Gönderim ve dağıtım için talep tahmini

Blob Depolama
Data Factory
Power BI
Stream Analytics
Event Hubs

Çözüm Fikri

Olası kullanım örnekleri, alternatif hizmetler, uygulama konuları veya fiyatlandırma kılavuzu gibi daha fazla bilgiyle bu makaleyi genişletmemizi görmek için Geri Bildirim ile GitHub!

Bu çözüm fikri, çeşitli müşteriler, ürünler ve hedefler genelinde gelecek dönemlerde talebi tahmin etmek için geçmiş talep verilerini kullanır. Bir teslimat veya teslimat şirketinin müşterilerin farklı konumlarda ve gelecekte teslim etmek istediği farklı ürünlerin miktarlarını tahmin etmek istemesi bunun bir örneğidir. Şirket, talep tahminlerini bir ayırma aracına giriş olarak kullanabilir. Daha sonra ayırma aracı, teslimat aracı yönlendirme ve uzun vadede kapasite planlama gibi işlemleri iyi hale getirmenizi sağlar. Satıcının veya sigortacının hatalar nedeniyle iade edilecek ürün sayısını bilmek istediği örneklerden biri de bu olabilir.

Bu çözümde açıklanan talep tahmin süreci Microsoft AI platformunda çalışır duruma getirildi ve dağıtılabilir. Microsoft AI platformunda veri alımı, veri depolama, zamanlama ve gelişmiş analiz için gelişmiş analiz araçları vardır. Bu araçlar, geçerli üretim sistemleriniz ile tümleştirilene bir talep tahmini çözümü çalıştırmaya yardımcı olan temel araçlardır.

Mimari

Mimari diyagramı: Gönderim ve dağıtım için talep tahminiBumimarinin SVG'sini indirin.

İş akışı

Gönderim ve dağıtım için, bu makalede açıklanan çözüme benzer bir talep tahmini çözümü örneği için bkz. Azure Yapay Zeka Galerisi. Burada önerilene benzer talep tahmini çözümlerinin genel özellikleri:

  • Bir veya daha fazla kategori düzeyi altında toplan farklı birimlere sahip çok sayıda öğe türü vardır.
  • Geçmişte her zaman öğenin miktarı için kullanılabilir bir geçmiş vardır.
  • Öğelerin birimleri büyük olasılıkla çok sayıda ve bazen birimi sıfır olan büyük ölçüde farklılık gösterir.
  • Öğelerin geçmişi hem eğilimi hem de mevsimselliği ( büyük olasılıkla birden çok zaman ölçeğinde) gösterir.
  • Taahhüt edilen veya döndürülen miktarlar kesinlikle fiyatlara duyarlı değildir. Başka bir deyişle teslimat şirketi, hava durumu gibi hacmi etkileyen başka belirleyiciler de olsa, fiyatlarda kısa vadeli değişikliklere göre miktarları güçlü bir şekilde etkileyemdiremektedir.

Bu koşullar altında, farklı öğelerin zaman serisi arasında oluşturulan hiyerarşiden faydalanabilirsiniz. Hiyerarşide daha düşük miktarların (örneğin, tek tek ürün miktarları) yukarıdaki miktarlara (müşteri ürün toplamları) toplamını sağlamak için tutarlılığı zorlayarak, genel tahminin doğruluğunu geliştirebilirsiniz. Aynı fikir, çakışan kategorilerde bile tek tek öğeler kategorilere gruplandı ise geçerlidir. Örneğin, konuma, ürün kategorisine veya müşteriye göre toplam tüm ürünlerin talebini tahminle ilgilenebilirsiniz.

AI Gallery çözümü, hiyerarşideki tüm toplama düzeylerinde belirtilen her zaman dönemi için tahminleri hesaplar. Talep tahmini çözümlerinizin dağıtımlarının kullanılan hizmetler için tüketim ücretlerine neden olduğunu unutmayın. Maliyetleri tahmin etmek için Fiyatlandırma Hesaplayıcı'sını kullanın. Dağıtılan bir çözümü artık kullanmadısanız ücret ödemeyi durdurmak için bu çözümü silin.

Bileşenler

Bu talep tahmini çözüm fikri, Azure'da barındırılan ve yönetilen aşağıdaki kaynakları kullanır:

Sonraki adımlar

Ürün belgelerine bakın:

Şunları öğrenin:

İlgili makale Azure Mimari Merkezi okuyun: