Efterfrågeprognoser för leverans och distribution

Den här lösningsidén använder historiska efterfrågedata för att prognostisera efterfrågan i framtida perioder för olika kunder, produkter och destinationer.

Arkitektur

Ladda ned en Visio-fil med den här arkitekturen.

Dataflöde

Ett exempel på en lösning för efterfrågeprognoser för leverans och distribution som liknar lösningen som beskrivs i den här artikeln finns i Azure AI-galleriet. Allmänna egenskaper hos lösningar för efterfrågeprognoser som det som föreslås här är:

• Det finns många typer av objekt med olika volymer som samlas upp under en eller flera kategorinivåer.
• Det finns en historik tillgänglig för kvantiteten av objektet vid varje tidpunkt tidigare.
• Volymerna av objekten skiljer sig mycket, med eventuellt ett stort tal som har noll volym ibland.
• I artikelhistoriken visas både trender och säsongsbaserade beteenden, eventuellt i flera olika tidsskalor.
• De kvantiteter som har checkats in eller returnerats är inte starkt priskänsliga. Med andra ord kan leveransföretaget inte starkt påverka kvantiteterna genom kortsiktiga prisförändringar, även om det kan finnas andra determinanter som påverkar volymen, till exempel väder.

Under dessa förhållanden kan du dra nytta av hierarkin som bildas bland tidsserierna för de olika objekten. Genom att framtvinga konsekvens så att de lägre kvantiteterna i hierarkin (till exempel enskilda produktkvantiteter) summeras till ovanstående kvantiteter (kundproduktsummor) kan du förbättra noggrannheten i den övergripande prognosen. Samma idé gäller om enskilda objekt grupperas i kategorier, även för kategorier som överlappar varandra. Du kan till exempel vara intresserad av att prognostisera efterfrågan på alla produkter totalt, efter plats, efter produktkategori eller efter kund.

AI-gallerilösningen beräknar prognoser på alla aggregeringsnivåer i hierarkin för varje angiven tidsperiod. Kom ihåg att distributioner av dina lösningar för efterfrågeprognoser medför förbrukningsavgifter för de tjänster som används. Använd priskalkylatorn för att förutsäga kostnader. När du inte längre använder en distribuerad lösning tar du bort den för att sluta debiteras.

Komponenter

Den här lösningen för prognostisering av efterfrågan använder följande resurser som hanteras i Azure:

• Azure SQL Database-instans för beständig lagring, för att lagra prognoser och historiska distributionsdata
• Azure Machine Learning-webbtjänst som värd för prognoskod
• Azure Blob Storage för mellanlagring av genererade prognoser
• Azure Data Factory för att samordna regelbundna körningar av Azure Machine Learning-modellen
• Power BI-instrumentpanelen för att visa och öka detaljnivån för prognoserna

Information om scenario

Den här lösningen använder historiska efterfrågedata för att prognostisera efterfrågan mellan kunder, produkter och mål. Ett exempel på en användning för den här lösningen är när ett leverans- eller leveransföretag vill förutsäga mängden av de olika produkter som kunderna vill leverera på olika platser och vid framtida tidpunkter. Företaget kan använda efterfrågeprognoser som indata till ett allokeringsverktyg. Allokeringsverktyget kan sedan optimera åtgärder, till exempel leveransfordonsdirigering och planeringskapacitet på längre sikt. Ett relaterat exempel är när en leverantör eller försäkringsgivare vill veta hur många produkter som returneras på grund av fel.

Potentiella användningsfall

Den prognosprocess för efterfrågan som beskrivs i den här lösningen kan operationaliseras och distribueras i Microsoft AI-plattformen. Microsoft AI-plattformen har avancerade analysverktyg för datainmatning, datalagring, schemaläggning och avancerad analys. Dessa verktyg är alla viktiga verktyg för att köra en prognostiseringslösning för efterfrågan som kan integreras med dina nuvarande produktionssystem.

Den här lösningen är optimerad för detaljhandels- och tillverkningsindustrin.

Nästa steg

Se produktdokumentation:

• Läs mer om Data Factory
• Läs mer om Power BI

Läs om:

• Prognostisering av efterfrågan för leverans- och distributionslösning i Azure AI-galleriet

Relaterade resurser

Läs relaterade artiklar om Azure Architecture Center:

• Prognostisering av efterfrågan och prisoptimering
• Efterfrågeprognoser med Azure Stream Analytics och Machine Learning