Gezintiyi Atla

Nakliye ve Dağıtım için Talep Tahmini

Nakliye ve Dağıtım için Talep Tahmini Çözümü, geçmiş talep verilerini kullanarak çeşitli müşteriler, ürünler ve hedefler için gelecek dönemlere ait talebi tahmin eder. Örneğin, bir taşımacılık veya teslimat şirketi, müşterilerinin gelecekte farklı konumlarda teslim edilmesini istediği çeşitli ürünlerin miktarlarını tahmin etmek isteyebilir. Bu tahminler, şirketler tarafından teslimat araçlarının rotasını belirleme veya uzun vadeli kapasite planlaması gibi işlemleri iyileştiren bir ayırma aracı için giriş olarak kullanılabilir.

Özet

Bu, gelecekteki miktarlara göre planlama yapması gereken kuruluşlar için tahmin edilen nakliyatlarda belirsizliğin azaltılmasına yönelik bir Azure Çözümüdür. Bu sayfada, Çözümün ne işe yaradığı ve Azure aboneliğinizde çalıştırıp değiştirebileceğiniz bir kopyasını nasıl yükleyebileceğiniz açıklanmıştır.

Cortana Intelligence Gallery’deki Azure Çözümleri, veri alımı, veri depolama, zamanlama ve gelişmiş analiz bileşenleri için gelişmiş analiz araçlarından oluşur ve geçerli üretim sistemlerinizle tümleştirilebilecek bir talep tahmini çözümü çalıştırmak için gerekli tüm temel bileşenlere sahiptir. Bu Çözüm, çeşitli Azure hizmetlerini bir arada sunar. Tahminlerin ve geçmiş dağıtım verilerinin depolanması için Azure SQL Server, R tahmin kodunu barındırmak için Azure Machine Learning (AML) web hizmeti, tüm iş akışını düzenlemek için Azure Data Factory ve bunları görselleştirmek için Power BI kullanılır.

Belirttiğiniz Azure aboneliğine bu Çözümün bir örneğini dağıtmak için bu sayfadaki “Dağıt” düğmesini kullanın. Bunu yaptığınızda, bu çözümü çalıştırabilmeniz amacıyla çözümü oluşturan kaynakların oluşturulması ve başlatılması için aboneliğinizde uygulanması gereken adımlarda size eşlik edilir. Çözüm, birden fazla Azure hizmetinin (aşağıda açıklanmıştır) yanı sıra, dağıtımdan hemen sonra çalışan bir uçtan uca çözüme sahip olmanız için diğer görevlere ek olarak verilerin benzetimini yapan ve veritabanını bunlarla dolduran Azure işlevleri sağlanır.

Açıklama

Not: Bu çözümü zaten dağıttıysanız dağıtımınızı görüntülemek için buraya tıklayın.

Tahmini Günlük Maliyet: $4.66

Tahmini Sağlama Süresi: 15 Dakika

Nakliye ve Dağıtım için Talep Tahmini Çözümü, geçmiş talep verilerini kullanarak çeşitli müşteriler, ürünler ve hedefler için gelecek dönemlere ait talebi tahmin eder. Örneğin, bir taşımacılık veya teslimat şirketi, müşterilerinin gelecekte farklı konumlarda teslim edilmesini istediği çeşitli ürünlerin miktarlarını tahmin etmek isteyebilir. Benzer şekilde, satıcı veya sigorta şirketi bir yıl süresince hatalı olduğu için iade edilecek ürün sayısını bilmek isteyebilir. Bu tahminler, şirketler tarafından teslimat araçlarının rotasını belirleme veya uzun vadeli kapasite planlaması gibi işlemleri iyileştiren bir ayırma aracı için giriş olarak kullanılabilir.

Tüm bu tahmin örnekleri şu özelliklere sahiptir:

  • Bir veya daha fazla kategori düzeyi altında toplanan, farklı hacimlere sahip çeşitli türlerde öğeler vardır.
  • Geçmişteki her dönem için öğe miktarını gösteren bir geçmiş vardır. Öğelerin hacimleri büyük oranda değişebilir ve bazen önemli bir kısmının hacmi sıfır olabilir.
  • Öğe geçmişi, muhtemelen birden çok zaman ölçeğinde hem eğilimi hem mevsimselliğini gösterir. İşlenen veya döndürülen miktarlar fiyata çok duyarlı değildir. Başka bir deyişle, teslimat şirketi kısa vadeli fiyat değişiklikleriyle miktarları önemli ölçüde etkileyemez, ancak hava durumu gibi hacmi etkileyen başka belirleyici etmenler olabilir.

Bu koşullar altında, farklı öğelerin zaman serileri arasında oluşan hiyerarşiden yararlanabiliriz. Hiyerarşide daha düşük olan miktarlar (örn. tek bir ürünün miktarı) toplandığında üstteki miktarların (müşteri ürün toplamları) elde edileceği şekilde tutarlılığı zorunlu kılarak genel tahmin doğruluğunu artırırız. Ayrı öğelerin kategoriler, hatta çakışan kategoriler halinde gruplanması durumunda da aynısı geçerlidir. Örneğin, bir kişi tüm ürünlere yönelik toplam talebi konuma, ürün kategorisine, müşteriye, vb. göre tahmin etmek isteyebilir.

Bu Çözüm, belirtilen her dönem için hiyerarşideki tüm toplama düzeylerinde tahminleri hesaplar. Basitlik olması açısından, hem hiyerarşik hem de gruplanmış zaman serilerine “hiyerarşik zaman serisi” diyeceğiz.

Uygulamada nakliye ve dağıtım tahmini

Bu Çözümü geliştirmek için bizimle birlikte çalışan Kotahi’ye teşekkür ediyoruz. Kotahi, Yeni Zelanda’da ihracat için nakliye konteynerleri planlayan, tedarik eden ve sunan bir tedarik zinciri şirketidir. Microsoft ve bir Microsoft Dynamics 2016 Inner Circle iş ortağı olan DXC Eclipse ile işbirliği yaparak bu modeli nasıl üretime geçirdiklerini açıklayan Müşteri Öyküsünü okuyun. Çözüm, tahmin doğruluğunun artırılmasına yardımcı olarak doğru zamanlarda, doğru boyutta konteyner gemileri seçme ve bunları doğru limanlara gönderme becerilerini artırdı.

Temel bileşenler

Çözüm, Azure’da barındırılan ve yönetilen beş tür kaynak kullanır:

  • Kalıcı depolama için Azure SQL Server örneği (Azure SQL)
  • R tahmin kodunu barındıracak Azure Machine Learning (AML) web hizmeti
  • Oluşturulan tahminlerin ara depolaması için Azure Blob Depolama
  • AML modelinin düzenli olarak çalıştırılmasını düzenleyen Azure Data Factory (ADF)
  • Tahminleri görüntülemek ve bunların detaylarına inmek için Power BI panosu
  • Çözüm, ADF’de yapılandırılan bir hızda (örn. aylık) düzenli olarak tahmin çalıştırılmasını otomatikleştirerek güncel geçmiş verilerle bir model öğrenir ve ürün hiyerarşisindeki tüm ürünler için gelecek dönemlere ait miktarları tahmin eder. Her tahmin döngüsü, veritabanından başlayıp modelden geçen ve yeniden veritabanına dönen bir gidiş dönüş döngüsünden oluşur. Her döngü, geleneksel veri gizleme teknikleriyle tahminin doğruluğunu ölçer. Dönem sayısını, ürün kategorilerini ve ürünler arasındaki hiyerarşiyi yapılandırabilirsiniz. Geçerli verilerinizi Azure SQL veritabanına yüklemeniz ve her çalıştırmadan sonra aynı veritabanından tahminleri almanız gerekir. Çözüm, daha fazla özelleştirme olanağı sağlamak ve geçmiş verilerin benzetimini yapmanıza, Çözümü test etmenize imkan tanımak için R kodu modelini kullanıma sunar.

    Tahmin çözümünü kullanma: Başlangıç

    Cortana Intelligence Suite ile yapılabileceklere örnek olarak bu Çözümün nasıl kullanılacağına ilişkin tüm yönergeler için bkz. Teknik Çözüm Kılavuzu. Bu Çözümü dağıtmayla ilgili teknik sorunları ve sorularınızı lütfen deponun sorunlar sekmesinden gönderin.

    Çözüm Panosu

    Çözüm ile birlikte sunulan PowerBI panosunda çözüm tarafından oluşturulan tahminlerin bir anlık görüntü örneği burada verilmiştir.

    Power BI Anlık Görüntü

    Fiyatlandırma Bilgileri

    Dağıtım için kullanılan Azure aboneliğinize, bu çözümde kullanılan hizmetler için yaklaşık olarak günlük $4.66 tüketim ücreti uygulanır. Daha fazla bilgi için lütfen Fiyatlandırma Hesaplayıcısı sayfasını ziyaret edin.

    Not: Dağıtılan çözümü artık kullanmıyorsanız, tüketim ücretleri uygulanmaması için çözümü silmeyi unutmayın.

    Bildirim

    © 2017 Microsoft Corporation. Tüm hakları saklıdır. Buradaki bilgiler “olduğu gibi” sağlanmıştır ve bildirim yapılmaksızın değiştirilebilir. Microsoft, işbu bilgilerle ilgili açık veya zımni herhangi bir garanti vermez. Çözüm oluşturulurken üçüncü taraf verileri kullanılmıştır. Benzer veri kümeleri oluşturmak için ilgili lisansları edinmek ve bunlara uymak dahil olmak üzere başkalarının haklarına saygılı olma sorumluluğu sizindir.

    İlgili çözüm mimarileri

    Talep Tahminleri

    Ürün ve hizmetlere olan talepte ani artışları gerçekçi bir şekilde tahmin etmek şirketlere rekabet avantajı sağlayabilir. Bu çözümde enerji sektöründe talep tahminlerine odaklanılmıştır.

    Talep Tahmini ve Fiyat Optimizasyonu

    Fiyatlandırma, çoğu sektörde başarı açısından önemli bir belirleyici olarak görülür ve en zorlu görevlerden biri olabilir. Şirketler genellikle fiyatlandırma sürecinin olası taktiklerin finansal etkisini doğru bir biçimde tahmin etme, merkezi iş kısıtlamalarını mantıklı bir şekilde dikkate alma ve yürütülen fiyatlandırma kararlarını adil bir biçimde doğrulama gibi çeşitli boyutlarıyla ilgili zorluk yaşıyor. Ürün yelpazesinin genişlemesi, gerçek zamanlı fiyatlandırma kararları almak için işlem gereksinimlerini daha da artırarak zaten zor olan bu görevin daha da çetrefilli olmasına yol açar.

    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

    Kişiselleştirilmiş Teklifler

    Günümüzün son derece rekabetçi ve bağlı ortamında, modern işletmeler artık genel, statik çevrimiçi içerikle hayatta kalamaz. Üstelik, geleneksel araçları kullanan pazarlama stratejileri genellikle pahalıdır, zor uygulanır ve istenen yatırım getirisini sağlamaz. Bu sistemler genellikle kullanıcı için daha kişiselleştirilmiş bir deneyim oluşturmak amacıyla toplanan verilerden en iyi şekilde yararlanamaz.