Oversigt over behovsprognose

Artikel
03/08/2023

Behovsprognoser bruges til at forudsige uafhængigt behov fra salgsordrer og afhængigt behov ved ethvert afkoblingspunkt for debitorordrer. De forbedrede reduceringsregler for behovsprognoser i er en ideel løsning til massetilpasning.

For at generere prognosegrundlaget overføres en oversigt over historiske transaktioner til Microsoft Azure Machine Learning, der er placeret på Azure. Da denne tjeneste ikke er delt mellem brugere, kan den nemt tilpasses til branchespecifikke behov. Du kan bruge Supply Chain Management til at visualisere prognosen, justere prognosen og få vist nøgletal (KPI'er) om prognosenøjagtigheden.

Bemærk!

Microsoft Azure Machine Learning Studio (klassisk) skal bruges til generering af prognoser med maskinel indlæring. Fra og med 1. december 2021 kan du ikke oprette nye ressourcer i Machine Learning Studio (klassisk). Du vil dog kunne fortsætte med at bruge dine eksisterende ressourcer i Machine Learning Studio (klassisk) indtil 31. august 2024. Du kan finde opdaterede oplysninger i Azure Machine Learning Studio.

Dynamics 365 Supply Chain Management version 10.0.23 og senere understøtter det nye Azure Machine Learning Studio.

Nøglefunktioner i behovsprognoser

Her er nogle af de vigtigste funktioner i behovsprognoser:

Generere statistisk budgetgrundlag, der er baseret på historiske data.
Bruge et dynamisk sæt prognosedimensioner.
Visualisere behovstendenser, konfidensintervaller og justeringer af prognosen.
Tillade, at den justerede prognose bruges i planlægningsprocesser.
Fjerne afvigelser.
Oprette målinger af prognosenøjagtighed.

Overordnede temaer i behovsprognoser

Tre overordnede temaer er implementeret i behovsprognoser:

Modularitet – behovsprognoser er modulære og lette at konfigurere. Du kan slå funktionen til og fra ved at ændre konfigurationsnøglen under Handel > Lagerbudget > Behovsprognoser.
Genbrug af Microsoft Stack – Med Machine Learning, som nu er en del af Microsoft Cortana Analytics Suite, kan du hurtigt og nemt lave forsøg med fremtidsanalyser, f.eks. forsøg med behovsestimeringer, ved at bruge algoritmerne R eller Python-programmeringssprogene og en enkel grænseflade med træk og slip.
- Du kan downloade forsøg med behovsprognoser, ændre dem, så de svarer til dine forretningsmæssige behov, udgive dem som en webtjeneste på Azure og bruge dem til at generere behovsprognoser. Eksperimenterne kan downloades, hvis du har købt et abonnement på Supply Chain Management til en produktionsplanlægger som bruger på enterprise-niveau.
- Du kan hente alle aktuelt tilgængelige forsøg med fremtidsanalyse af behov fra Cortana Analytics Gallery. Hvor forsøg med behovsprognoser automatisk integreres i Supply Chain Management, skal kunder og partnere kunne håndtere integrationen af de forsøg, de downloader fra Cortana Analytics Gallery. Forsøg fra Cortana Analytics Gallery er derfor ikke ligetil at bruge som forsøg med behovsprognoser i finans og drift. Du skal ændre koden for forsøg, så de bruger finans og drift-API (application programming interface).
- Du kan oprette dine egne forsøg i Microsoft Azure Machine Learning Studio (klassisk), udgive dem som tjenester på Azure og bruge dem til at generere behovsprognoser.
- Hvis du ikke har brug for høj ydeevne, eller hvis du ikke kræver, at en stor mængde data skal behandles, kan du bruge det gratis Machine Learning-niveau. Vi anbefaler, at du altid starter fra dette niveau, især under implementerings- og testfaserne. Hvis du kræver højere ydeevne og ekstra lagerplads, kan du bruge Machine Learning-standardniveauet. Dette niveau kræver et Azure-abonnement og indebærer ekstra omkostninger. Få oplysninger om priser på Machine Learning under Machine Learning Studio-prisssætning.
Prognosereduktion ved ethvert afkoblingspunkt – Behovsprognoser bygger på denne funktion, hvor du kan forudsige både afhængigt og uafhængigt behov ved et hvilket som helst afkoblingspunkt.

Grundlæggende arbejdsgang ved behovsprognoser

Det følgende diagram viser den grundlæggende arbejdsgang ved behovsprognoser.

Oprettelse af behovsprognose starter i Supply Chain Management. Historiske transaktionsdata fra Supply Chain Management-transaktionsdatabasen indsamles og udfylder en midlertidig tabel. Denne midlertidige tabel indføres senere en Machine Learning-tjeneste. Ved at foretage minimal tilpasning kan du slutte forskellige datakilder i den midlertidige tabel. Datakilder kan indeholde Microsoft Excel-filer, filer med kommaseparerede værdier (CSV) og data fra Microsoft Dynamics AX 2009 og Microsoft Dynamics AX 2012. Du kan derfor generere behovsprognoser, der tager højde for historiske data, som er spredt mellem flere systemer. Masterdata som f.eks. varenavne og måleenhederne skal være de samme på tværs af de forskellige datakilder.

Hvis du bruger behovsprognose i forsøg med Machine Learning, prøver de at finde det bedste match mellem fem tidsserieprognosemetoder for at beregne et prognosegrundlag. Parametre for disse prognosemetoder administreres i Supply Chain Management.

Prognoserne, de historiske data og de ændringer, der er foretaget i behovsprognoserne i tidligere gentagelser, er derefter tilgængelige i Supply Chain Management.

Du kan bruge Supply Chain Management til at visualisere og ændre prognosegrundlaget. Manuelle justeringer skal godkendes, før prognoserne kan bruges til planlægning.

Begrænsninger

Behovsprognoser er et værktøj, der hjælper kunderne i produktionsbranchen med at generere prognoseprocesser. Det tilbyder den grundlæggende funktionalitet i en løsning til behovsprognoser og er designet, så den nemt kan udvides. Behovsprognoser er måske ikke den bedste valgmulighed for kunder inden for brancher som handel, grossister, lagersteder, transport eller andre professionelle tjenester.

Begrænsning på konvertering af varianter ved efterspørgselsprognose

Måleenhed pr. variantkonvertering understøttes ikke fuldt ud ved generering af efterspørgselsprognose, hvis lagermåleenheden er forskellig fra efterspørgselsprognosens måleenhed.

Oprettelse af budget (Måleenhed for lager > Måleenhed for efterspørgselsprognose) bruger konvertering af måleenhed for produkt. Når der indlæses historiske data til oprettelsen af efterspørgselsprognosen, bruges konvertering af måleenheder på produktniveau, når der konverteres fra måleenhed for lager til måleenhed for efterspørgselsprognose, også selvom der er defineret konverteringer på variantniveauet.

Den første del af den godkendende prognose (Måleenhed for efterspørgselsprognose > Måleenhed for lager) bruger konvertering af måleenhed for produkt. Den anden del af den godkendende prognose (Måleenhed for lager > Måleenhed for salg) bruger konvertering af måleenhed for variant. Når den genererede efterspørgselsprognose er godkendt, udføres konverteringen til måleenhed for lager fra måleenheden for efterspørgselsprognose ved hjælp af konvertering af måleenhed på produktniveau. Samtidig respekteres konverteringen mellem lagerenheden og salgsmåleenheden på de definerede konverteringer på variantniveau.