Hopp over navigasjon

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.

Beskrivelse

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

Estimert klargjøringstid: 25 minutter

Oversikt

Faktiske prognosetopper i forespørsel for produkter og tjenester kan gi en bedrift en konkurransefordel. Desto bedre prognosene er, desto mer kan det skaleres i henhold til etterspørselsøkning, og desto mindre blir risikoen for unødvendig lagerbeholdning. Brukseksempler inkluderer å anslå etterspørsel for et produkt i en detaljhandel-/nettbutikk, prognose av sykehusbesøk og forutsi energiforbruk.

Denne løsningen fokuserer på prognose av etterspørsel innen energisektoren. Energilagring er ikke kostnadseffektivt, så energileverandører har behov for å forutsi fremtidig energiforbruk slik at de effektivt kan balansere leveransen med etterspørselen. I løpet av perioder med høyt forbruk kan underleveranse føre til strømbrudd. Og for høy leveranse kan føre til ressurssvinn. Avanserte teknikker for prognose av etterspørsel gir detaljert oversikt av etterspørsel per time og for travle perioder for en gitt dag, dette gir en kraftleverandør mulighet til å optimalisere kraftproduksjonsprosessen. Denne løsningen som bruker Cortana Intelligence, gjør det mulig for energibedrifter å raskt introdusere kraftig prognoseteknologi i forretningsdriften.

Detaljer

Cortana Intelligence Suite tilbyr avanserte analyseverktøy igjennom Microsoft Azure – komponenter for datainntak, datalagring, databehandling og avansert analyse – all de viktige elementene for å utvikle en forespørselsprognose for energiløsninger.

Denne løsningen kombinerer flere Azure-tjenester for å levere kraftige fordeler. Event Hubs samler inn forbrukerdata i sanntid. Stream Analytics aggregerer datastrømmene og gjør dem tilgjengelige for visualisering. Azure SQL lagrer og transformerer forbrukerdataene. Machine Learning implementerer og kjører prognosemodellen. PowerBI visualiserer sanntids energiforbruk i tillegg til prognoseresultatene. Til slutt orkestrerer og planlegger Data Factory den fullstendige dataflyten.

Knappen «Distribuer» starter en arbeidsflyt som distribuerer en forekomst av løsningen i en ressursgruppe i Azure-abonnementet som du spesifiserer. Løsningen inkluderer flere Azure-tjenester (beskrevet nedenfor) i sammen med en nettjobb som simulerer data slik at du får en fungerende fullstendig løsning umiddelbart etter distribusjonen. Prøvedataene for denne løsningen simuleres fra offentlig tilgjengelige data fra NYISO.

Tekniske detaljer og arbeidsflyt

  1. Prøvedataene strømmes av nylig distribuerte Azure-nettjobber.
  2. Disse syntetiske dataene mates inn i Azure Event Hubs og Azure SQL-service som datapunkter eller hendelser som blir brukt i resten av løsningsflyten.
  3. Azure Stream Analytics analyserer dataene for å levere en analyse i nær sanntid på inndataflyten fra hendelseshuben og publiserer direkte til PowerBI for visualisering.
  4. Azure Machine Learning-tjenesten brukes for å lage en prognose over energietterspørselen for et bestemt område basert på den mottatte informasjonen.
  5. Azure SQL Database brukes for å lagre de prediktive resultatene som mottas fra Azure Machine Learning-tjenesten. Disse resultatene brukes deretter i Power BI-dashbordet.
  6. Azure Data Factory behandler orkestrering og planlegging av den timebaserte modellomtreningen.
  7. Til slutt brukes PowerBI for visualisering av resultatene slik at brukere kan overvåke energiforbruket fra et område i sanntid og bruke prognosen av etterspørselen for å optimalisere kraftproduksjonen eller distribusjonsprosessen.

Prisinformasjon

Azure-abonnementet som brukes for distribusjonen blir belastet for forbruk av tjenestene som brukes i denne løsningen. For prisdetaljer, kan du gå til siden Azure-priser.

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

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.

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.

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.