需要予測の概要

需要予測は、販売注文からの独立要求および顧客注文のすべての減結合ポイントで依存要求を予測する場合に使用されます。 拡張された需要予測の削減ルールは、大量のカスタマイズに理想的なソリューションを提供します。

ベースラインの予測を生成するには、履歴トランザクション集計が Azure でホストされている Microsoft Azure Machine Learning サービスに転送されます。 このサービスはユーザー間で共有されないため、業界固有の要件に合わせて、簡単にカスタマイズできます。 Finance and Operations を使用して、予測を視覚化し、予測を調整し、予測精度に関する主要業績評価指標 (KPI) を表示することができます。

需要予測の主な機能

需要予測の主な特長を次に示します。

  • 履歴データに基づいて統計ベースライン予測を生成します。
  • 動的セットの予測分析コードを使用します。
  • 需要傾向、信頼区間と予測調整を視覚化します。
  • 計画プロセスで使用する調整された予測を承認します。
  • 異常値を削除します。
  • 予測精度の測定を作成します。

需要予測の主要テーマ

3 つの主要なテーマの需要予測が実装できます。

  • [モジュール性] – 需要予測はモジュールおよびコンフィギュレーションが簡単にできます。 [販売] > [在庫予測] > [需要予測] で構成キーの機能をオン/オフに変更できます。
  • Microsoft Stack の再利用 – Microsoft は 2015 年 2 月に Machine Learning プラットフォームを開始しました。 Microsoft Cortana Analytics Suite の一部である Machine Learning を使用すると、需要見積もりの試算、アルゴリズム R または Python プログラミング言語、およびシンプルなドラッグ アンド ドロップ インターフェースなど、予測分析実験をすばやく簡単に作成できます。
    • Finance and Operations Demand forecasting experiments をダウンロードして、ビジネス要件に適合するように変更し、Azure の Web サービスとして公開し、需要予測を生成するために使用できます。 エンタープライズ レベルのユーザーとして、生産計画担当者向けに Finance and Operations サブスクリプションを購入した場合は、この実験をダウンロードできます。
    • Cortana Analytics Gallery から現在有効な需要予測実験をダウンロードできます。 Finance and Operations Demand forecasting experiments は Finance and Operations と自動的に統合されるので、顧客およびパートナーは Cortana Analytics Gallery からダウンロードした experiments の統合を処理する必要があります。 したがって、Cortana Analytics Gallery の実験は Finance and Operations の需要予測実験として使用できるほど単純ではありません。 Finance and Operations アプリケーション プログラム インターフェイス (API) を使用するように experiments のコードを修正する必要があります。
    • Microsoft Azure Machine Learning Studio で独自の実験を作成し、Azure のサービスとして発行、そして需要予測の生成に使用することができます。
    • 高パフォーマンスが必要でない場合、または大量のデータの処理が要求されていない場合に、Machine Learning 無料レベルを使用できます。 特に実装およびテスト フェーズの際には、このレベルから常に開始することをお勧めします。 高パフォーマンスと追加のストレージが必要な場合、Machine Learning 標準レベルを使用できます。 この層には、Azure のサブスクリプションが要求され、追加費用が含まれます。 Machine Learning 価格設定の詳細については、http://aka.ms/machine-learning-price-infoを参照ください。
  • [すべてのデカップリング ポイントでの予測の減少] – Finance and Operations の需要予測はこの機能に基づいて作成されるので、すべてのデカップリング ポイントで需要に依存する、または依存しない予測が可能です。

需要予測の基本フロー

次の図は、需要予測の基本フローを表示します。

需要予測の導入図

需要予測の生成は、Finance and Operations で開始されます。 Finance and Operations トランザクション データベースからの履歴トランザクション データが収集され、ステージング テーブルに値が入力されます。 このステージング テーブルが Machine Learning サービスに後ほど提供されます。 最低限のカスタマイズで、さまざまなデータ ソースをステージング テーブルにプラグできます。 データ ソースには Microsoft Excel ファイル、コンマ区切り値 (CSV) ファイル、および Microsoft Dynamics AX 2009 および Microsoft Dynamics AX 2012 のデータが含まれます。 したがって、複数のシステムにまたがった履歴データを考慮する需要予測を生成できます。 ただし、品目名、販売単位などのマスター データは、さまざまなデータ ソース間でも同じである必要があります。

Finance and Operations Demand forecasting Machine Learning experiments を使用する場合、ベースラインの予測を計算する 5 つの予測方法から一番最適な予測を検索します。 予測方法のパラメーターは Finance and Operations に統合されます。

以前の項目での、予測、履歴データ、および変更点などの需要予測が Finance and Operations で次に利用可能です。

Finance and Operations を使用してベースラインの予測を視覚化し修正できます。 手動調整は、予測計画で使用する前に承認する必要があります。

制限

Finance and Operations での需要予測は、製造業界の顧客が予測プロセスを作成する助けとなるツールです。 需要予測ソリューションの核となる機能を提供し、簡単に拡張できるように設計されています。 需要予測は、小売業、卸売業、倉庫保管、輸送業、または他の専門的なサービス産業の顧客には最適ではない場合があります。

参照

需要予測の設定

統計ベースライン予測の生成

ベースライン予測の手動調整の実施

調整された予測の承認

予測精度の監視

需要予測を計算するときにトランザクション履歴データから異常値を削除する