Vorhersagen der Kundennachfrage mit dem Solution Accelerator für die Bedarfsvorhersage
End-to-End-Lösung mit konsolidierten Machine Learning-Modellen
Das Ökosystem des globalen Einzelhandels ist ein Spiegel unserer modernen schnelllebigen Welt. Es erfordert schnelle Veränderungen und Anpassungen auf der Grundlage des aktuellen Bedarfs. Unternehmen können die Nachfrage ihrer Kunden in einem zunehmend wettbewerbsintensiven Einzelhandelsumfeld nicht befriedigen, in dem sich die Präferenzen von Kunden immer wieder ändern und unabhängig vom verwendeten Medium persönliche, plattformübergreifende Kundenerfahrungen erwartet werden.
Einzelhändler suchen nach einem Ansatz, mit dem sie jegliche Art von Engpass, Rückstand oder Zusammenbruch der Lieferkette identifizieren können. In diesen schwierigen Zeiten bedarf es im hochdynamischen, wettbewerbsorientierten Ökosystem des Einzelhandels eines umfassenden Überblicks über alle Dimensionen der Customer Journey entlang der Lieferkette – von der Produktion bis zur Lieferung. Betriebs- und Fertigungsteams müssen Silos und Datenantimuster innerhalb der Organisation beseitigen, um Ressourcen freizugeben und Verschwendung entlang der Lieferkette zu vermeiden.
Wir empfehlen den Solution Accelerator für die Bedarfsvorhersage, um Sie bei der Erfüllung der Anforderungen Ihres hochgradig zeitkritischen Markts zu unterstützen. Der Solution Accelerator für die Bedarfsvorhersage zeigt Ihnen, wie Sie ein benutzerdefiniertes Modell für die Verkaufsvorhersage erstellen. Dieser Accelerator trägt durch vordefinierte, vorkonfigurierte Ressourcen zur Verkürzung der Entwicklungszeit bei. Durch die Bereitstellung der Bedarfsvorhersagelösung können Sie innerhalb von Wochen Ergebnisse erzielen und Ihr Geschäft skalieren, um auf wachsende geschäftliche Anforderungen zu reagieren.
Verbessern der Genauigkeit durch den Ansatz der zahlreichen Modelle
Das Muster der zahlreichen Modelle ist bereits in verschiedensten Branchen verbreitet und auf viele Anwendungsfälle aus der Praxis anwendbar. Im Einzelhandelssektor wird der Ansatz der zahlreichen Modelle üblicherweise in folgenden Bereichen verwendet:
Einzelhandelsorganisationen, die Personaloptimierungsmodelle für Tausende von Filialen erstellen
Neigungsmodelle für Kampagnenpromotionen
Preisoptimierungsmodelle für Hunderttausende verkaufte Produkte
Restaurantketten, die Bedarfsvorhersagemodelle für viele Verkaufsstellen erstellen
Kundenbeispiele
Carhartt
Um wettbewerbsfähig zu bleiben, benötigte Carhartt eine umfassende datengesteuerte Lösung. Da lokale virtuelle Computer zu einem arbeitsspeicherbedingten Engpass geführt hatten, arbeitete das Unternehmen mit Microsoft zusammen, um sein Modell mit Hochleistungslösungen aus Azure Machine Learning zu erweitern. Dank der so gewonnenen Datenerkenntnisse konnte Carhartt den Verkauf über E-Commerce-Websites, Kaufhäuser und seine 33 physischen Filialen hinweg optimieren. Lesen Sie die vollständige Kundengeschichte von Carhartt.
Walgreens
Walgreens verarbeitet große Datenmengen und stützt sich dabei auf Erkenntnisse, die aus dem Vergleich von Point-of-Sale-Transaktionen mit historischen Daten der gesamten Lieferkette gewonnen werden. Durch die Übernahme anderer Apotheken kamen weitere Datenpunkte für die Analyse hinzu. Azure ermöglichte Walgreens die Nutzung von Machine Learning, um die unterschiedlichen Datenquellen miteinander verknüpfen. Dadurch konnte das Unternehmen seinen Bestand und seine Promotionen optimieren, um zur richtigen Zeit die richtigen Kunden anzusprechen. Lesen Sie die vollständige Kundengeschichte von Walgreens.
Erfahren Sie, wie Sie Ihre Umgebung konfigurieren, Ihr Dataset vorbereiten, mehr als 10.000 Modelle trainieren und Verkaufsvorhersagen erstellen. Anschließend können Sie Ihren Accelerator an Ihre geschäftlichen Herausforderungen anpassen.
Erste Schritte zur Bereitstellung des MVP
- Suchen Sie im GitHub-Repository des Solution Accelerators für die Bedarfsvorhersage nach Ihrem Code.
- Stellen Sie Azure Machine Learning und Ressourcen in Azure bereit.
- Konfigurieren Sie die Entwicklungsumgebung mithilfe einer Notebook-VM.
- Führen Sie Jupyter Notebook-Instanzen aus. Gehen Sie die Jupyter Notebook-Instanzen nach der Einrichtung Ihrer Entwicklungsumgebung Schritt für Schritt durch, und verwenden Sie dabei die Schritte für den Solution Accelerator für zahlreiche Modelle.
Weitere Informationen: