Nakliye ve Dağıtım için Talep Tahmini

Blob Depolama
Data Factory
İşlevler
HDInsight
Web Apps

Sevkiyat ve dağıtım çözümü için talep tahmini, çeşitli müşteriler, ürünler ve hedefler için gelecek dönemlerdeki talebi tahmin etmek üzere geçmiş talep verilerini kullanır.The Demand Forecasting for Shipping and Distribution Solution uses historical demand data to forecast demand in future periods across various customers, products and destinations. Örneğin, bir sevkiyat veya teslim şirketi, müşterilerinin gelecekteki zamanlarda farklı konumlara teslim edilmesini istediği farklı ürünlerin miktarlarını tahmin etmek istiyor.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. Bir şirket, bu tahminleri teslim araçları yönlendirme gibi işlemleri en iyi duruma getirmek veya daha uzun vadede kapasiteyi planlamak için bir ayırma aracı girişi olarak kullanabilir.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.

GitHub üzerinde görüntüleView on GitHub

MimariArchitecture

Mimari diyagramı Bu mimarinin bir SVG indirin.Architecture diagram Download an SVG of this architecture.

ÖzetSummary

Bu, gelecekteki miktarları temel alarak planlaması gereken kuruluşlar için tahmin edilen sevkiyatların açıklanmasını azaltan bir Azure çözümüdür.This is an an Azure Solution to reduce the uncertainty in forecasted shipments for organizations that need to plan based on future quantities. Bu sayfada, çözümün ne yaptığını ve Azure aboneliğinizde çalıştırıp değiştirebileceğiniz bir kopyasını nasıl yükleyeceğiniz açıklanmaktadır.This page explains what the Solution does, and how to install a copy that you can run and modify in your Azure subscription.

Cortana Intelligence Gallery Azure çözümleri, veri alımı, veri depolama, zamanlama ve gelişmiş analiz bileşenleri için gelişmiş analiz araçlarından oluşur. geçerli üretim sistemlerinizle tümleştirilen bir talep tahmini çözümü çalıştırmaya yönelik tüm temel elemanlar.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. Bu çözüm çeşitli Azure hizmetlerini birleştirir.This Solution combines several Azure services. Azure SQL Server, tahminleri ve geçmiş dağıtım verilerini depolamak için, R tahmin kodunu barındırmak için Azure Machine Learning (AML) Web hizmeti, tüm iş akışını düzenlemek için Azure Data Factory ve görselleştirilecek Power BI kullanılır.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.

Belirttiğiniz Azure aboneliğine yönelik çözümün bir örneğini dağıtmak için GitHub deposunu kullanın.Use the GitHub repository to deploy an instance of the Solution for the Azure subscription you specify. Bu işlem, bu çözümü oluşturan kaynakları çalıştırmak ve çalıştırmak için gerekli olan aboneliğinizdeki adımlara kılavuzluk eder.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. Çözüm, diğer görevler arasında, verilerin benzetimini yaparak ve veritabanını onunla dolduran Azure işlevleri ile birlikte birden çok Azure hizmeti (aşağıda açıklanmıştır) içerir. böylece dağıtımdan hemen sonra bir uçtan uca çözümü olur.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.

AçıklamaDescription

Tahmini günlük maliyet: $4,66Estimated Daily Cost: $4.66

Sevkiyat ve dağıtım çözümü için talep tahmini, çeşitli müşteriler, ürünler ve hedefler için gelecek dönemlerdeki talebi tahmin etmek üzere geçmiş talep verilerini kullanır.The Demand Forecasting for Shipping and Distribution Solution uses historical demand data to forecast demand in future periods across various customers, products and destinations. Örneğin, bir sevkiyat veya teslim şirketi, müşterilerinin gelecekteki zamanlarda farklı konumlara teslim edilmesini istediği farklı ürünlerin miktarlarını tahmin etmek istiyor.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. Benzer şekilde, bir satıcı veya ınsurer, yıl boyunca oluşan hatalardan dolayı döndürülecek ürünlerin sayısını bilmek istiyor.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. Bir şirket, bu tahminleri teslim araçları yönlendirme gibi işlemleri en iyi duruma getirmek veya daha uzun vadede kapasiteyi planlamak için bir ayırma aracı girişi olarak kullanabilir.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.

Tüm bu tahmin durumlarının özellikleri şunlardır:Characteristics of all of these forecasting cases are:

  • Farklı hacimlerde bir veya daha fazla kategori düzeyinde toplanan çok sayıda öğe vardır.There are numerous kinds of items with differing volumes, that roll up under one or more category levels.
  • Geçmişte her seferinde öğe miktarı için kullanılabilir bir geçmiş vardır.There is a history available for the quantity of the item at each time in the past. Öğelerin hacmi büyük ölçüde farklılık gösterir. Bu, muhtemelen sıfır hacime sahip çok önemli bir sayıdır.The volumes of the items differ widely, with possibly a substantial number that have zero volume at times.
  • Öğelerin geçmişi, büyük olasılıkla birden çok zaman ölçeklendirilen eğilimi ve mevsimsellik gösterir.The history of items shows both trend and seasonality, possibly at multiple time scales. Uygulanan veya döndürülen miktarlar kesin fiyatlı hassas değildir.The quantities committed or returned are not strongly price sensitive. Diğer bir deyişle, teslimat şirketi fiyatlardaki kısa süreli değişikliklere göre miktarları kesin bir şekilde etkileyemez, ancak hava durumu gibi hacmi etkileyen başka belirleyici de olabilir.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.

Bu koşullar altında, farklı öğelerin zaman serileri arasında oluşturulan hiyerarşiden faydalanabilir.Under these conditions we can take advantage of the hierarchy formed among the time series of the different items. Hiyerarşide daha düşük olan miktarların (örn. ayrı ürün miktarları) Yukarıdaki miktarların toplamı (müşteri ürün toplamları) için tutarlılığı zorlayarak genel tahminin doğruluğunu geliştirdik.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. Aynı öğe kategoriler halinde gruplandırılmışsa, büyük olasılıkla çakışan kategoriler de aynı olur.The same applies if individual items are grouped into categories, even possibly categories that overlap. Örneğin, biri toplam, konuma göre, ürün kategorisine göre, müşteri, vb. tüm ürünlerin talep tahmini olarak ilgileniyor olabilir.For example, one might be interested in forecasting demand of all products in total, by location, by product category, by customer, etc.

Bu çözüm, belirtilen her dönem için hiyerarşideki tüm toplama düzeylerinde tahminleri hesaplar.This Solution computes forecasts at all aggregation levels in the hierarchy for each time period specified. Basitlik için, "hiyerarşik zaman serisi" olarak hem hiyerarşik hem de gruplanmış zaman serisine başvuracağız.For simplicity, we will refer to both hierarchial and grouped time series as "hierarchical time series."

Teslim ve dağıtım tahmini kullanımdaShipping and distribution forecasting in use

Bu çözümü geliştirmemiz için bizimle birlikte çalışmak üzere Kotahi teşekkür ederiz.We thank Kotahi for working with us to develop this Solution. Kotahi, Yeni Zelanda dışarı aktarmaları için sevkiyat kapsayıcıları planlıyor ve teslim eden bir tedarik zinciri şirketidir.Kotahi is a supply chain company that plans, sources, and delivers shipping containers for New Zealand exports. Bu bilgileri üretime koymak için Microsoft ve Microsoft Dynamics 2016 Iç daire iş ortağı olan DXC tutulma ile ilgili müşteri hikayelerini öğrenin.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. Çözüm, tahmin doğruluğunu arttırmaya yardımcı oldu ve bu sayede doğru boyutta kapsayıcıyı doğru şekilde seçme ve doğru bağlantı noktalarına gönderme imkanlarını iyileştirmemize yardımcı oldu.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.

Devlet kapsamında neler vardırWhat's under the hood

Çözüm, Azure 'da barındırılan ve yönetilen beş tür kaynak kullanır:The Solution uses five types of resources hosted and managed in Azure:

  • Kalıcı depolama için Azure SQL Server örneği (Azure SQL)Azure SQL Server instance (Azure SQL) for persistent storage
  • R tahmin kodunu barındırmak için Azure Machine Learning (AML) Web hizmetiAzure Machine Learning (AML) webservice to host the R forecasting code
  • Oluşturulan tahminlerin ara depolaması için Azure Blob depolamaAzure Blob Storage for intermediate storage of generated forecasts
  • AML modelinin düzenli olarak çalışmasını düzenleyen Azure Data Factory (ADF)Azure Data Factory (ADF) that orchestrates regular runs of the AML model
  • Tahminleri göstermek ve aşağı gitmek için Pano Power BIPower BI dashboard to display and drill down on the forecasts

Çözüm, ADF 'de (örn. aylık) yapılandırılmış bir hızda düzenli tahminlerinin çalışmasını otomatikleştirir ve bu durumda, geçerli geçmiş verilerle bir modeli öğrenir ve ürün hiyerarşisindeki tüm ürünler için gelecek dönemler için miktarları tahmin eder.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. Her tahmin çevrimi, veritabanından, modelden ve sonra veritabanına geri gidiş dönüş bilgisinden oluşur.Each forecast cycle consists of a round-trip from the database, through the model, then back to the database. Her döngüde, geleneksel veri gizleme teknikleri ile tahmin doğruluğu ölçer.Each cycle measures forecast accuracy by conventional data holdout techniques. Dönemler sayısını, ürün kategorilerini ve ürünler arasındaki hiyerarşiyi yapılandırabilirsiniz.You can configure the number of periods, the product categories and the hierarchy among products. Geçerli verilerinizi Azure SQL veritabanında yüklemeniz ve her çalıştırdıktan sonra tahminleri aynı veritabanından ayıklamanız gerekir.You need to load your current data in the Azure SQL database, and extract forecasts after each run from the same database. Çözüm, daha fazla özelleştirmeye izin vermek ve geçmiş verilerin benzetimini yapmanıza olanak tanımak için R kod modelini kullanıma sunar ve çözümü test edebilirsiniz.The Solution exposes the R code model to allow further customizations, and to allow you to simulate historical data, to test the Solution.

Tahmin çözümünü kullanma: BaşlarkenUsing the forecasting solution: Getting started

Cortana Intelligence Suite, bu çözümün nasıl kullanılacağına ilişkin bir örnek için teknik çözüm kılavuzuna bakın.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. Bu çözümü dağıtmaya yönelik teknik sorunlar veya sorular için lütfen deponun sorunlar sekmesine gönderin.For technical problems or questions about deploying this Solution, please post in the issues tab of the repository.

Çözüm panosuSolution Dashboard

Çözüm ile birlikte gelen PowerBI panosunda çözüm tarafından oluşturulan tahminlere ilişkin bir anlık görüntü örneği aşağıda verilmiştir.Here is an example of a snapshot of the forecasts generated by the solution in the PowerBI dashboard that comes with the Solution.

Anlık görüntü Power BI

Fiyatlandırma bilgileriPricing Info

Dağıtım için kullanılan Azure aboneliğiniz, bu çözümde kullanılan hizmetlerde (yaklaşık olarak $4.66/gün) tüketim ücretleri uygular.Your Azure subscription used for the deployment will incur consumption charges on the services used in this solution, approximately $4.66/day. Daha fazla bilgi için lütfen Fiyatlandırma Hesaplayıcı' ı ziyaret edin.For more information, please visit the Pricing Calculator.

Unutmayın: dağıtılan çözümü artık kullanmıyorsanız, tüketim ücretleri 'ni durdurmak için silmeyi unutmayın.Note: If you are no longer using the deployed solution, remember to delete it to stop incurring consumption charges.