Prognozowanie popytu na potrzeby wysyłki i dystrybucji

Blob Storage
Data Factory
Power BI
Stream Analytics
Event Hubs

Pomysł na rozwiązanie

Jeśli chcesz, abyśmy rozszerzyli ten artykuł, aby uzyskać więcej informacji, takich jak potencjalne przypadki użycia, alternatywne usługi, zagadnienia dotyczące implementacji lub wskazówki dotyczące cen, daj nam znać, GitHub Opinie!

W tym zamysie rozwiązania historyczne dane dotyczące zapotrzebowania są używane do prognozowania zapotrzebowania w przyszłych okresach dla różnych klientów, produktów i miejsc docelowych. Przykładem może być to, że firma kurierska chce przewidzieć ilości różnych produktów, które klienci chcą dostarczyć w różnych lokalizacjach i w przyszłości. Firma może używać prognoz zapotrzebowania jako danych wejściowych narzędzia alokacji. Narzędzie alokacji może następnie zoptymalizować operacje, takie jak kierowanie pojazdów dostawczych i planowanie pojemności w dłuższym okresie. Powiązanym przykładem jest to, że dostawca lub sprzedawca chce znać liczbę produktów, które zostaną zwrócone z powodu awarii.

Proces prognozowania popytu opisany w tym rozwiązaniu może zostać zoperacyjny i wdrożony na platformie AI firmy Microsoft. Platforma AI firmy Microsoft oferuje zaawansowane narzędzia analityczne do pozyskiwania danych, przechowywania danych, planowania i zaawansowanej analizy. Te narzędzia to podstawowe narzędzia do uruchamiania rozwiązania do prognozowania zapotrzebowania, które można zintegrować z bieżącymi systemami produkcyjnymi.

Architektura

Diagram architektury: prognozowanie popytu na potrzeby wysyłki i dystrybucjiPobierz format SVG tej architektury.

Przepływ pracy

Przykład rozwiązania prognozowania popytu na potrzeby wysyłki i dystrybucji podobny do rozwiązania opisanego w tym artykule można znaleźć w Azure AI Gallery. Ogólne cechy rozwiązań do prognozowania popytu, takie jak ta, która jest tutaj proponowana, to:

  • Istnieje wiele rodzajów elementów z różnymi woluminami, które są zbiorczo w ramach co najmniej jednego poziomu kategorii.
  • Dostępna jest historia ilości elementu za każdym razem w przeszłości.
  • Woluminy elementów różnią się znacznie, przy potencjalnie dużej liczbie, która czasami nie ma woluminu.
  • Historia elementów pokazuje zarówno trend, jak i sezonowość, prawdopodobnie w wielu skalach czasu.
  • Ilości zatwierdzone lub zwrócone nie są silnie wrażliwe na cenę. Innymi słowy, firma dostawczy nie może silnie wpływać na ilości dzięki krótkoterminowym zmianom cen, chociaż mogą wystąpić inne czynniki determinujące, takie jak pogoda.

W tych warunkach można korzystać z hierarchii utworzonej wśród szeregów czasowych różnych elementów. Wymuszając spójność tak, aby mniejsze ilości w hierarchii (na przykład poszczególne ilości produktów) sumują się z powyższymi ilościami (sumy produktów klienta), można poprawić dokładność ogólnej prognozy. Ten sam pomysł ma zastosowanie, jeśli poszczególne elementy są pogrupowane w kategorie, nawet w przypadku kategorii, które nakładają się na siebie. Na przykład może zainteresować Cię prognozowanie zapotrzebowania na wszystkie produkty łącznie, według lokalizacji, według kategorii produktów lub według klienta.

Rozwiązanie z galerii AI oblicza prognozy na wszystkich poziomach agregacji w hierarchii dla każdego określonego okresu. Pamiętaj, że we wdrożeniach rozwiązań do prognozowania popytu będą naliczane opłaty za zużycie używanych usług. Użyj kalkulatora cen, aby przewidzieć koszty. Jeśli nie korzystasz już z wdrożonego rozwiązania, usuń je, aby zatrzymać naliczanie opłat.

Składniki

To rozwiązanie do prognozowania popytu korzysta z następujących zasobów hostowanych i zarządzanych na platformie Azure:

Następne kroki

Zobacz dokumentację produktu:

Dowiedz się więcej:

Przeczytaj powiązane Centrum architektury platformy Azure artykułów: