Vraagprognose voor verzending en distributie

Deze oplossingsidee maakt gebruik van historische vraaggegevens om de vraag in toekomstige perioden te voorspellen voor verschillende klanten, producten en bestemmingen.

Architectuur

Een Visio-bestand van deze architectuur downloaden.

Gegevensstroom

Zie de Azure AI Gallery voor een voorbeeld van een oplossing voor het voorspellen van de vraag voor verzending en distributie die vergelijkbaar is met de oplossing die in dit artikel wordt beschreven. Algemene kenmerken van oplossingen voor vraagprognoses, zoals de oplossingen die hier worden voorgesteld, zijn:

• Er zijn talloze soorten items met verschillende volumes die worden samengevouwen onder een of meer categorieniveaus.
• Er is een geschiedenis beschikbaar voor de hoeveelheid van het item op elk moment in het verleden.
• De volumes van de items verschillen sterk, met mogelijk een groot getal dat soms geen volume heeft.
• De geschiedenis van items laat zowel trends als seizoensgebondenheid zien, mogelijk op meerdere tijdschalen.
• De vastgelegde of geretourneerde hoeveelheden zijn niet sterk prijsgevoelig. Met andere woorden, het leveringsbedrijf kan de hoeveelheden niet sterk beïnvloeden door kortetermijnwijzigingen in prijzen, hoewel er mogelijk andere determinanten zijn die van invloed zijn op het volume, zoals het weer.

Onder deze voorwaarden kunt u profiteren van de hiërarchie die is gevormd in de tijdreeks van de verschillende items. Door consistentie af te dwingen, zodat de hoeveelheden lager in de hiërarchie (bijvoorbeeld afzonderlijke producthoeveelheden) worden opgeteld bij de bovenstaande hoeveelheden (klantproducttotalen), kunt u de nauwkeurigheid van de algehele prognose verbeteren. Hetzelfde idee geldt als afzonderlijke items worden gegroepeerd in categorieën, zelfs voor categorieën die overlappen. U bent bijvoorbeeld geïnteresseerd in het voorspellen van de vraag van alle producten in totaal, op locatie, op productcategorie of op klant.

De AI Gallery-oplossing berekent prognoses op alle aggregatieniveaus in de hiërarchie voor elke opgegeven periode. Houd er rekening mee dat voor implementaties van uw oplossingen voor het voorspellen van de vraag verbruikskosten in rekening worden gebracht voor de gebruikte services. Gebruik de prijscalculator om kosten te voorspellen. Wanneer u geen geïmplementeerde oplossing meer gebruikt, verwijdert u deze om te stoppen met het maken van kosten.

Onderdelen

Deze oplossingsidee voor het voorspellen van de vraag maakt gebruik van de volgende resources die worden gehost en beheerd in Azure:

• Azure SQL Database-exemplaar voor permanente opslag; voor het opslaan van prognoses en historische distributiegegevens
• Azure Machine Learning-webservice voor het hosten van prognosecode
• Azure Blob Storage voor tussenliggende opslag van gegenereerde prognoses
• Azure Data Factory voor het organiseren van reguliere uitvoeringen van het Azure Machine Learning-model
• Power BI-dashboard om de prognoses weer te geven en in te zoomen

Scenariodetails

Deze oplossing maakt gebruik van historische vraaggegevens om de vraag te voorspellen voor klanten, producten en bestemmingen. Een voorbeeld van een gebruik voor deze oplossing is wanneer een verzend- of leveringsbedrijf de hoeveelheden van de verschillende producten wil voorspellen die klanten op verschillende locaties en op toekomstige momenten willen leveren. Het bedrijf kan vraagprognoses gebruiken als invoer voor een toewijzingsprogramma. Het toewijzingsprogramma kan vervolgens bewerkingen optimaliseren, zoals de routering en planningscapaciteit van het leveringsvoertuig op de langere termijn. Een gerelateerd voorbeeld is wanneer een leverancier of verzekeraar het aantal producten wil weten dat wordt geretourneerd vanwege storingen.

Potentiële gebruikscases

Het proces voor vraagprognoses dat in deze oplossing wordt beschreven, kan worden uitgevoerd en geïmplementeerd in het Microsoft AI-platform. Het Microsoft AI-platform heeft geavanceerde analysehulpprogramma's voor gegevensopname, gegevensopslag, planning en geavanceerde analyses. Deze hulpprogramma's zijn alle essentiële hulpprogramma's voor het uitvoeren van een oplossing voor het voorspellen van de vraag die kan worden geïntegreerd met uw huidige productiesystemen.

Deze oplossing is geoptimaliseerd voor de detailhandel- en productieindustrie.

Volgende stappen

Raadpleeg de productdocumentatie:

• Meer informatie over Data Factory
• Meer informatie over Power BI

Meer informatie over:

• Vraagprognoses voor verzend- en distributieoplossing in de Azure AI Gallery

Verwante resources

Lees verwante Artikelen over Azure Architecture Center:

• Vraagprognoses en prijsoptimalisatie
• Vraagprognoses met Azure Stream Analytics en Machine Learning