Pomiń nawigację

Prognozowanie popytu na potrzeby spedycji i dystrybucji

Rozwiązanie Demand Forecasting for Shipping and Distribution (Prognozowanie popytu na potrzeby spedycji i dystrybucji) wykorzystuje historyczne dane popytu do prognozowania popytu w przyszłych okresach z podziałem na klientów, produkty i miejsca przeznaczenia. Na przykład firma specycyjna lub transportowa może za jego pomocą oszacować ilości różnych produktów zamawianych przez klientów w przyszłości, które trzeba będzie dostarczyć do różnych lokalizacji. Firma może przekazać uzyskane prognozy do narzędzia sterującego obciążeniem zasobów, które optymalizuje operacje, na przykład planując trasy dostaw. Można ich też użyć do długoterminowego planowania mocy przerobowych.

Podsumowanie

Niniejsze rozwiązanie oparte na platformie Azure umożliwia pewniejsze prognozowanie wysyłek przez organizacje, które planują działania na podstawie przyszłych ilości towarów. Na tej stronie wyjaśniamy, jak działa to rozwiązanie oraz jak zainstalować jego kopię, którą można uruchomić i zmodyfikować w ramach subskrypcji platformy Azure.

Rozwiązania na platformie Azure dostępne w galerii Cortana Intelligence składają się z zaawansowanych narzędzi analitycznych służących do pozyskiwania, przechowywania, planowania i analizowania danych — czyli wszystkich funkcji niezbędnych do prognozowania popytu, które można wdrożyć w obecnie używanych systemach produkcyjnych. W skład tego rozwiązania wchodzi kilka usług platformy Azure. Usługa Azure SQL Server służy do przechowywania prognoz i historycznych danych dystrybucji, usługa internetowa Azure Machine Learning (AML) obsługuje kod prognostyczny w języku R, usługa Azure Data Factory organizuje cały przepływ pracy, a usługa Power BI go wizualizuje.

Kliknięcie przycisku „Wdroż” na tej stronie spowoduje wdrożenie wystąpienia rozwiązania w ramach określonej subskrypcji platformy Azure. Zostaną wyświetlone kolejne etapy konfiguracji subskrypcji, w trakcie których utworzysz i wdrożysz zasoby składające się na działające rozwiązanie. Rozwiązanie obejmuje wiele usług platformy Azure (opisanych poniżej) wraz z funkcjami, które m.in. symulują dane i wypełniają nimi bazę danych. Dzięki temu bezpośrednio po wdrożeniu uzyskuje się kompleksowe, działające rozwiązanie.

Opis

Uwaga: Jeśli masz już wdrożone to rozwiązanie, kliknij tutaj, aby wyświetlić to wdrożenie.

Szacowany dzienny koszt: $4.66

Szacowany czas aprowizacji: 15 minut

Rozwiązanie Demand Forecasting for Shipping and Distribution (Prognozowanie popytu na potrzeby spedycji i dystrybucji) wykorzystuje historyczne dane popytu do prognozowania popytu w przyszłych okresach z podziałem na klientów, produkty i miejsca przeznaczenia. Na przykład firma specycyjna lub transportowa może za jego pomocą oszacować ilości różnych produktów zamawianych przez klientów w przyszłości, które trzeba będzie dostarczyć do różnych lokalizacji. Rozwiązanie przyda się też producentom lub ubezpieczycielom chcącym oszacować liczbę produktów, które zostaną zwrócone w ciągu roku z powodu wykrycia usterek. Firma może przekazać uzyskane prognozy do narzędzia sterującego obciążeniem zasobów, które optymalizuje operacje, na przykład planując trasy dostaw. Można ich też użyć do długoterminowego planowania mocy przerobowych.

Oto cechy charakterystyczne wszystkich tych zastosowań prognoz:

  • Istnieje wiele rodzajów towarów o różnych ilościach, uporządkowanych na co najmniej jednym poziomie kategorii.
  • Dostępna jest historia ilości towarów w różnych momentach w przeszłości. Występują duże różnice w ilościach towarów z możliwymi zerowymi ilościami w przypadku wielu z nich (tymczasowo).
  • Dostępna jest historia towarów z trendami i odchyleniami sezonowymi (opcjonalna możliwość wyświetlania wielu skal czasu). Ilości przekazane lub zwrócone nie są silnie zależne od cen. Innymi słowy, firma transportowa nie może znacząco wpływać na ilości przy użyciu krótkookresowych zmian cen, jednak mogą istnieć inne czynniki wpływające na ilość, na przykład pogoda.

W tych warunkach możemy skorzystać z hierarchii utworzonej z szeregów czasowych różnych towarów. Wymuszając spójność w taki sposób, że ilości niżej w hierarchii (np. ilości pojedynczych produktów) sumują się z ilościami znajdującymi się wyżej (sumy produktów u klientów), zwiększamy dokładność ogólnej prognozy. To samo dotyczy pojedynczych towarów zgrupowanych w kategoriach (nawet jeśli kategorie się pokrywają). Na przykład ktoś może być zainteresowany prognozą popytu na wszystkie produkty razem, według lokalizacji, według kategorii produktów, według klienta itd.

Rozwiązanie oblicza prognozy na wszystkich poziomach agregacji w hierarchii dla każdego określonego okresu. Dla uproszczenia zarówno hierarchiczne, jak i zgrupowane szeregi czasowe będziemy nazywać „hierarchicznymi szeregami czasowymi”.

Prognozowanie spedycji i dystrybucji w praktyce

Chcieliśmy podziękować firmie Kotahi za współpracę przy tworzeniu tego rozwiązania. Kotahi to firma zarządzająca łańcuchem dostaw, która planuje, aprowizuje i wysyła kontenery do różnych lokalizacji z Nowej Zelandii. Cały projekt udało się zrealizować dzięki współpracy z nami (Microsoft) oraz partnerem w ramach programu Microsoft Dynamics 2016 Inner Circle, firmą DXC Eclipse. Więcej informacji możesz znaleźć w historii klienta. Nasze rozwiązanie umożliwiło zwiększenie precyzji prognoz i usprawniło proces wyboru kontenerowców i tras przewozu towarów (wielkość statku, czas i porty docelowe).

Składniki rozwiązania

Rozwiązanie korzysta z pięciu typów zasobów hostowanych i zarządzanych na platformie Azure:

  • Wystąpienie programu Azure SQL Server (Azure SQL) — jako trwały magazyn
  • Usługa internetowa Azure Machine Learning (AML) — do obsługi kodu prognozowania w języku R
  • Usługa Azure Blob Storage — jako pośredni magazyn wygenerowanych prognoz
  • Usługa Azure Data Factory (ADF) — do organizowania regularnych uruchomień modelu AML
  • Pulpit nawigacyjny Power BI do wyświetlania prognoz i analizowania ich szczegółów
  • Rozwiązanie automatycznie uruchamia prognozy okresowe, z częstotliwością skonfigurowaną w usłudze ADF (np. co miesiąc), trenując model przy użyciu aktualnych danych historycznych. W prognozach określane są ilości wszystkich produktów w hierarchii w przyszłych okresach. Każdy cykl prognozowania przebiega od bazy danych do modelu, po czym następuje powrót do bazy danych. W każdym cyklu precyzja prognozy jest mierzona przy użyciu konwencjonalnych technik wykorzystujących dane wstrzymania. Można skonfigurować liczbę okresów, kategorie produktów oraz hierarchię produktów. Bieżące dane należy załadować do bazy danych Azure SQL, a po każdym uruchomieniu z tej samej bazy danych można uzyskać prognozę. Rozwiązanie udostępnia model kodu języka R, umożliwiając jego dostosowywanie i symulowanie danych historycznych na potrzeby testów.

    Korzystanie z rozwiązania do prognozowania: wprowadzenie

    Aby poznać możliwości pakietu Cortana Intelligence Suite na przykładzie tego rozwiązania, zajrzyj do instrukcji zawartych w poradniku technicznym. Wszelkie problemy lub pytania dotyczące wdrażania tego rozwiązania należy zgłaszać na karcie problemów w repozytorium.

    Pulpit nawigacyjny rozwiązania

    Poniżej znajduje się przykładowa migawka prognoz wygenerowanych przez rozwiązanie na pulpicie nawigacyjnym usługi PowerBI dostępnym w rozwiązaniu.

    Migawka usługi Power BI

    Informacje o cenach

    Dla Twojej subskrypcji platformy Azure używanej we wdrożeniu będą naliczane opłaty za użycie usług wykorzystanych w tym rozwiązaniu, około $4.66 dziennie. Aby uzyskać więcej informacji, odwiedź Kalkulator cen.

    Uwaga: Jeśli już nie korzystasz z wdrożonego rozwiązania, usuń je, aby nie płacić dłużej za jego użytkowanie.

    Zrzeczenie odpowiedzialności

    © 2017 Microsoft Corporation. Wszelkie prawa zastrzeżone. Te informacje są udostępniane w stanie „jak są” i mogą ulec zmianie bez powiadomienia. Firma Microsoft nie udziela żadnych gwarancji, jawnych ani dorozumianych, w związku z informacjami przedstawionymi tutaj. Do wygenerowania rozwiązania wykorzystano dane innej firmy. Na Tobie spoczywa odpowiedzialność za przestrzeganie praw innych, w tym za uzyskanie odpowiednich licencji i postępowanie zgodnie z nimi przy tworzeniu podobnych zbiorów danych.

    Powiązane architektury rozwiązań

    Prognozowanie popytu

    Precyzyjne przewidywanie skoków zapotrzebowania na produkty i usługi może dać firmie przewagę konkurencyjną. To rozwiązanie koncentruje się na przewidywaniu popytu w sektorze energetycznym.

    Prognozowanie popytu i optymalizacja cen

    Ceny są postrzegane jako decydujący wyznacznik sukcesu w wielu branżach, w związku z czym ustalanie cen może być jednym z najtrudniejszych zadań. Firmy mają często problemy z wieloma aspektami procesu ustalania cen, takimi jak precyzyjne prognozowanie finansowego wpływu potencjalnych taktyk, racjonalna ocena podstawowych ograniczeń biznesowych i właściwa weryfikacja wprowadzonych w życie decyzji cenowych. Rozszerzenie oferty produktów oznacza kolejne wymagania w zakresie środowiska obliczeniowego, których spełnienie jest konieczne, aby móc podejmować decyzje cenowe w czasie rzeczywistym, co dodatkowo komplikuje to trudne zadanie.

    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

    Spersonalizowane oferty

    W dzisiejszym wysoce konkurencyjnym i połączonym środowisku firmy nie mogą już używać ogólnej statycznej zawartości online. Ponadto strategie marketingowe oparte na tradycyjnych narzędziach są często kosztowne i trudne w zaimplementowaniu oraz nie zapewniają oczekiwanego zwrotu z inwestycji. Takie systemy często nie wykorzystują w pełni możliwości zebranych danych do utworzenia bardziej spersonalizowanego środowiska dla użytkownika.