Oversigt over behovsprognose

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 en Microsoft Azure Machine Learning-tjeneste, der er placeret på Azure. Da denne tjeneste ikke er delt mellem brugere, kan den nemt tilpasses til branchespecifikke behov. Du kan bruge Finance and Operations til at visualisere prognosen, justere prognosen og få vist nøgletal (KPI'er) om prognosenøjagtigheden.

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-stakken – Microsoft lancerede Machine Learning platformen i februar 2015. 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 hente forsøg med behovsprognoser i Finance and Operations, ændre dem, så de svarer til dine forretningsmæssige behov, udgive dem som en webtjeneste på Azure og bruge dem til at generere behovsprognoser. Forsøgene kan downloades, hvis du har købt et abonnement på Finance and Operations 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 prognoser i Finance and Operations automatisk er integreret i Finance and Operations, skal kunder og partnere kunne håndtere integrationen af de forsøg, de henter fra Cortana Analytics Gallery. Forsøg fra Cortana Analytics Gallery er derfor ikke ligetil at bruge som forsøg med behovsprognoser i Finance and Operations. Du skal ændre koden for forsøg, så de bruger Finance and Operations' API (application programming interface).
    • Du kan oprette dine egne forsøg i Microsoft Azure Machine Learning Studio, 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 http://aka.ms/machine-learning-price-info.
  • Prognosereduktion ved ethvert afkoblingspunkt – behovsprognoser i Finance and Operations 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.

Introduktion til behovsprognoser

Generering af behovsprognose starter i Finance and Operations. Historiske transaktionsdata fra Finance and Operations-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 omfatte 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 forsøg med behovsprognoser i Finance and Operations med Machine Learning, prøver de at finde det bedste match mellem fem tidsserieprognosemetoder for at beregne et prognosegrundlag. Parametre for disse prognosemetoder administreres i Finance and Operations.

Prognoserne, de historiske data og de ændringer, der er foretaget i behovsprognoserne i tidligere gentagelser, er derefter tilgængelige i Finance and Operations.

Du kan bruge Finance and Operations til at visualisere og ændre prognosegrundlaget. Manuelle justeringer skal godkendes, før prognoserne kan bruges til planlægning.

Begrænsninger

Behovsprognoser i Finance and Operations er et værktøj, der hjælper kunderne i fremstillingsindustrien 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 detailhandel, grossister, lagersteder, transport eller andre professionelle tjenester.

Se også

Konfigurere behovsprognoser

Generere et statistisk budgetgrundlag

Foretage manuelle reguleringer af prognosegrundlaget

Godkende den justerede prognose

Overvågning af prognosenøjagtighed

Fjerne afvigende fra historiktransaktionsdata, når du beregner en efterspørgselsprognose