 및 그룹화된 시계열을 둘 다 “계층적 시계열”이라고 합니다.

사용 중인 운송 및 유통 예측

이 솔루션을 개발하기 위해 함께 작업한 Kotahi씨에게 감사드립니다. Kotahi는 뉴질랜드 수출을 위해 운송 컨테이너를 계획, 소싱 및 배달하는 공급 체인 회사입니다. 이 회사가 Microsoft 및 Microsoft Dynamics 2016 Inner Circle 파트너인 DXC Eclipse와 함께 작업한 방식에 대한 고객 사례를 참조하여 이 사례를 프로덕션에 적용할 수 있습니다. 솔루션을 통해 예측 정확도를 높여 적합한 시기에 컨테이너가 운송하는 적합한 크기를 선택하고 적합한 항구로 제품을 발송하는 기능을 개선할 수 있었습니다.

비결

솔루션에는 Azure에서 호스트 및 관리되는 5가지 형식의 리소스가 사용됩니다.

  • 영구적 저장소에 대한 Azure SQL Server 인스턴스(Azure SQL)
  • R 예측 코드를 호스트하기 위한 AML(Azure Machine Learning) 웹 서비스
  • 생성된 예측의 중간 저장소에 대한 Azure Blob Storage
  • AML 모델의 정기적인 실행을 오케스트레이션하는 ADF(Azure Data Factory)
  • 예측을 표시하고 드릴다운하기 위한 Power BI 대시보드
  • 솔루션은 ADF에 구성된 간격으로(예: 월별) 주기적인 예측 실행을 자동화합니다. 이 경우 솔루션은 현재 과거 데이터를 사용하여 모델을 학습하고 제품 계층 구조의 모든 제품에 대한 미래 기간 수량을 예측합니다. 각 예측 주기는 데이터베이스부터 모델을 통과한 다음 다시 데이터베이스로 돌아가는 왕복으로 구성됩니다. 주기별로 기존 데이터 홀드아웃 기술을 통해 예측 정확도를 측정합니다. 기간 수, 제품 범주 및 제품 간 계층 구조를 구성할 수 있습니다. Azure SQL Database에서 현재 데이터를 로드하고 동일한 데이터베이스에서 실행할 때마다 예측을 추출해야 합니다. 솔루션은 R 코드 모델을 표시하여 추가 사용자 지정을 허용하고 과거 데이터를 시뮬레이트하여 솔루션 테스트하도록 허용합니다.

    예측 솔루션 사용: 시작

    Cortana Intelligence Suite에서 가능한 작업의 예로 이 솔루션을 사용하는 방법에 대한 전체 지침은 기술 솔루션 가이드를 참조하세요. 이 솔루션 배포에 대한 기술적인 문제나 질문이 있는 경우 리포지토리의 [문제] 탭에 게시하세요.

    솔루션 대시보드

    다음은 솔루션과 함께 제공되는 PowerBI 대시보드에서 솔루션에서 생성한 예측의 스냅숏 예제입니다.

    Power BI 스냅숏

    가격 정보

    배포에 사용된 Azure 구독은 이 솔루션에 사용된 서비스에 대한 사용량 요금을 발생시킵니다(약 $4.66/일). 자세한 내용은 요금 계산기를 참조하세요.

    참고: 배포된 솔루션을 더 이상 사용하지 않는 경우 발생하는 사용 요금을 중지하려면 솔루션을 삭제해야 합니다.

    고지 사항

    ©2017 Microsoft Corporation. All rights reserved. 이 정보는 “있는 그대로” 제공되며 예고 없이 변경될 수 있습니다. Microsoft는 여기에 제공된 정보에 대해 어떠한 명시적 또는 묵시적 보증도 하지 않습니다. 타사 데이터는 솔루션을 생성하는 데 사용되었습니다. 유사한 데이터 집합을 만들기 위해 관련 라이선스를 확보하고 준수하는 것을 비롯한 다른 사람의 권리를 존중하는 것은 귀하의 책임입니다.

    관련 솔루션 아키텍처

    수요 예측

    제품 및 서비스에 대한 갑작스러운 수요 증가를 정확하게 예측하면 회사에 경쟁 우위가 제공될 수 있습니다. 이 솔루션은 에너지 분야의 수요 예측에 집중합니다.

    수요 예측 및 가격 최적화

    가격은 많은 산업에서 성공하기 위한 중심 결정 요인으로 인식되지만 가장 어려운 작업 중 하나가 될 수 있습니다. 회사들은 잠재적인 전략의 재정적인 영향을 정확하게 예측하고, 핵심 비즈니스 제약 사항을 합리적으로 고려하고, 실행된 가격 결정을 공정하게 검증하는 작업을 비롯하여 가격 책정 프로세스의 여러 측면에서 노력하고 있습니다. 제품 제공을 확장하면 실시간 가격 결정을 수행하기 위한 계산 요구 사항이 추가되므로 이미 너무나 작업이 많은 어려운 상황이 악화됩니다.

    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

    맞춤형 제품

    오늘날의 경쟁이 심하고 연결된 환경에서 일반적이고 정적인 온라인 콘텐츠로는 더 이상 살아남을 수 없습니다. 더군다나 기존 도구를 사용하는 마케팅 전략은 종종 비용이 많이 들고 구현하기 힘들며 원하는 투자 수익률을 얻지 못합니다. 이러한 시스템은 사용자에게 맞춤형 환경을 제공하기 위해 수집한 데이터를 활용하는 데 종종 실패합니다.