Hopp over navigasjon

Prognose av etterspørsel for frakt og distribusjon

Løsningen for prognose av etterspørsel for frakt og distribusjon bruker historiske etterspørselsdata for å gi en prognose over forespørsel i fremtidige perioder på tvers av forskjellige kunder, produkter og destinasjoner. Et frakt- eller leveranseselskap ønsker for eksempel en prognose over mengdene av de forskjellige produktene kundene vil ha levert til forskjellige lokasjoner i fremtiden. Et selskap kan bruke disse prognosene som informasjon i et allokeringsverktøy som optimerer operasjoner, slik som ruteplanlegging for leveransekjøretøy eller langsiktig kapasitetsplanlegging.

Sammendrag

Dette er en Azure-løsning for å redusere usikkerhet i prognoser for frakt for organisasjoner som har behov for en plan basert på fremtidige antall. Denne siden beskriver hva løsningen gjør og hvordan du installerer en kopi som du kan kjøre og endre i Azure-abonnementet ditt.

Azure-løsninger i Cortana Intelligence Gallery består av avanserte analyseverktøy for datainntak, datalagring, planlegging og avanserte analysekomponenter – alle de viktige elementene for å kjøre en prognoseløsning for etterspørsel som kan integreres med ditt eksisterende produksjonssystem. Denne løsningen kombinerer flere Azure-tjenester. Azure SQL Server brukes for å lagre prognoser og historiske distribusjonsdata, Azure Machine Learning-nettjenesten (AML) for drifting av R-prognosekoden, Azure Data Factory for orkestrering av hele arbeidsflyten og PowerBI for å visualisere den.

Bruk «Distribuer»-knappen på denne siden til å distribuere en forekomst av løsningen for Azure-abonnementet du spesifiserer. Dette tar deg igjennom trinnene i abonnementet som er nødvendige for å opprettet og starte ressursene som utgjør denne løsningen slik at du kan kjøre den. Løsningen inkluderer flere Azure-tjenester (beskrevet nedenfor) i sammen med Azure-funksjoner som, blant andre oppgaver, simulerer dataene og fyller databasen med dem, slik at du får en fungerende fullstendig løsning umiddelbart etter distribusjonen.

Beskrivelse

Merk: Hvis du allerede har distribuert denne løsningen, kan du klikke her for å vise distribusjonen.

Estimert daglig kostnad: $4.66

Estimert klargjøringstid: 15 minutter

Løsningen for prognose av etterspørsel for frakt og distribusjon bruker historiske etterspørselsdata for å gi en prognose over forespørsel i fremtidige perioder på tvers av forskjellige kunder, produkter og destinasjoner. Et frakt- eller leveranseselskap ønsker for eksempel en prognose over mengdene av de forskjellige produktene kundene vil ha levert til forskjellige lokasjoner i fremtiden. I likhet vil en selger eller forsikrer vite antallet produkter som kommer til å bli returnert på grunn av feil i løpet av et år. Et selskap kan bruke disse prognosene som informasjon i et allokeringsverktøy som optimerer operasjoner, slik som ruteplanlegging for leveransekjøretøy eller langsiktig kapasitetsplanlegging.

Karakteristikkene til alle disse prognoseeksemplene er:

  • Det finnes mange forskjellige elementer med varierende volumer som samles under ett eller flere kategorinivåer.
  • Det finnes en tilgjengelig historikk for antallet til elementet ved hvert tidligere tidspunkt. Volumene til elementene varier stort, men en mulighet for at et stort antall til tider har null volum.
  • Historikken over elementer viser både trend og sesong, muligens ved flere tidsskalaer. Forpliktede eller returnerte antall er ikke veldig prissensitive. Med andre ord kan fraktselskapet ikke ha stor påvirking på antallene ved å utføre kortsiktige endringer i priser, men det kan finnes andre determinanter som påvirker volumet, slik som været.

Under disse forholdene benytter vi oss av hierarkiet som dannes blant tidsseriene til de forskjellige elementene. Ved å tvinge konsistensen slik at mengdene som er lavere i hierarkiet (f.eks. individuelle produktmengder) summeres til de øvre mengdene (totale kundeprodukter) forbedrer vi nøyaktigheten til den totale prognosen. Det samme gjelder hvis individuelle elementer grupperes inn i kategorier, selv muligens kategorier som overlappes. Du er kanskje for eksempel interessert i å kjøre en prognose av etterspørsel for alle produkter totalt, etter lokasjon, produktkategori, kunde osv.

Denne løsningen beregner prognoser for alle aggregasjonsnivåer i hierarkiet for hver angitte tidsperiode. For enkelthet referer vi til både hierarkiske og grupperte tidsserier som «hierarkiske tidsserier».

Praktisk bruk av prognose av frakt og distribusjon

Vi takker Kotahi for samarbeidet for å utvikle denne løsningen. Kotahi er et leveransekjedeselskap som planlegger, anskaffer og leverer fraktcontainere for New Zealand-eksport. Les kundehistorien deres om hvordan de engasjerte med oss ved Microsoft og en Microsoft Dynamics 2016 Inner Circle partner, DXC Eclipse, for å sette dette i produksjon. Løsningen hjalp med å øke prognosenøyaktigheten og derved forbedre deres mulighet til å velge containerbåter av rett størrelse, til rett tid og sende dem til de rette havnene.

Hva er under panseret

Løsningen bruker fem ressurstyper som driftes og administreres i Azure:

  • Azure SQL Server-instans (Azure SQL) for varig lagring
  • Azure Machine Learning (AML)-netttjeneste for å drifte R-prognosekoden
  • Azure Blob Storage for mellomliggende lagring av genererte prognoser
  • Azure Data Factory (ADF) som orkestrerer regelmessige kjøringer av AML-modellen
  • PowerBI-dashbord for å vise og drille ned i prognosene
  • Løsningen automatiserer kjøringen av prediktive prognoser, ved en hyppighet som er konfigurert i ADF (f.eks. månedlig), hvor den lærer en modell med nåværende historiske data og gir en prognose over antall for fremtidige perioder for alle produkter i produkthierarkiet. Hver prognosesyklus består av en rundtur fra databasen gjennom modellen og så tilbake til databasen. Hver syklus måler prognosenøyaktighet ved hjelp av konvensjonelle teknikker for utholdende data. Du kan konfigurere antallet perioder, produktkategorier og hierarkiet blant produktene. Du må laste inn dine nåværende data i Azure SQL-databasen og hente ut prognosene etter hver kjøring fra den samme databasen. Løsningen benytter R-kodemodellen for å tillate videre tilpasning og gir deg mulighet til å simulere historiske data for å teste løsningen.

    Bruk av prognoseløsningen: Komme i gang

    Se den tekniske løsningsveiledningen for fullstendige instruksjoner om hvordan du bruker denne løsningen for et eksempel på hva som er mulig med Cortana Intelligence Suite. For tekniske problemer eller spørsmål om distribusjon av denne løsningen, kan du angi disse i problemkategorien til arkivet.

    Løsningsdashbord

    Her ser du et eksempel på et øyeblikkbilde av prognosen som er generert av løsningen i PowerBI-dashbordet som kommer med løsningen.

    PowerBI-øyeblikksbilde

    Prisinformasjon

    Azure-abonnementet som brukes for distribusjonen blir belastet for forbruk av tjenestene som brukes i denne løsningen, omtrent $4.66/dag. Hvis du vil ha mer informasjon, kan du gå til priskalkulatoren.

    Merk: Hvis du ikke lenger bruker den distribuerte løsningen, må du huske å slette den for å stoppe fortsatt forbruksbelastning.

    Ansvarsfraskrivelse

    ©2017 Microsoft Corporation. Med enerett. Denne informasjonen gis «som den er» og kan endres uten varsel. Microsoft gir ingen garantier, uttrykkelig eller underforstått, i forbindelse med informasjonen som oppgis her. Tredjepartsdata ble benyttet for å generere løsningen. Du er ansvarlig for å respektere andres rettigheter, inkludert anskaffelse og overhold av relevante lisenser for å opprette lignende datasett.

    Relaterte løsningsarkitekturer

    Prognose av etterspørsel

    Faktiske prognosetopper i forespørsel for produkter og tjenester kan gi en bedrift en konkurransefordel. Denne løsningen fokuserer på prognose av etterspørsel innen energisektoren.

    Etterspørselsprognoser og prisoptimering

    Prissetting anses som en sentral suksessfaktor i mange bransjer og det kan være en av de mest utfordrende oppgavene. Bedrifter sliter ofte med mange forskjellige aspekter i prisprosessen, disse inkluderer nøyaktig prognose av den finansielle påvirkningen av potensielle taktikker, tilstrekkelig vurdering av begrensningene til kjernevirksomheten og riktig vurdering av de utførte prisavgjørelsene. Utvidelse av produkttilbudet og videre databehandlingskrav for å kunne foreta prisavgjørelser i sanntid, gjør denne overveldede oppgaven enda vanskeligere.

    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

    Tilpassede tilbud

    I dagens veldig konkurrerende og tilkoblede miljø, kan moderne bedrifter ikke lenger overleve med generisk, statisk nettinnhold. Markedsføringsstrategier som benytter tradisjonelle verktøy er i tillegg ofte dyre, vanskelige å implementere og de produserer ikke den ønskede returen på investeringen. Disse systemene er ofte ikke i stand til å benytte seg fullt ut av de innsamlede dataene for å skape en mer tilpasset brukeropplevelse.