ภาพรวมการคาดการณ์ความต้องการ

  • บทความ

การคาดการณ์ความต้องการถูกใช้ในการคาดการณ์ความต้องการอิสระจากใบสั่งขายและความต้องการแบบอิสระที่จุดที่มีการแยกใดๆสำหรับใบสั่งของลูกค้า กฎการลดการคาดการณ์ความต้องการขั้นสูงให้โซลูชันที่เหมาะสมที่สุดสำหรับการกำหนดเองโดยรวม

เพื่อสร้างการคาดการณ์แนวหลัก สรุปของธุรกรรมที่ผ่านมาถูกส่งผ่านไปยัง Microsoft Azure Machine Learning ที่มีการโฮสต์บน Azure เนื่องจากบริการนี้ไม่ได้ใช้ร่วมกันระหว่างผู้ใช้ จึงสามารถกำหนดค่าเองได้โดยง่ายเพื่อให้ตรงกับความต้องการอุตสาหกรรมเฉพาะ คุณสามารถใช้ Supply Chain Management เพื่อแสดงให้เห็นการคาดการณ์ ปรับปรุงการคาดการณ์ และดูตัวบ่งชี้ประสิทธิภาพหลัก (Kpi) เกี่ยวกับความถูกต้องของการคาดการณ์

หมายเหตุ

Microsoft Azure Machine Learning Studio (คลาสสิก) ต้องใช้ในการสร้างการคาดการณ์ด้วยการเรียนรู้ของเครื่อง ณ วันที่ 1 ธันวาคม 2021 คุณจะไม่สามารถสร้างทรัพยากร Machine Learning Studio (คลาสสิก) ใหม่ได้ อย่างไรก็ตาม คุณจะสามารถใช้ทรัพยากร Machine Learning Studio (คลาสสิก) ที่มีอยู่ของคุณต่อไปได้จนกว่าจะถึงวันที่ 31 สิงหาคม 2024 สำหรับข้อมูลที่อัปเดต โปรดดูที่ Azure Machine Learning Studio

Dynamics 365 Supply Chain Management รุ่น 10.0.23 และสนับสนุน Azure Machine Learning Studio ใหม่ในภายหลัง

ลักษณะการทำงานหลักของการคาดการณ์ความต้องการ

นี่คือคุณลักษณะหลักบางประการของการคาดการณ์ความต้องการ:

  • สร้างการคาดการณ์พื้นฐานทางสถิติซึ่งเป็นไปตามข้อมูลประวัติ
  • ใช้ชุดไดนามิกของมิติการคาดการณ์
  • แสดงให้เห็นแนวโน้มความต้องการ ช่วงเวลาของความเชื่อมั่น และการปรับปรุงของการคาดการณ์
  • อนุมัติการคาดการณ์ที่มีการปรับปรุงซึ่งจะใช้ในกระบวนการวางแผน
  • ลบจุดนอกขอบเขต
  • สร้างการวัดความถูกต้องของการคาดการณ์

ชุดรูปแบบหลักในการคาดการณ์ความต้องการ

มีการใช้ชุดรูปแบบหลักสามชุดในการคาดการณ์ความต้องการ:

  • Modularity – การคาดการณ์ความต้องการเป็นส่วนย่อยๆและง่ายต่อการตั้งค่าคอนฟิก คุณสามารถเปิดและปิดฟังก์ชันด้วยการเปลี่ยนคีย์การตั้งค่าคอนฟิกที่ การค้า > การคาดการณ์สินค้าคงคลัง > การคาดการณ์ความต้องการ
  • การนำ Microsoft Stack มาใช้ใหม่ – Machine Learning ซึ่งเป็นส่วนหนึ่งของ Microsoft Cortana Analytics Suite ช่วยให้คุณสามารถสร้างการทดลองการวิเคราะห์ที่คาดเดาได้ได้อย่างรวดเร็วและง่ายดาย เช่น การทดลองการประเมินความต้องการ โดยการใช้อัลกอริทึม R หรือภาษาการเขียนโปรแกรม Python และอินเทอร์เฟสการลากและวางแบบง่าย
    • คุณสามารถดาวน์โหลดการทดลองการคาดการณ์ความต้องการ เปลี่ยนแปลงเพื่อให้ตรงกับความต้องการทางธุรกิจของคุณ เผยแพร่เป็นบริการทางเว็บใน Azure และใช้ในการสร้างการคาดการณ์ความต้องการ การทดลองจะสามารถดาวน์โหลดได้ ถ้าคุณได้ซื้อการบอกรับเป็นสมาชิก Supply Chain Management สำหรับผู้ใช้การวางแผนการผลิตเป็นระดับองค์กร
    • คุณสามารถดาวน์โหลดข้อมูลใดๆของการทดลองการคาดการณ์ความต้องการที่พร้อมใช้งานในปัจจุบันจาก Cortana Analytics Galleryได้ ในขณะที่การทดลองการคาดการณ์ความต้องการ จะถูกรวมกับ Supply Chain Management โดยอัตโนมัติ ลูกค้าและคู่ค้าต้องจัดการรวมการทดลองที่ดาวน์โหลดมาจาก Cortana Analytics Gallery ดังนั้น การทดลองจาก Cortana Analytics Gallery จะไม่ตรงตามที่จะใช้เป็นการทดลองการคาดการณ์ความต้องการของการเงินและการดำเนินงาน คุณต้องแก้ไขรหัสของการทดลองเพื่อให้พวกเขาใช้ Application Program Interface (API) ของการเงินและการดำเนินงาน
    • คุณสามารถสร้างการทดลองของคุณเองได้ใน Microsoft Azure Machine Learning Studio (คลาสสิก) เผยแพร่เป็นการบริการบน Azure และใช้เพื่อสร้างการคาดการณ์ความต้องการ
    • ถ้าคุณไม่ต้องการประสิทธิภาพสูง หรือถ้าคุณไม่ต้องการให้มีการประมวลผลข้อมูลจำนวนมาก คุณสามารถใช้ระดับอิสระของ Machine Learning เราขอแนะนำให้คุณเริ่มต้นจากระดับนี้เสมอ โดยเฉพาะอย่างยิ่งในระหว่างการใช้งานและระยะของการทดสอบ หากคุณต้องการประสิทธิภาพที่สูงขึ้นและที่จัดเก็บข้อมูลเพิ่มเติม คุณสามารถใช้ระดับมาตรฐานของ Machine Learning ได้ ระดับนี้จำเป็นต้องมีการบอกรับเป็นสมาชิกของ Azure และเกี่ยวข้องกับต้นทุนเพิ่มเติม สำหรับรายละเอียดเกี่ยวกับการกำหนดราคาของ Machine Learning ให้ดู การกำหนดราคาของ Machine Learning Studio
  • การลดการคาดการณ์ที่จุดที่มีการแยกใดๆ – ความต้องการการคาดการณ์ในการสร้างขึ้นในฟังก์ชันนี้ ซึ่งช่วยให้คุณสามารถคาดการณ์ทั้งความต้องการแบบอิสระและแบบไม่อิสระที่จุดที่มีการแยกใดๆ

ขั้นตอนพื้นฐานในการคาดการณ์ความต้องการ

แผนภาพต่อไปนี้แสดงขั้นตอนพื้นฐานสำหรับการคาดการณ์ความต้องการ

ไดอะแกรมบทนำเกี่ยวกับการคาดการณ์ความต้องการ

การสร้างการคาดการณ์ความต้องการเริ่มต้นใน Supply Chain Management ข้อมูลธุรกรรมในอดีตจากฐานข้อมูลธุรกรรม Supply Chain Management ได้มีการรวบรวมและเติมข้อมูลตารางการแบ่งระยะ ตารางการแบ่งระยะนี้ถูกป้อนให้กับการบริการ Machine Learning ในภายหลัง โดยการดำเนินการเลือกกำหนดระดับต่ำสุด คุณสามารถเชื่อมต่อแหล่งข้อมูลต่างๆลงในตารางการแบ่งระยะ แหล่งข้อมูลสามารถรวมไฟล์ Microsoft Excel ไฟล์ที่ใช้จุลภาคเป็นตัวคั่น (CSV) และข้อมูลจาก Microsoft Dynamics AX 2009 และ Microsoft Dynamics AX 2012 ดังนั้นคุณสามารถสร้างการคาดการณ์ความต้องการที่พิจารณาข้อมูลในอดีตที่ครอบคลุมระหว่างระบบหลายระบบ อย่างไรก็ตาม ข้อมูลหลักเช่น ชื่อสินค้าและหน่วยของการวัด ต้องเหมือนกันระหว่างแหล่งข้อมูลต่างๆ

ถ้าคุณใช้การทดลอง Machine Learning ของการคาดการณ์ความต้องการ จะมีการค้นหาสิ่งที่เหมาะสมที่สุดจากวิธีการคาดการณ์อนุกรมเวลาห้าวิธีเพื่อคำนวณการคาดการณ์พื้นฐาน พารามิเตอร์สำหรับวิธีการคาดการณ์เหล่านี้มีการจัดการใน Supply Chain Management

จากนั้น การคาดการณ์ ข้อมูลในอดีต และการเปลี่ยนแปลงใดๆ ที่ถูกทำไว้กับการคาดการณ์ความต้องการในการเกิดซ้ำก่อนหน้านี้จะสามารถใช้งานได้ใน Supply Chain Management

คุณสามารถใช้ Supply Chain Management เพื่อแสดงภาพและปรับเปลี่ยนการคาดการณ์พื้นฐาน การปรับปรุงด้วยตนเองต้องได้รับการอนุญาต ก่อนที่จะสามารถใช้การคาดการณ์สำหรับการวางแผน

การจำกัด

การคาดการณ์ความต้องการคือเครื่องมือที่ช่วยให้ลูกค้าในอุตสาหกรรมการผลิตสร้างกระบวนการคาดการณ์ มีการเสนอฟังก์ชันหลักของโซลูชันการคาดการณ์ความต้องการ และมีการออกแบบมาเพื่อที่จะสามารถมีการขยายได้โดยง่าย การคาดการณ์ความต้องการอาจไม่ใช่สิ่งที่เหมาะสมที่สุดสำหรับลูกค้าในอุตสาหกรรมเช่น การค้า การขายส่ง งานคลังสินค้า การขนส่ง หรือบริการวิชาชีพอื่นๆ

ข้อจำกัดการแปลงตัวแปรการคาดการณ์ความต้องการ

หน่วยวัด (UOM) ต่อการแปลงตัวแปร ไม่ได้รับการสนับสนุนอย่างสมบูรณ์ เมื่อสร้างการคาดการณ์ความต้องการ ถ้าหน่วยวัดสินค้าคงคลังแตกต่างจากหน่วยวัดของการคาดการณ์ความต้องการ

การสร้างการคาดการณ์ (สินค้าคงคลัง UOM > การคาดการณ์ความต้องการ UOM) ใช้การแปลงผลิตภัณฑ์ UOM เมื่อโหลดข้อมูลในอดีตสำหรับการสร้างการคาดการณ์ความต้องการ จะมีการใช้การแปลง UOM ระดับผลิตภัณฑ์เสมอ เมื่อแปลงจากสินค้าคงคลัง UOM เป็นการคาดการณ์ความต้องการ UOM ถึงแม้ว่าจะมีการแปลงที่กำหนดในระดับตัวแปร

ส่วนแรกของการอนุมัติการคาดการณ์ (การคาดการณ์ความต้องการ UOM > สินค้าคงคลัง UOM) ใช้การแปลง UOM ผลิตภัณฑ์ ส่วนที่สองของการอนุมัติการคาดการณ์ (สินค้าคงคลัง UOM > การขาย UOM) ใช้การแปลง UOM ตัวแปร เมื่อมีการอนุมัติการคาดการณ์ความต้องการที่สร้างขึ้น จะมีการแปลงเป็นสินค้าคงคลัง UOM จากการคาดการณ์ความต้องการ UOM โดยใช้การแปลงระดับผลิตภัณฑ์ UOM ในเวลาเดียวกัน การแปลงระหว่างหน่วยสินค้าคงคลังและการขาย UOM จะเกี่ยวข้องกับการแปลงระดับตัวแปรที่กำหนด

หมายเหตุ

การคาดการณ์ความต้องการหน่วยวัด ไม่จำเป็นต้องมีความหมายที่เฉพาะเจาะจง คุณสามารถกำหนดเป็น หน่วยการคาดการณ์ความต้องการ สำหรับผลิตภัณฑ์แต่ละรายการ คุณสามารถกำหนดการแปลงให้เป็น 1:1 ที่มีสินค้าคงคลัง UOM

ทรัพยากรเพิ่มเติม