Gezintiyi Atla

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.

Açıklama

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

Tahmini Sağlama Süresi: 25 Dakika

Genel Bakış

Ürün ve hizmetlere olan talepte ani artışları gerçekçi bir şekilde tahmin etmek şirketlere rekabet avantajı sağlayabilir. Tahminler ne kadar iyi olursa şirketler de talep arttığında o kadar iyi ölçeklendirme yapabilir ve ihtiyaç fazlası envantere sahip olma riski düşer. Kullanım örneklerine bir perakende/çevrimiçi mağazada bir ürün için talep tahminleri, hastane ziyaretlerinin tahminleri ve enerji tüketim beklentileri bulunur.

Bu çözümde enerji sektöründe talep tahminlerine odaklanılmıştır. Enerji depolanma maliyetleri yüksek olduğundan üreticilerin ve dağıtıcıların arz ve talep dengesini verimli bir şekilde kurmak için gelecekteki enerji tüketimini tahmin etmesi gerekir. Yoğun kullanım saatlerinde arzın yetersiz kalması elektrik kesintilerine neden olabilir. Diğer yandan arzın çok olması da kaynak israfına neden olur. Gelişmiş talep tahmin teknikleri belirli bir günde saatlik talebi göstererek enerji sağlayıcının elektrik üretim sürecini optimize etmesine olanak verir. Cortana Intelligence’ın kullanıldığı bu çözüm, enerji şirketlerinin işletmelerinde güçlü tahmin teknolojilerinden bir an önce yararlanmaya başlamasını sağlar.

Ayrıntılar

Cortana Intelligence Suite, Microsoft Azure aracılığıyla gelişmiş analiz araçları sağlar. Veri alımı, veri depolama, veri işleme ve gelişmiş analiz bileşenleriyle enerji çözümünde talep tahmini için gerekli tüm öğelere sahiptir.

Bu çözüm, güçlü avantajlar sağlamak için birden fazla Azure hizmetini bir araya getirir. Event Hubs, gerçek zamanlı tüketim verilerini toplar. Stream Analytics, akış verilerini bir araya getirir ve görselleştirmede kullanılmalarını sağlar. Azure SQL, tüketim verilerini depolar ve dönüştürür. Machine Learning, tahmin modelini uygular ve çalıştırır. PowerBI, gerçek zamanlı enerji tüketimini ve tahmin sonuçlarını görselleştirir. Son olarak da Data Factory tüm veri akışını düzenler ve zamanlar.

“Dağıt” düğmesi, belirttiğiniz Azure aboneliğindeki bir kaynak grubunda, çözümün bir örneğini dağıtan bir iş akışı başlatır. Çözüm, birden fazla Azure hizmetinin (aşağıda açıklanmıştır) yanı sıra, dağıtımdan hemen sonra çalışmaya başlayan bir uçtan uca çözüm elde etmeniz için veri benzetimi gerçekleştiren bir web işi içerir. Bu çözümün örnek verileri, benzetim yöntemiyle NYISO’nun genel olarak kullanılabilir verilerinden alınmıştır.

Teknik ayrıntılar ve iş akışı

  1. Örnek veriler yeni dağıtılmış Azure Web İşlerinden alınır.
  2. Bu yapay veriler, çözüm akışının kalanında kullanılmak üzere Azure Event Hubs’a ve Azure SQL hizmetine veri noktaları veya etkinlikleri olarak gönderilir.
  3. Azure Stream Analytics, olay merkezinde verileri analiz ederek giriş akışında neredeyse gerçek zamanlı analizler sağlar ve görselleştirme için doğrudan Power BI’a yayımlar.
  4. Alınan girişlere göre belirli bölgelerin enerji talebi hakkında tahmin oluşturmak için Azure Machine Learning hizmeti kullanılır.
  5. Azure Machine Learning hizmetinden alınan tahmin sonuçlarını depolamak için Azure SQL Veritabanı kullanılır. Bu sonuçlar daha sonra Power BI panosunda kullanılır.
  6. Azure Data Factory, modeli saatlik olarak yeniden eğitme sürecinin düzenleme ve zamanlama işlemlerini yapar.
  7. Son olarak sonuçların görselleştirilmesi için Power BI kullanılır. Böylece kullanıcılar bölgelerin enerji tüketimini gerçek zamanlı görebilir, enerji üretim ve dağıtım süreçlerini optimize etmek için talep tahminlerini kullanabilir.

Fiyatlandırma Bilgileri

Dağıtım için kullanılan Azure aboneliğiniz bu çözümde kullanılan hizmetler için tüketim maliyetine neden olur. Fiyatlandırma ayrıntıları için Azure Fiyatlandırma Sayfasını ziyaret edin.

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 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.

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.

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.