Paramétrage de la prévision de la demande

Note

Les groupes d’intérêts communautaires sont maintenant passés de Yammer à Microsoft Viva Engage. Pour participer à une communauté Viva Engage et participer aux dernières discussions, renseignez le formulaire Demander l’accès à la communauté Finance et Operations Viva Engage , puis choisissez la communauté que vous souhaitez rejoindre.

Conseil

Cet article décrit la fonctionnalité intégrée de prévision de la demande Microsoft Dynamics 365 Supply Chain Management. Pour une expérience de planification et de prévision encore meilleure, nous vous recommandons d’essayer la planification de la demande, qui est la solution collaborative de planification de la demande de Microsoft Dynamics 365 Supply Chain Management nouvelle génération de Microsoft. Pour en savoir plus, consultez la page d’accueil Demand planning.

Cet article décrit le paramétrage de prévision de la demande.

Clés de répartition par article

Les clés de répartition des articles établissent des groupes d’articles. Le système calcule une prévision de demande pour un élément et ses dimensions uniquement si l’élément fait partie d’une clé d’allocation d’élément. Cette règle regroupe un grand nombre d’éléments afin que le système puisse créer des prévisions de demande plus rapidement. Le système crée des prévisions basées uniquement sur les données historiques.

Un élément et ses dimensions doivent faire partie d’une seule clé d’allocation d’élément si vous utilisez la clé d’allocation d’élément lors de la création de la prévision.

Pour créer des clés d’allocation d’élément et ajouter une unité de conservation des stocks (SKU) à ces clés, procédez comme suit :

  1. Accédez à Planification principale>Configuration>Prévisions de la demande>Clés d'allocation d'article.

  2. Sélectionnez une clé de répartition par article dans le volet de liste ou sélectionnez Nouveau dans le volet Actions pour en créer une. Dans l’en-tête de la nouvelle clé ou de celle sélectionnée, définissez les champs suivants :

    • Clé de répartition des articles – Saisissez un nom unique pour la clé.
    • Nom – Entrez un nom descriptif pour la clé.

  3. Suivez l’une de ces étapes pour ajouter des articles à la clé de répartition d’articles sélectionnée ou supprimer des articles :

    • Sur le raccourci Répartition des articles, utilisez les boutons Nouveau et Supprimer de la barre d’outils pour ajouter ou supprimer des éléments selon vos besoins. Pour chaque ligne, sélectionnez le numéro d’article, puis attribuez des valeurs de dimension dans les autres colonnes selon vos besoins. Sélectionnez Dimensions d’affichage dans la barre d’outils pour modifier l’ensemble de colonnes de dimension affiché dans la grille. (La valeur de la colonne Pourcentage est ignorée lorsque des prévisions de la demande sont générées.)
    • Si vous souhaitez ajouter un grand nombre d’éléments à la clé, sélectionnez Attribuer des éléments dans le volet Actions pour ouvrir une page où vous pouvez rechercher et affecter plusieurs éléments à la clé sélectionnée.

Important

Veillez à n’inclure que les éléments pertinents dans chaque clé de répartition d’élément. Les articles inutiles peuvent entraîner des coûts augmentés lorsque vous utilisez Microsoft Azure Machine Learning.

Groupes de planification intersociétés

La prévision de la demande peut générer des prévisions de société croisée. Dans Dynamics 365 Supply Chain Management, vous regroupez des entreprises que vous planifiez ensemble dans le même groupe de planification interentreprises. Pour spécifier, par entreprise, les clés d’allocation d’éléments à prendre en compte pour la prévision de la demande, associez une clé d’allocation d’élément au membre du groupe de planification interentreprises.

Important

Le service Optimisation de la planification ne prend actuellement pas en charge les groupes de planification intersociétés. Pour effectuer une planification intersociétés qui utilise le service Optimisation de la planification, configurez des travaux par lots de planification principale qui incluent des plans directeurs pour toutes les sociétés concernées.

Pour configurer vos groupes de planification interentreprises, procédez comme suit :

  1. Accédez à Planification principale>Configuration>groupes de planification interentreprises.

  2. Sélectionnez un groupe de planification dans le volet de liste ou sélectionnez Nouveau dans le volet Actions pour en créer un. Dans l’en-tête du nouveau groupe ou du groupe sélectionné, définissez les champs suivants :

    • Nom : entrez un nom unique pour le groupe de planification.
    • Description : entrez une brève description du groupe de planification.

  3. Sur le raccourci Membres du groupe de planification interentreprises, utilisez les boutons de la barre d’outils pour ajouter une ligne pour chaque société (entité légale) qui devrait faire partie du groupe. Pour chaque ligne, définissez les champs suivants :

    • Entité légale : sélectionnez le nom d’une société (personne morale) membre du groupe sélectionné.
    • Séquence de planification : attribuez l’ordre dans lequel la société doit être traitée par rapport aux autres sociétés. Les valeurs faibles sont traitées en premier. Cette commande peut être importante lorsque la demande pour une entreprise affecte d’autres entreprises. Dans ces cas, la société qui fournit la demande est traitée en dernier.
    • Plan général : sélectionnez le plan général à déclencher pour la société actuelle.
    • Copie automatique vers le plan statique : cochez cette case pour copier le résultat du plan dans le plan statique.
    • Copie automatique vers le plan dynamique : cochez cette case pour copier le résultat du plan dans le plan dynamique.

  4. Par défaut, si vous n’affectez pas de clés d’allocation d’éléments aux membres du groupe de planification interentreprises, le système calcule une prévision de demande pour tous les éléments affectés à toutes les clés d’allocation d’éléments de toutes les entreprises. Vous trouverez des options de filtrage supplémentaires pour les entreprises et les clés d’allocation d’éléments dans la boîte de dialogue Générer une prévision de base de référence statistique (Planification principale>Prévisions>de demande>Générer des prévisions statistiques de référence). Pour affecter des clés de répartition d’articles à une société du groupe de planification intersociétés sélectionné, sélectionnez la société, puis, dans le raccourci Membres du groupe de planification interentreprises, sélectionnez Clés de répartition par article sur la barre d’outils.

Apprenez-en davantage dans les groupes de planification interentreprises pour la prévision de la demande.

Important

Incluez uniquement les clés d’allocation d’éléments pertinentes dans chaque groupe de planification interentreprises. Les articles inutiles peuvent entraîner des coûts augmentés lorsque vous utilisez Azure Machine Learning.

Configurer les paramètres de prévision de la demande

Utilisez la page paramètres de prévision de la demande pour configurer des options qui contrôlent le fonctionnement de la prévision de la demande dans votre système.

Ouvrir la page Paramètres de prévision de la demande

Pour configurer les paramètres de prévision de la demande, accédez à Planification principale>Configuration>Prévision de la demande>Paramètres de prévision de la demande. Comme la prévision de demande fonctionne sur toutes les sociétés, le paramétrage est global. Elle s’applique à toutes les entités juridiques (sociétés).

Paramètres généraux

Utilisez l’onglet Général de la page Paramètres de prévision de la demande pour définir les paramètres généraux de prévision de la demande.

Unité de prévision de la demande

La prévision de la demande génère la prévision en quantités. Par conséquent, vous devez spécifier l’unité de mesure pour la quantité dans le champ d’unité de prévision de la demande . Ce champ définit l’unité utilisée par le système pour toutes les prévisions de demande, quelles que soient les unités d’inventaire habituelles pour chaque produit. Le fait d’utiliser une unité de prévision cohérente, permet de garantir une agrégation et une distribution de pourcentage logiques. Pour plus d’informations sur l’agrégation et la distribution de pourcentage, voir Effectuer des ajustements manuels de la prévision de base.

Pour chaque unité de mesure que vous utilisez pour les références SKU incluses dans la prévision de la demande, assurez-vous qu’il existe une règle de conversion pour l’unité de mesure et l’unité de prévision générale de mesure que vous sélectionnez ici. Lorsque vous générez une prévision, le système enregistre la liste des éléments qui n’ont pas d’unité de conversion de mesure. Par conséquent, vous pouvez facilement corriger la configuration. Pour plus d’informations sur les unités de mesure et sur leur conversion, voir Gérer les unités de mesure.

Types de transactions

Utilisez les champs sur la FastTab Types de transactions pour sélectionner les types de transactions que le système utilise lorsqu'il génère la prévision statistique de référence.

Vous pouvez utiliser la prévision de la demande pour prévoir à la fois la demande dépendante et la demande indépendante. Par exemple, si vous définissez uniquement l’option Commande client sur Oui, et tous les éléments que vous envisagez pour la prévision de la demande sont des éléments vendus, le système calcule la demande indépendante. Toutefois, vous pouvez ajouter des sous-composants critiques aux clés d’allocation d’éléments et les inclure dans les prévisions de demande. Dans ce cas, si vous définissez l’option De ligne de production sur Oui, le système calcule une prévision dépendante.

Vous pouvez remplacer les types de transaction pour une ou plusieurs clés de répartition d’articles spécifiques à l’aide de l’onglet Clés de répartition par article. Cet onglet fournit des champs similaires.

Choisissez comment créer la prévision de base

Utilisez le champ stratégie de génération de prévisions pour sélectionner la méthode utilisée par le système pour créer une prévision de référence. Trois méthodes sont disponibles :

  • Copier sur la demande historique : permet de créer des prévisions en copiant simplement les données historiques.
  • Azure Machine Learning Service : permet d’utiliser un modèle de prévision qui utilise Azure Machine Learning Service. Azure Machine Learning Service est la solution de Machine Learning actuelle pour Azure. Par conséquent, utilisez-la si vous souhaitez utiliser un modèle de prévision.
  • Azure Machine Learning : permet d’utiliser un modèle de prévision qui utilise Azure Machine Learning Studio (classique). Azure Machine Learning Studio (classique) est déconseillé et sera bientôt supprimé d’Azure. Par conséquent, sélectionnez Azure Machine Learning Service si vous configurez la prévision de la demande pour la première fois. Si vous utilisez actuellement Azure Machine Learning Studio (classique), vous devez prévoir de basculer vers Azure Machine Learning Service dès que possible.

Vous pouvez remplacer la méthode de génération de prévision pour une ou plusieurs clés de répartition d’articles spécifiques à l’aide de l’onglet Clés de répartition par article. Cet onglet fournit des champs similaires.

Remplacer globalement les paramètres de l’algorithme de prévision par défaut

Les paramètres et les valeurs de l’algorithme de prévision par défaut sont attribués sur la page Paramètres de prévision de la demande (Planification principale>Configuration>Prévision de la demande>Paramètres de prévision de la demande). Cependant, vous pouvez les remplacer globalement en utilisant le raccourci Paramètres de l’algorithme de prévision de l’onglet Général de la page Paramètres de prévision de la demande. (Vous pouvez également les remplacer pour des clés de répartition spécifiques en utilisant l’onglet Clés de répartition par article de la page Paramètres de prévision de la demande.)

Utilisez les boutons Ajouter et Supprimer de la barre d’outils pour établir la collection des remplacements de paramètre requise. Pour chaque paramètre de la liste, sélectionnez une valeur dans le champ Nom, puis saisissez une valeur appropriée dans le champ Valeur. Tous les paramètres qui ne sont pas répertoriés ici prennent leurs valeurs à partir des paramètres de la page paramètres de prévision de la demande . Pour plus d’informations sur l’utilisation de l’ensemble standard de paramètres et leur sélection de valeurs, consultez la section Paramètres et valeurs par défaut des modèles de prévision de la demande.

Définir des dimensions de prévision

Une dimension de prévision affiche le niveau de détail de la prévision. La société, le site et la clé de répartition par article sont des dimensions de prévision obligatoires. Vous pouvez également générer des prévisions au niveau de l’entrepôt, de l’état de l’inventaire, du groupe de clients, du compte client, du pays/de la région, de l’état et de l’élément, ainsi qu’à tous les niveaux de dimension d’élément. Utilisez l’onglet Dimensions de prévision de la page Paramètres de prévision de la demande pour sélectionner l’ensemble de dimensions de prévision utilisé lorsque la prévision de la demande est générée.

À tout moment, vous pouvez ajouter des dimensions de prévision à la liste des dimensions utilisées pour les prévisions de la demande. Vous pouvez également supprimer des dimensions de prévision de la liste. Toutefois, les ajustements manuels sont perdus si vous ajoutez ou supprimez une dimension de prévision.

Configurer des remplacements pour des clés de répartition d’articles spécifiques

Tous les articles ne se comportent de la même manière du point de vue de la prévision de la demande. Par conséquent, vous pouvez établir des remplacements spécifiques à la clé d’allocation pour la plupart des paramètres disponibles sous l’onglet Général . L’exception est l’unité de prévision de la demande. Pour configurer des remplacements pour une clé d’allocation d’élément spécifique, procédez comme suit :

  1. Sur la page Paramètres de prévision de la demande, sur l’onglet Clés de répartition par article, utilisez les boutons de la barre d’outils pour ajouter des clés de répartition par article à la grille de gauche, ou supprimez-les, selon vos besoins. Sélectionnez ensuite la clé de répartition pour laquelle vous souhaitez configurer des remplacements.
  2. Sur le raccourci Types de transactions, activez les types de transactions que vous souhaitez utiliser pour générer des prévisions de base statistiques pour les produits qui appartiennent à la clé de répartition sélectionnée. Les paramètres fonctionnent de la même façon sur l’onglet Général, mais ils ne s’appliquent qu’à la clé de répartition de l’article sélectionnée. Tous les paramètres ici (les deux valeurs Oui et les valeurs Non) remplacent tous les paramètres Types de transactions sur l’onglet Général.
  3. Sur le raccourci Paramètres de l’algorithme de prévision, sélectionnez la stratégie de génération de prévision et les remplacements de paramètre d’algorithme de prévision pour les produits qui appartiennent à la clé de répartition sélectionnée. Ces paramètres fonctionnent de la même façon que sur l’onglet Général, mais ils ne s’appliquent qu’à la clé de répartition de l’article sélectionnée. Utilisez les boutons Ajouter et Supprimer de la barre d’outils pour définir la collection des remplacements de paramètre requise. Pour chaque paramètre de la liste, sélectionnez une valeur dans le champ Nom, puis saisissez une valeur appropriée dans le champ Valeur. Pour plus d’informations sur l’utilisation de l’ensemble standard de paramètres et leur sélection de valeurs, consultez la section Paramètres et valeurs par défaut des modèles de prévision de la demande.

Configurer la connexion à Azure Machine Learning Service

Utilisez l’onglet Azure Machine Learning Service pour configurer la connexion à Azure Machine Learning Service. Cette solution est l’une des options pour créer la prévision de base. Ces paramètres de cet onglet prennent effet uniquement lorsque le champ stratégie de génération de prévision est défini sur Azure Machine Learning Service.

Pour plus d’informations sur la configuration d’Azure Machine Learning Service et de l’utilisation des paramètres mentionnés ici pour vous y connecter, consultez la section Configurer le service Azure Machine Learning.

Configurer la connexion à Azure Machine Learning Studio (classique)

Important

Azure Machine Learning Studio (classique) est déconseillé. Par conséquent, vous ne pouvez pas créer de nouveaux espaces de travail dans Azure. Azure Machine Learning Studio (classique) est remplacé par le service Azure Machine Learning, qui fournit des fonctionnalités similaires et bien plus encore. Si vous n’utilisez pas déjà Azure Machine Learning, commencez à utiliser le service Azure Machine Learning. Si vous disposez déjà d’un espace de travail que vous avez créé pour Azure Machine Learning Studio (classique), vous pouvez continuer à l’utiliser jusqu’à ce que la fonctionnalité soit supprimée d’Azure. Toutefois, mettez à jour le service Azure Machine Learning dès que possible. Bien que l’application continue de vous avertir qu’Azure Machine Learning Studio (classique) est déconseillé, le résultat de prévision n’est pas affecté. Pour plus d’informations sur le nouveau service Azure Machine Learning et sur la façon de le configurer, accédez à la section Configurer azure Machine Learning Service .

Vous pouvez librement basculer entre les nouvelles et les anciennes solutions de machine learning avec Supply Chain Management tant que votre ancien espace de travail Azure Machine Learning Studio (classique) reste disponible.

Si vous disposez déjà d’un espace de travail Azure Machine Learning Studio (classique), vous pouvez l’utiliser pour générer des prévisions en le connectant à Supply Chain Management. Vous pouvez établir cette connexion en utilisant l’onglet Azure Machine Learning de la page Paramètres de prévision de la demande. (Les paramètres de cet onglet prennent effet uniquement lorsque le champ stratégie de génération de prévision est défini sur Azure Machine Learning.) Entrez les détails suivants pour votre espace de travail Azure Machine Learning Studio (classique) :

  • Clé de l’interface de programmation d’applications (API) du service Web
  • URL du point de terminaison du service Web
  • Nom du compte de stockage Azure
  • Clé du compte de stockage Azure

Note

Vous avez besoin du nom et de la clé du compte de stockage Azure uniquement si vous utilisez un compte de stockage personnalisé. Si vous déployez la version sur site, vous devez posséder un compte personnalisé de stockage dans Azure, afin que Machine Learning puisse accéder aux données historiques.

Paramètres et valeurs par défaut des modèles de prévision de la demande

Lorsque vous utilisez le Machine Learning pour générer vos modèles de planification des prévisions, vous contrôlez les options de Machine Learning en définissant des valeurs pour paramètres de l’algorithme de prévision. Supply Chain Management envoie ces valeurs à Azure Machine Learning. Utilisez la page paramètres de l’algorithme de prévision pour contrôler les types de valeurs à fournir et les valeurs dont chacune doit avoir.

Pour configurer les paramètres et valeurs par défaut pour les modèles de prévision de la demande, accédez à Planification principale>Configuration>Prévision de la demande>Paramètres de l’algorithme de prévision. Un ensemble standard de paramètres est fourni. Les champs suivants sont disponibles pour chaque paramètre :

  • Nom : nom du paramètre, tel qu’utilisé par Azure. En règle générale, vous ne devez pas modifier ce nom, sauf si vous avez personnalisé l’expérience dans Azure Machine Learning.
  • Description : nom courant pour le paramètre. Utilisez ce nom pour identifier le paramètre à d’autres emplacements dans le système (par exemple, dans la page paramètres de prévision de la demande ).
  • Valeur : valeur par défaut du paramètre. La valeur que vous entrez dépend du paramètre que vous modifiez.
  • Explication : brève description du paramètre et de son utilisation. Cette description comprend généralement des conseils sur les valeurs valides pour le champ Valeur.

Les paramètres suivants sont fournis par défaut. (Pour revenir à cette liste standard, sélectionnez Restaurer dans le volet Action.)

  • Pourcentage du niveau de confiance : un intervalle de confiance comporte une plage de valeurs qui constitue une bonne estimation des prévisions de la demande. Un pourcentage de niveau de confiance à 95 % indique qu’il existe un risque de 5 % que la demande future se trouve en dehors de l’intervalle de confiance.

  • Forcer le caractère saisonnier : indique s’il convient de forcer le modèle pour utiliser un type spécifique de caractère saisonnier. Ce paramètre s’applique à ARIMA et ETS uniquement. Options : AUTOMATIQUE (par défaut), AUCUN, ADDITIF, MULTIPLICATIF.

  • Modèle de prévision : spécifie le modèle de prévision à utiliser. Options : ARIMA, ETS, STL, ETS+ARIMA, ETS+STL, TOUT. Pour sélectionner le modèle le plus adapté, utilisez TOUT.

  • Valeur maximale prévue : indique la valeur maximale à utiliser pour les prévisions. Format : +1E [n] ou constante numérique.

  • Valeur minimale prévue : indique la valeur minimale à utiliser pour les prévisions. Format : -1E[n] ou constante numérique.

  • Substitution de valeur manquante : spécifie comment combler les lacunes dans les données historiques. Options : (valeur numérique), MOYENNE, PRÉCÉDENTE, INTERPOLATION LINÉAIRE, INTERPOLATION POLYNOMIALE.

  • Étendue de substitution de valeur manquante : spécifie si la substitution de valeur s’applique uniquement à la plage de dates de chaque attribut de granularité individuelle ou à l’ensemble du jeu de données. Les options suivantes sont disponibles pour établir la plage de dates que le système utilise pour combler les lacunes dans les données historiques :

    • GLOBAL : le système utilise toute la plage de dates de tous les attributs granulaires.
    • HISTORY_DATE_RANGE : le système utilise une plage de dates spécifique qui est définie par les champs Date de début et Date de fin de la section Horizon historique dans la boîte de dialogue Générer des prévisions de base statistiques.
    • GRANULARITY_ATTRIBUTE : le système utilise la plage de dates de l’attribut de granularité actuellement traité.

    Note

    Un attribut de granularité est une combinaison de dimensions de prévision par rapport auxquelles la prévision est effectuée. Vous pouvez définir les dimensions de prévision dans la page Paramètres de prévision de la demande.

  • Conseil sur la saisonnalité : pour les données saisonnières, fournissez un conseil au modèle de prévisions pour améliorer la précision des prévisions. Format : le nombre entier qui représente le nombre de plages selon lequel le modèle de demande se répète. Par exemple, entrez 6 pour les données qui se répètent tous les six mois.

  • Pourcentage de taille de l'ensemble de test : pourcentage de données historiques à utiliser comme ensemble de test pour le calcul de la précision de la prévision.

Remplacez les valeurs de ces paramètres en accédant à Planification principale>Configuration>Prévision de la demande>Paramètres de prévision de la demande. Sur la page Paramètres de prévision de la demande, vous pouvez remplacer ces paramètres de la manière suivante :

  • Utilisez l’onglet Général pour remplacer les paramètres globalement.
  • Utilisez l’onglet Clés de répartition par article pour remplacer les paramètres pour des clés de répartition par article spécifiques. Les paramètres que vous remplacez pour une clé d’allocation d’élément spécifique affectent uniquement la prévision des éléments associés à cette clé d’allocation d’élément.

Note

Dans la page paramètres de l’algorithme de prévision , utilisez les boutons du volet Action pour ajouter des paramètres à la liste ou supprimer des paramètres de la liste. Toutefois, n’utilisez pas cette approche, sauf si vous personnalisez l’expérience dans Azure Machine Learning.

Configurer Azure Machine Learning Service

Supply Chain Management calcule les prévisions de demande à l’aide d’Azure Machine Learning Service. Vous devez configurer et exécuter ce service sur votre propre abonnement Azure. Cette section décrit comment configurer Azure Machine Learning Service dans Azure, puis le connecter à votre environnement Supply Chain Management.

Activer Azure Machine Learning Service dans la gestion des fonctionnalités

Pour pouvoir utiliser cette fonctionnalité, elle doit être activée pour votre système. Depuis la version 10.0.32 de Supply Chain Management, elle est activée par défaut. Depuis la version 10.0.36 de Supply Chain Management, la fonctionnalité est obligatoire et ne peut pas être désactivée. Si vous exécutez une version antérieure à 10.0.36, les administrateurs peuvent activer ou désactiver cette fonctionnalité en recherchant la fonctionnalité Azure Machine Learning Service pour les prévisions de demande dans l’espace de travail Gestion des fonctionnalités.

Configurer le Machine Learning dans Azure

Pour permettre à Azure d’utiliser le Machine Learning pour traiter vos prévisions, vous devez configurer un espace de travail Azure Machine Learning à cet effet. Vous avez deux options :

Option 1 : Exécuter un script pour configurer automatiquement votre espace de travail Machine Learning

Cette section explique comment configurer votre espace de travail Machine Learning à l’aide d’un script automatisé fourni par Microsoft. Si vous préférez, vous pouvez configurer manuellement toutes les ressources en suivant les instructions de la section Option 2 : Configurer manuellement votre espace de travail Machine Learning. Vous n’êtes pas obligé d’effectuer les deux options.

  1. Sur GitHub, ouvrez le référentiel Modèles pour la prévision de la demande Dynamics 365 Supply Chain Management avec Azure Machine Learning et téléchargez les fichiers suivants :

    • quick_setup.ps1
    • sampleInput.csv
    • src/parameters.py
    • src/api_trigger.py
    • src/run.py
    • src/REntryScript/forecast.r

  2. Ouvrez une fenêtre PowerShell et exécutez le quick_setup.ps1 script que vous avez téléchargé à l’étape précédente. Suivez les instructions à l’écran. Le script configure l’espace de travail, le stockage, le magasin de données (nommé workspaceblobdemplan) et les ressources de calcul requises.

  3. Suivez ces étapes pour définir le magasin de données workspaceblobdemplan (créé par le quick_setup.ps1 script) en tant que magasin de données par défaut.

    1. Dans Azure Machine Learning Studio, sélectionnez Magasins de données dans le navigateur.
    2. Sélectionnez le workspaceblobdemplan magasin de données (c’est du type Stockage Blob Azure et pointe vers le demplan-azureml conteneur de stockage de blobs).
    3. Ouvrez la page de détails du workspaceblobdemplan magasin de données et sélectionnez Définir comme banque de données par défaut.

  4. Dans Azure Machine Learning Studio, chargez le sampleInput.csv fichier que vous avez téléchargé à l’étape 1 dans le conteneur nommé demplan-azureml. (Le quick_setup.ps1 script a créé ce conteneur.) Ce fichier est requis pour publier le pipeline et générer une prévision de test. Pour obtenir des instructions, voir Charger un objet blob de blocs.

  5. Dans Azure Machine Learning Studio, sélectionnez Notebooks dans le navigateur.

  6. Recherchez l’emplacement suivant dans la structure Fichiers : Users/[current user]/src.

  7. Téléchargez les quatre fichiers restants que vous avez téléchargés à l’étape 1 à l’emplacement de l’étape précédente.

  8. Sélectionnez le api_trigger.py fichier que vous venez de charger, puis exécutez-le. Il crée un pipeline qui peut être déclenché via l’API. (Les pipelines permettent de démarrer des scripts de prévision à partir de Supply Chain Management.)

  9. Votre espace de travail est maintenant configuré. Passez à la section Configurer les paramètres de connexion Azure Machine Learning Service dans Supply Chain Management.

Option 2 : Configurer manuellement votre espace de travail Machine Learning

Cette section décrit comment configurer manuellement votre espace de travail Machine Learning. Effectuez les procédures de cette section uniquement si vous avez décidé de ne pas exécuter le script d’installation automatisé, comme décrit dans l’option 1 : Exécuter un script pour configurer votre espace de travail Machine Learning .

Étape 1 : Créer un nouvel espace de travail

Utilisez la procédure suivante pour créer un espace de travail Machine Learning.

  1. Connectez-vous à votre portail Azure.

  2. Ouvrez le service Machine learning.

  3. Sélectionnez Créer dans la barre d’outils pour ouvrir l’Assistant Créer.

  4. Renseignez l’Assistant en suivant les instructions à l’écran. Gardez les points suivants à l’esprit lorsque vous travaillez :

    • Utilisez les paramètres par défaut à moins que d’autres points de cette liste ne recommandent des paramètres différents.
    • Assurez-vous de sélectionner la région géographique qui correspond à la région où votre instance de Supply Chain Management est déployée. Sinon, certaines de vos données pourraient se trouver hors des limites de la région. En savoir plus dans la déclaration de confidentialité plus loin dans cet article.
    • Utilisez des ressources dédiées, telles que des groupes de ressources, des comptes de stockage, des registres de conteneurs, des coffres de clés Azure et des ressources réseau.
    • Sur la page Configurer les paramètres de connexion Azure Machine Learning Service de l’Assistant, vous devez fournir un nom de compte de stockage. Utilisez un compte dédié à la prévision de la demande. Les données d’entrée et de sortie de prévision de la demande sont stockées dans ce compte de stockage.

En savoir plus dans Créer l’espace de travail.

Étape 2 : Configurer le stockage

La procédure suivante permet de configurer le stockage.

  1. Sur GitHub, ouvrez les modèles de prévision de la demande pour Dynamics 365 Supply Chain Management avec Machine Learning Azure, puis téléchargez le fichier sampleInput.csv.
  2. Ouvrez le compte de stockage que vous avez créé dans la section Étape 1 : Créer un nouvel espace de travail.
  3. Suivez les instructions de la section Créer un conteneur pour créer un conteneur nommé demplan-azureml.
  4. Chargez le sampleInput.csv fichier que vous avez téléchargé à l’étape 1 dans le conteneur que vous venez de créer. Vous avez besoin de ce fichier pour publier le pipeline et générer une prévision de test. Pour obtenir des instructions, voir Charger un objet blob de blocs.
Étape 3 : Configurer une banque de données par défaut

Pour configurer votre magasin de données par défaut, procédez comme suit :

  1. Dans Azure Machine Learning Studio, sélectionnez Magasins de données dans le navigateur.
  2. Créez une nouvelle banque de données de type Azure Blob Storage qui pointe vers le conteneur de stockage Blob demplan-azureml que vous avez créé dans la section Étape 2 : Configurer le stockage. Si le type d’authentification du nouveau magasin de données est la clé de compte, fournissez une clé de compte pour le compte de stockage créé. Pour obtenir des instructions, consultez Gérer les clés d’accès du compte de stockage.
  3. Définissez votre nouvelle banque de données comme celle par défaut en ouvrant ses détails et en sélectionnant Définir comme banque de données par défaut.
Étape 4 : Configurer les ressources de calcul

Pour configurer une ressource de calcul dans Azure Machine Learning Studio pour exécuter vos scripts de génération de prévision, procédez comme suit :

  1. Ouvrez la page de détails de l’espace de travail Machine Learning que vous avez créé dans la section Étape 1 : Créer un nouvel espace de travail. Recherchez la valeur URL Web Studio et sélectionnez le lien pour l’ouvrir.

  2. Sélectionnez Calculer sur le volet de navigation.

  3. Sous l’onglet Instances de calcul , sélectionnez Nouveau pour ouvrir un Assistant qui vous aide à créer une instance de calcul. Suivez les instructions à l’écran. Utilisez les paramètres par défaut. L’instance de calcul est utilisée pour créer le pipeline de prévision de la demande. Vous pouvez la supprimer une fois le pipeline publié.

  4. Sous l’onglet Clusters de calcul, sélectionnez Nouveau pour ouvrir un Assistant qui vous aide à créer un cluster de calcul. Suivez les instructions à l’écran. Le cluster de calcul génère des prévisions de demande. Ses paramètres affectent les performances et le niveau maximal de parallélisation de l’exécution. Définissez les champs suivants, mais utilisez les paramètres par défaut pour tous les autres champs :

    • Nom : entrez e2ecpucluster.
    • Taille de la machine virtuelle : ajustez ce paramètre en fonction du volume de données que vous prévoyez d’utiliser comme entrée pour la prévision de la demande. Le nombre de nœuds ne doit pas dépasser 11, car un nœud est requis pour déclencher la génération de prévisions de la demande et le nombre maximal de nœuds pouvant ensuite être utilisés pour générer une prévision est de 10. Vous allez également définir le nombre de nœuds dans le fichier à l’étape parameters.py5 : créer des pipelines . Sur chaque nœud, plusieurs processus de travail exécutent des scripts de prévision en parallèle. Le nombre total de processus de travail dans votre travail est nombre de cœurs qu’un nœud a × nombre de nœuds. Par exemple, si votre cluster de calcul a un type de Standard_D4 (huit cœurs) et un maximum de 11 nœuds, et si la nodes_count valeur est définie sur 10 dans le parameters.py fichier, le niveau effectif de parallélisme est 80.
Étape 5 : créer des pipelines

Les pipelines permettent de démarrer des scripts de prévision à partir de Supply Chain Management. Pour créer les pipelines requis, procédez comme suit :

  1. Sur GitHub, ouvrez le référentiel Modèles pour la prévision de la demande Dynamics 365 Supply Chain Management avec Azure Machine Learning et téléchargez les fichiers suivants :

    • src/parameters.py
    • src/api_trigger.py
    • src/run.py
    • src/REntryScript/forecast.r

  2. Dans Azure Machine Learning Studio, sélectionnez Notebooks dans le navigateur.

  3. Recherchez l’emplacement suivant dans la structure Fichiers : Users/[current user]/src.

  4. Téléchargez les quatre fichiers que vous avez téléchargés à l’étape 1 à l’emplacement de l’étape précédente.

  5. Dans Azure, ouvrez et examinez le parameters.py fichier que vous venez de charger. Assurez-vous que la valeur de nodes_count est une inférieure de 1 à la valeur que vous avez configurée pour le cluster de calcul dans la section Étape 4 : Configurer les ressources de calcul. Si la valeur nodes_count est supérieure ou égale au nombre de nœuds dans le cluster de calcul, l’exécution du pipeline pourra peut-être démarrer. Toutefois, il cesse de répondre pendant qu’il attend les ressources requises. Pour plus d’informations sur le nombre de nœuds, consultez la section Étape 4 : Configurer les ressources de calcul.

  6. Sélectionnez le api_trigger.py fichier que vous venez de charger, puis exécutez-le. Il crée un pipeline que vous pouvez déclencher via l’API.

Configurer une nouvelle application Microsoft Entra

Pour vous authentifier à l’aide d’un principal de service avec les ressources dédiées à la prévision de la demande, vous avez besoin d’une application Microsoft Entra. Par conséquent, l’application doit avoir le niveau de privilège le plus bas requis pour générer la prévision.

  1. Connectez-vous à votre portail Azure.

  2. Enregistrez une nouvelle application dans le Microsoft Entra ID du locataire. Pour obtenir des instructions, voir Utiliser le portail pour créer une application Microsoft Entra et un principal de service qui peut accéder aux ressources.

  3. Renseignez l’Assistant en suivant les instructions à l’écran. Utilisez les paramètres par défaut.

  4. Donnez à votre nouvelle application Microsoft Entra l’accès aux ressources suivantes que vous avez créées dans la section Configurer Machine Learning dans Azure . Pour obtenir des instructions, voir Attribuer des rôles Azure à l’aide du portail Azure. Cette étape permet au système d’importer et d’exporter des données de prévision et de déclencher des exécutions de pipeline Machine Learning à partir de Supply Chain Management.

    • Rôle du contributeur à l’espace de travail Machine Learning
    • Rôle du contributeur au compte de stockage dédié
    • Rôle du contributeur de données de l’objet blob de stockage au compte de stockage dédié

  5. Dans la section Certificats et secrets de l’application que vous avez créée, créez un secret pour l’application. Pour obtenir des instructions, voir Ajouter un secret client.

  6. Notez l’ID de l’application et son secret. Vous aurez besoin des détails de cette application plus tard, lorsque vous configurerez la page Paramètres de prévision de la demande dans Supply Chain Management.

Configurer les paramètres de connexion Azure Machine Learning Service dans Supply Chain Management

Utilisez la procédure suivante pour connecter votre environnement Supply Chain Management au service Machine Learning que vous avez configuré dans Azure.

  1. Connectez-vous à Supply Chain Management.

  2. Accédez à Planification principale>Configuration>Prévision de la demande>Paramètres de prévision de la demande.

  3. Sur l’onglet Général, assurez-vous que le champ Stratégie de génération de la prévision est défini sur Azure Machine Learning Service.

  4. Sur l’onglet Clés de répartition par article, assurez-vous que le champ Stratégie de génération de la prévision est défini sur Azure Machine Learning Service pour chaque clé d’allocation qui doit utiliser Azure Machine Learning Service pour la prévision de la demande.

  5. Définissez les champs suivants sur l’onglet Azure Machine Learning Service :

    • ID de locataire : entre l’ID de votre locataire Azure. Supply Chain Management utilise cet ID pour s’authentifier auprès d’Azure Machine Learning Service. Vous pouvez trouver votre identifiant de locataire sur la page Présentation pour Microsoft Entra ID dans le portail Azure.
    • ID de l’application principale du service : saisissez l’ID de l’application que vous avez créée dans la section Application Active Directory. La gestion de la chaîne d’approvisionnement utilise cette valeur pour autoriser les demandes d’API auprès d’Azure Machine Learning Service.
    • Secret du principal du service : saisissez le secret de l’application du principal de service que vous avez créée dans la section Application Active Directory. Supply Chain Management utilise cette valeur pour acquérir le jeton d’accès pour le principal de sécurité que vous avez créé pour effectuer des opérations autorisées sur le stockage Azure et l’espace de travail Azure Machine Language.
    • Nom du compte de stockage : entrez le nom du compte de stockage Azure que vous avez spécifié lorsque vous avez exécuté l’assistant de configuration dans votre espace de travail Azure. (En savoir plus dans la section Configurer Machine Learning dans Azure .)
    • Adresse du point de terminaison du pipeline : saisissez l’URL du point de terminaison REST du pipeline pour votre Azure Machine Learning Service. Ce pipeline été créé comme dernière étape dans la section Configurer le Machine Learning dans Azure. Pour obtenir l’URL du pipeline, connectez-vous à votre portail Azure, sélectionnez Pipelines sur la navigation. Sur l’onglet Pipeline, sélectionnez le point de terminaison du pipeline nommé TriggerDemandForecastGeneration. Copiez ensuite le point de terminaison REST affiché.

    Paramètres sur l’onglet Azure Machine Learning Service de la page Paramètres de prévision de la demande.

Avis de confidentialité

Lorsque vous sélectionnez Azure Machine Learning Service en tant que stratégie de génération de prévisions, Supply Chain Management envoie automatiquement vos données client pour la demande historique, telles que les quantités agrégées, les noms de produits et leurs dimensions, les emplacements d’expédition et de réception, les identifiants client, ainsi que les paramètres de prévision, à la région géographique où votre espace de travail Machine Learning et son compte de stockage lié sont localisés, dans le but de prévoir les demandes futures. Il est possible que le service Azure Machine Learning Service se trouve dans une région géographique différente de celle où Supply Chain Management est déployé. Certains utilisateurs peuvent contrôler si cette fonctionnalité est activée en sélectionnant la stratégie de génération de la prévision sur la page Paramètres de prévision de la demande.

  • Last updated on