Navigatie overslaan

Vraagprognose voor vervoer en distributie

De Oplossing vraagprognose voor vervoer en distributie maakt gebruik van historische vraaggegevens om de vraag in toekomstige perioden te voorspellen voor verschillende klanten, producten en bestemmingen. Een verzend- of transportbedrijf wil bijvoorbeeld voorspellen wat de hoeveelheden zijn van de verschillende producten die zijn klanten in de toekomst bezorgd willen hebben op verschillende locaties. Een bedrijf kan deze prognoses gebruiken als invoer voor een toewijzingsprogramma dat de bedrijfsactiviteiten optimaliseert, zoals de routes van bestelwagens, of om de capaciteit op de langere termijn te plannen.

Samenvatting

Dit is een Azure-oplossing om de onzekerheid in voorspelde verzendingen te verlagen voor organisaties die moeten plannen op basis van toekomstige hoeveelheden. Op deze pagina leest u wat de oplossing doet en hoe u een kopie kunt installeren die u in uw Azure-abonnement kunt uitvoeren en aanpassen.

Azure-oplossingen in de Cortana Intelligence Gallery bestaan uit geavanceerde analysehulpprogramma's voor gegevensopname, gegevensopslag, planning en geavanceerde analyse-onderdelen - alle essentiële elementen om een oplossing voor vraagprognose uit te voeren die kan worden geïntegreerd met uw huidige productiesystemen. Deze oplossing combineert verschillende Azure-services. Azure SQL Server wordt gebruikt om prognoses en historische distributiegegevens op te slaan, de webservice Azure Machine Learning (AML) om als host op te treden voor de R-prognosecode, Azure Data Factory om de gehele workflow te organiseren en Power BI om deze te visualiseren.

Gebruik de knop Implementeren op deze pagina om een exemplaar van de oplossing te implementeren voor het Azure-abonnement dat u opgeeft. U wordt dan door stappen in uw abonnement begeleid die u moet zetten om de resources waaruit deze oplossing bestaat, te maken en starten zodat u de oplossing kunt uitvoeren. De oplossing bevat meerdere Azure-services (hieronder beschreven) samen met Azure-functies die, onder andere, de gegevens simuleren en de database ermee vullen, zodat u direct na de implementatie een werkende en complete oplossing hebt.

Beschrijving

Opmerking: als u deze oplossing al hebt geïmplementeerd, klikt u hier om de implementatie te bekijken.

Geschatte dagelijkse kosten: $4.66

Geschatte inrichtingstijd: 15 minuten

De Oplossing vraagprognose voor vervoer en distributie maakt gebruik van historische vraaggegevens om de vraag in toekomstige perioden te voorspellen voor verschillende klanten, producten en bestemmingen. Een verzend- of transportbedrijf wil bijvoorbeeld voorspellen wat de hoeveelheden zijn van de verschillende producten die zijn klanten in de toekomst bezorgd willen hebben op verschillende locaties. Of een leverancier of verzekeraar wil weten hoeveel producten in de loop van een jaar worden geretourneerd vanwege fouten. Een bedrijf kan deze prognoses gebruiken als invoer voor een toewijzingsprogramma dat de bedrijfsactiviteiten optimaliseert, zoals de routes van bestelwagens, of om de capaciteit op de langere termijn te plannen.

Kenmerken van al deze prognosecases zijn:

  • Er zijn talrijke soorten items met verschillende volumes, die kunnen worden verzameld onder een of meer categorieniveaus.
  • Er is een geschiedenis beschikbaar voor de hoeveelheid van het item op elk moment in het verleden. De volumes van de items verschillen enorm en mogelijk is er een aanzienlijk aantal dat op bepaalde momenten 0 % volume heeft.
  • De geschiedenis van items laat zowel trends als seizoensgebondenheid zien, mogelijk op meerdere tijdschalen. De doorgevoerde of geretourneerde hoeveelheden zijn niet erg prijsgevoelig. Met andere woorden, het transportbedrijf kan geen sterke invloed uitoefenen op hoeveelheden door kortetermijnwijzigingen in prijzen, hoewel er mogelijk andere factoren bestaan die het volume beïnvloeden, zoals het weer.

Onder deze omstandigheden kunnen we gebruikmaken van de hiërarchie die zich heeft gevormd onder de tijdreeksen van de verschillende items. Door consistentie af te dwingen zodat de hoeveelheden lager in de hiërarchie (bijvoorbeeld afzonderlijke producthoeveelheden) oplopen tot de hoeveelheden bovenaan (producttotalen per klant), verbeteren we de nauwkeurigheid van de algehele prognose. Dit geldt ook als individuele items worden gegroepeerd in categorieën, zelfs mogelijk categorieën die elkaar overlappen. U kunt bijvoorbeeld geïnteresseerd zijn in het voorspellen van de vraag naar alle producten in total, op locatie, op productcategorie, op klant enzovoort.

Deze oplossing berekent prognoses op alle aggregatieniveaus in de hiërarchie voor elke opgegeven tijdsperiode. Omwille van de eenvoud verwijzen we naar zowel hiërarchische als gegroepeerde tijdreeksen als 'hiërarchische tijdreeksen'.

Vervoer- en distributieprognose in de praktijk

We willen Kotahi bedanken voor de samenwerking met ons aan de ontwikkeling van deze oplossing. Kotahi is een bevoorradingsbedrijf dat transportcontainers voor export naar Nieuw-Zeeland inplant, verzorgt en aflevert. Lees hun klantenverhaal over hoe zij samen met Microsoft en een Microsoft Dynamics 2016 Inner Circle-partner, DXC Eclipse, hebben samengewerkt om dit in productie te nemen. Dankzij de oplossing is hun prognosenauwkeurigheid vergroot. Ze zijn nu beter in staat om containerschepen met de juiste grootte te kiezen en kunnen die op de juiste momenten naar de juiste havens sturen.

Wat zit er allemaal in

De oplossing maakt gebruik van vijf typen resources die in Azure worden gehost en beheerd:

  • Exemplaar van Azure SQL Server (Azure SQL) voor permanente opslag
  • Azure Machine Learning (AML)-webservice om de R-prognosecode te hosten
  • Azure Blob Storage voor tussentijdse opslag van gegenereerde prognoses
  • Azure Data Factory (ADF) die regelmatige uitvoeringen van het AML-model organiseert
  • Power BI-dashboard om de prognoses weer te geven en erop in te zoomen
  • De oplossing automatiseert de uitvoering van periodieke prognoses, met een interval dat is geconfigureerd in ADF (bijvoorbeeld maandelijks), waar deze een model met de huidige historische gegevens leert, en hoeveelheden voor toekomstige perioden voor alle producten in de producthiërarchie voorspelt. Elke prognosecyclus bestaat uit een retour vanaf de database, door het model en weer terug naar de database. Elke cyclus meet de nauwkeurigheid van de prognoses met behulp van conventionele technieken voor gegevensevaluatie. U kunt het aantal perioden, de productcategorieën en de hiërarchie voor producten configureren. U moet uw huidige gegevens in de Azure SQL-database laden en na elke uitvoering prognoses extraheren uit dezelfde database. De oplossing geeft het R-codemodel weer om verdere aanpassingen mogelijk te maken, waardoor u historische gegevens kunt simuleren om de oplossing te testen.

    De prognoseoplossing gebruiken: aan de slag

    Zie de Technische oplossingengids voor een complete set met instructies over hoe u deze oplossing gebruikt als een voorbeeld van wat mogelijk is met de Cortana Intelligence Suite. In het geval van technische problemen of vragen over het implementeren van deze oplossing, kunt u deze plaatsen op het tabblad Problemen van de opslagplaats.

    Dashboard van de oplossing

    Hierna volgt een voorbeeld van een momentopname van de prognoses gegenereerd door de oplossing in het PowerBI-dashboard dat bij de oplossing wordt geleverd.

    Power BI-momentopname

    Prijsgegevens

    Bij uw Azure-abonnement dat voor de implementatie is gebruikt, worden verbruikskosten in rekening gebracht voor de services die in deze oplossing zijn gebruikt, bij benadering $4.66/dag. Ga naar de Prijscalculator voor meer informatie.

    Opmerking: als u de geïmplementeerde oplossing niet meer gebruikt, moet u niet vergeten deze te verwijderen zodat geen verbruikskosten meer in rekening worden gebracht.

    Vrijwaring

    © 2017 Microsoft Corporation. Alle rechten voorbehouden. Deze informatie wordt als zodanig geleverd en kan zonder kennisgeving worden gewijzigd. Microsoft biedt geen garanties, expliciet of impliciet, met betrekking tot de hier verstrekte informatie. Gegevens van derden zijn gebruikt om de oplossing te genereren. U bent verantwoordelijk voor het respecteren van de rechten van anderen, inclusief het aanschaffen en naleven van relevante licenties om vergelijkbare gegevenssets te maken.

    Gerelateerde architecturen voor oplossingen

    Vraagprognose

    Het nauwkeurig voorspellen van pieken in de vraag naar producten en services kan een bedrijf een concurrentievoordeel geven. Deze oplossing is gericht op prognoses op aanvraag binnen de energiesector.

    Vraagprognose en prijsoptimalisatie

    Prijsstelling wordt in veel bedrijfstakken gezien als een belangrijke factor voor succes en kan een van de meest uitdagende taken zijn. Bedrijven hebben vaak moeite met verschillende aspecten van het prijsstellingsproces, zoals het nauwkeurig voorspellen van de financiële gevolgen van mogelijke tactieken, het op redelijker wijze aandacht schenken aan belangrijke zakelijke beperkingen en het op een eerlijke manier valideren van de uitgevoerde prijsbeslissingen. Een groter wordend productaanbod brengt verdere verwerkingsvereisten met zich meer om realtimeprijsbeslissingen te nemen, wat deze toch al enorme taak nog moeilijker maakt.

    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

    Gepersonaliseerde aanbiedingen

    In de huidige zeer competitieve en verbonden omgevingen kunnen moderne bedrijven niet langer overleven met generieke, statische online inhoud. Bovendien zijn marketingstrategieën waarbij gebruik wordt gemaakt van traditionele hulpmiddelen vaak duur, moeilijk uitvoerbaar en leveren geen rendement op de investering op. Deze systemen maken vaak niet ten volle gebruik van de verzamelde gegevens om een meer gepersonaliseerde ervaring voor de gebruiker te creëren.