Прогнозирование спроса для распределения и доставкиDemand Forecasting for Shipping and Distribution

Решение прогнозирования спроса для доставки и распространения использует исторические данные спроса для прогнозирования спроса в будущие периоды для различных клиентов, продуктов и назначений.The Demand Forecasting for Shipping and Distribution Solution uses historical demand data to forecast demand in future periods across various customers, products and destinations. Например, компания по доставке или доставке хочет спрогнозировать количество различных продуктов, которые клиенты хотят доставлять в разные места в будущем.For instance, a shipping or delivery company wants to predict the quantities of the different products its customers want delivered at different locations at future times. Компания может использовать эти прогнозы в качестве входных данных для средства распределения, которое оптимизирует операции, такие как маршрутизация транспортных средств доставки или планирование мощности в долгосрочной перспективе.A company can use these forecasts as input to an allocation tool that optimizes operations, such as delivery vehicles routing, or to plan capacity in the longer term.

Просмотреть на GitHubView on GitHub

АрхитектураArchitecture

Схема архитектуры . Скачайте SVG этой архитектуры.Architecture diagram Download an SVG of this architecture.

СводкаSummary

Это решение Azure позволяет уменьшить неопределенность в прогнозируемых отгрузке для организаций, которые должны планироваться на основе будущих объемов.This is an an Azure Solution to reduce the uncertainty in forecasted shipments for organizations that need to plan based on future quantities. На этой странице объясняется, что делает решение, и как установить копию, которую можно запустить и изменить в подписке Azure .This page explains what the Solution does, and how to install a copy that you can run and modify in your Azure subscription.

Решения Azure в Cortana Intelligence Gallery состоят из расширенных средств аналитики для приема данных, хранения данных, планирования и углубленной аналитики. все эти элементы используются для выполнения решения по прогнозированию спроса, которое можно интегрировать с текущими рабочими системами.Azure Solutions in the Cortana Intelligence Gallery are composed of advanced analytics tools for data ingestion, data storage, scheduling and advanced analytics components - all of the essential elements for running a demand forecasting solution that can be integrated with your current production systems. Это решение сочетает несколько служб Azure.This Solution combines several Azure services. Azure SQL Server используется для хранения прогнозов и данных по историческому распределению, Машинное обучение Azure (AML) WebService для размещения кода прогнозирования R, фабрики данных Azure для управления всем рабочим процессом и Power BI для визуализации.Azure SQL Server is used for storing forecasts and historical distribution data, Azure Machine Learning (AML) webservice for hosting the R forecasting code, Azure Data Factory to orchestrate the entire workflow, and Power BI to visualize it.

Используйте репозиторий GitHub для развертывания экземпляра решения для указанной подписки Azure.Use the GitHub repository to deploy an instance of the Solution for the Azure subscription you specify. Это поможет вам выполнить действия в подписке, необходимые для создания и запуска ресурсов, составляющих это решение, чтобы можно было запустить его.This will bring you through the steps in your subscription needed to create and launch the resources that make up this solution so that you can run it. Решение включает несколько служб Azure (описанных ниже) вместе с функциями Azure, которые, помимо прочего, имитируют данные и заполняют базу данных, поэтому сразу после развертывания вы получите работающее комплексное решение.The Solution includes multiple Azure services (described below) along with Azure functions that, among other tasks, simulate the data and populate the database with it, so that immediately after deployment you will have a working end-to-end solution.

ОписаниеDescription

Предполагаемая ежедневная стоимость: $4,66Estimated Daily Cost: $4.66

Решение прогнозирования спроса для доставки и распространения использует исторические данные спроса для прогнозирования спроса в будущие периоды для различных клиентов, продуктов и назначений.The Demand Forecasting for Shipping and Distribution Solution uses historical demand data to forecast demand in future periods across various customers, products and destinations. Например, компания по доставке или доставке хочет спрогнозировать количество различных продуктов, которые клиенты хотят доставлять в разные места в будущем.For instance, a shipping or delivery company wants to predict the quantities of the different products its customers want delivered at different locations at future times. Аналогичным образом, поставщик или инсурер хочет получить сведения о количестве продуктов, которые будут возвращаться из-за сбоев в течение года.Similarly a vendor or insurer wants to know the number of products that will be returned due to failures over the course of a year. Компания может использовать эти прогнозы в качестве входных данных для средства распределения, которое оптимизирует операции, такие как маршрутизация транспортных средств доставки или планирование мощности в долгосрочной перспективе.A company can use these forecasts as input to an allocation tool that optimizes operations, such as delivery vehicles routing, or to plan capacity in the longer term.

Ниже приведены характеристики всех этих вариантов прогнозирования.Characteristics of all of these forecasting cases are:

  • Существует множество типов элементов с разными томами, которые сведены к одному или нескольким уровням категорий.There are numerous kinds of items with differing volumes, that roll up under one or more category levels.
  • В прошлом имеется журнал, доступный для количества элементов.There is a history available for the quantity of the item at each time in the past. Тома этих элементов сильно различаются, при этом может быть значительно больше нуля томов.The volumes of the items differ widely, with possibly a substantial number that have zero volume at times.
  • В журнале элементов отображается тенденция и сезонности, возможно, несколько раз.The history of items shows both trend and seasonality, possibly at multiple time scales. Количество зафиксированных или возвращенных количеств не зависит от строгой цены.The quantities committed or returned are not strongly price sensitive. Иными словами, компания доставки не может сильно повлиять на количества по краткосрочным изменениям цен, хотя могут быть другие определителями, влияющие на объем, например на Погода.In other words, the delivery company cannot strongly influence quantities by short-term changes in prices, although there may be other determinants that affect volume, such as weather.

В этих условиях можно воспользоваться преимуществами иерархии, сформированной между временными рядами различных элементов.Under these conditions we can take advantage of the hierarchy formed among the time series of the different items. Принудительно обеспечивая согласованность, чтобы количество ниже в иерархии (например, отдельные объемы продуктов) основывалось на количестве выше (итоги по продуктам клиента), мы улучшаем точность общего прогноза.By enforcing consistency so that the quantities lower in the hierarchy (e.g. individual product quantities) sum to the quantities above (customer product totals) we improve the accuracy of the overall forecast. То же самое применимо, если отдельные элементы группируются по категориям, даже возможно, к категориям, которые перекрываются.The same applies if individual items are grouped into categories, even possibly categories that overlap. Например, один из них может быть заинтересован в прогнозировании спроса на все продукты в целом, по местоположению, по категории продуктов, по клиентам и т. д.For example, one might be interested in forecasting demand of all products in total, by location, by product category, by customer, etc.

Это решение рассчитывает прогнозы на всех уровнях агрегирования в иерархии для каждого указанного периода времени.This Solution computes forecasts at all aggregation levels in the hierarchy for each time period specified. Для простоты мы будем называть иерархические и сгруппированные временные ряды как "иерархические временные ряды".For simplicity, we will refer to both hierarchial and grouped time series as "hierarchical time series."

Использование прогнозирования поставок и распределенияShipping and distribution forecasting in use

Мы благодарим за работу с нами в Котахи для разработки этого решения.We thank Kotahi for working with us to develop this Solution. Котахи — это организация цепочки поставок, которая планирует, размещает источники и доставляет контейнеры для новых экспортов в Зеландии.Kotahi is a supply chain company that plans, sources, and delivers shipping containers for New Zealand exports. Прочтите историю своих клиентов о том, как они вовлечены в нас в корпорации Майкрософт и внутреннем круге Microsoft Dynamics 2016, ДКСК Eclipse, чтобы разместить их в рабочей среде.Read their Customer Story on how they engaged with us at Microsoft and a Microsoft Dynamics 2016 Inner Circle partner, DXC Eclipse, to put this into production. Решение позволило увеличить точность прогноза и, таким образом, улучшить возможность выбора контейнера подходящего размера, в нужное время и отправки их на правильные порты.The solution helped to increase forecast accuracy and so improve their ability to choose the right-size container ships, at the right times, and dispatch them to the right ports.

Что находится внутриWhat's under the hood

Решение использует пять типов ресурсов, размещенных и управляемых в Azure:The Solution uses five types of resources hosted and managed in Azure:

  • Экземпляр SQL Server Azure (Azure SQL) для постоянного храненияAzure SQL Server instance (Azure SQL) for persistent storage
  • Служба Машинное обучение Azure (AML) для размещения кода прогнозирования RAzure Machine Learning (AML) webservice to host the R forecasting code
  • Хранилище BLOB-объектов Azure для промежуточного хранения созданных прогнозовAzure Blob Storage for intermediate storage of generated forecasts
  • Фабрика данных Azure (ADF), которая управляет обычными запусками модели AMLAzure Data Factory (ADF) that orchestrates regular runs of the AML model
  • Power BI панель мониторинга для просмотра и детализации прогнозовPower BI dashboard to display and drill down on the forecasts

Решение автоматизирует выполнение периодических прогнозов в темпе, настроенном в ADF (например, ежемесячно), где он изучает модель с текущими историческими данными и прогнозирует количество для будущих периодов для всех продуктов в иерархии продуктов.The Solution automates the running of periodic forecasts, at a pace configured in ADF (e.g. monthly), where it learns a model with the current historical data, and predicts quantities for future periods for all products in the product hierarchy. Каждый цикл прогнозирования состоит из кругового пути из базы данных через модель, а затем обратно в базу данных.Each forecast cycle consists of a round-trip from the database, through the model, then back to the database. Каждый цикл измеряет точность прогнозов с помощью стандартных методов хранения данных.Each cycle measures forecast accuracy by conventional data holdout techniques. Можно настроить количество периодов, категории продуктов и иерархию для продуктов.You can configure the number of periods, the product categories and the hierarchy among products. Необходимо загрузить текущие данные в базу данных SQL Azure и извлечь прогнозы после каждого запуска из одной и той же базы данных.You need to load your current data in the Azure SQL database, and extract forecasts after each run from the same database. Решение предоставляет модель кода R для дальнейшей настройки и позволяет имитировать исторические данные для тестирования решения.The Solution exposes the R code model to allow further customizations, and to allow you to simulate historical data, to test the Solution.

Использование решения для прогнозирования: Приступая к работеUsing the forecasting solution: Getting started

Полный набор инструкций по использованию этого решения в качестве примера того, что можно сделать с Cortana Intelligence Suite, см. в разделе руководство по техническим решениям .See the Technical Solution Guide for a full set of instructions on how to use this Solution as an example of what is possible with the Cortana Intelligence Suite. Технические проблемы или вопросы о развертывании этого решения см. в публикации на вкладке "проблемы" в репозитории.For technical problems or questions about deploying this Solution, please post in the issues tab of the repository.

Панель мониторинга решенияSolution Dashboard

Ниже приведен пример моментального снимка прогнозов, созданных решением на панели мониторинга PowerBI, которое поставляется вместе с решением.Here is an example of a snapshot of the forecasts generated by the solution in the PowerBI dashboard that comes with the Solution.

Моментальный снимок Power BI

Сведения о ценахPricing Info

Ваша подписка Azure, используемая для развертывания, будет взимать расходы на использование служб, используемых в этом решении, приблизительно $4.66/день.Your Azure subscription used for the deployment will incur consumption charges on the services used in this solution, approximately $4.66/day. Дополнительные сведения см. в калькуляторе цен.For more information, please visit the Pricing Calculator.

Примечание. Если развернутое решение больше не используется, не забудьте удалить его для прекращения расходов на потребление.Note: If you are no longer using the deployed solution, remember to delete it to stop incurring consumption charges.