Прогнозирование спроса

Фабрика данных
Центры событий
Машинное обучение
База данных SQL
Stream Analytics

Идея решения

Если вы хотите, чтобы мы добавили в эту статью дополнительные сведения, например о возможных сценариях использования, альтернативных службах, рекомендациях по реализации или ценах, сообщите нам об этом на GitHub.

Почти каждый бизнес должен предсказать будущее, чтобы принимать лучшие решения и выделять ресурсы более эффективно. Например, точное прогнозирование пиков спроса на продукты и услуги может дать компании конкурентное преимущество. Чем лучше прогнозирование, тем больше они могут масштабироваться по мере увеличения спроса, и тем меньше они рискуют держаться на ненужных запасах. Варианты использования включают прогнозирование спроса на продукт в розничном или интернет-магазине, прогнозирование посещений больниц и прогнозирование потребления электроэнергии.

В этой статье рассматриваются полезные ссылки на рекомендации по прогнозированию и пример подробной архитектуры для комплексной реализации в Azure.

Потенциальные варианты использования

Ниже приведены способы, с помощью которых организация может использовать прогнозирование спроса:

  • Планирование инвентаризации для розничной торговли
  • Планирование пропускной способности сети (телекоммуникации)
  • Планирование рабочей силы
  • Повышение удовлетворенности клиентов

Архитектура

Architecture diagram showing the flow of sample data to Power B I: demand forecastingСкачайте SVG этой архитектуры.

Поток данных

Платформа Microsoft AI предоставляет расширенные средства аналитики с помощью Microsoft Azure — прием данных, хранение данных, обработка данных и компоненты расширенной аналитики. Эти средства включают все основные элементы для создания решения по прогнозированию спроса на энергию.

Это решение объединяет несколько служб Azure для предоставления интерактивных прогнозов:

  1. Центры событий собирают данные о потреблении в режиме реального времени.
  2. Stream Analytics объединяет потоковые данные и делает их доступными для визуализации.
  3. База данных SQL Azure хранит и преобразует данные потребления.
  4. Машинное обучение реализует и выполняет модель прогнозирования.
  5. Power BI визуализирует потребление энергии в режиме реального времени и прогнозные результаты.
  6. Наконец, фабрика данных управляет и планирует весь поток данных.

Компоненты

Ключевые технологии, используемые для реализации этой архитектуры:

  • Центры событий Azure: простой, безопасный и масштабируемый прием данных в режиме реального времени
  • Azure Stream Analytics: предоставление бессерверной аналитики в режиме реального времени из облака в край
  • База данных SQL Azure. Управление интеллектуальными SQL в облаке
  • Машинное обучение Azure. Создание, развертывание решений прогнозной аналитики и управление ими
  • Power BI. Понимание ценности данных и предоставление аналитических сведений, обнаруженных в средствах аналитики и данных Azure, в организации.

Дальнейшие действия