Eftirspurnarspárreiknirit

Nóta

Samfélagsáhugahópar hafa nú flust frá Yammer yfir í Microsoft Viva Engage. Til að ganga í Viva Engage samfélag og taka þátt í nýjustu umræðunum, fylltu út eyðublaðið Request access to Finance and Operations Viva Engage Community og veldu það samfélag sem þú vilt ganga í.

Eftirspurnaráætlun í Microsoft Dynamics 365 Supply Chain Management felur í sér fjögur vinsæl eftirspurnarspáaralgrím: auto-ARIMA, ETS, Prophet og XGBoost.

• Auto-ARIMA virkar vel með kyrrstæðum gögnum. Stöðug gögn eru gögn sem hafa fast meðaltal, stöðuga staðalfrávik og enga árstíðabundna breytingu.
• Villa, þróun og árstíðabundin þróun (ETS) virka vel ef viðskiptatilvikið þitt er einfalt og gögnin hafa ýmis mynstur, eins og línulegar eða veldisvísandi þróunarmynstur, eða ef þú vilt að spáin gefi nýjustu gögnunum meiri vægi.
• Prophet vinnur best með flókin gögn úr raunveruleikanum.
• eXtreme Gradient Boosting (XGBoost) getur búið til spá byggða á mörgum inntökum.

Auk þess býður eftirspurnaráætlun upp á best fit líkan reiknirit sem sjálfkrafa velur það besta af tiltækum reikniritum fyrir hverja vöru- og víddarsamsetningu. Eftirspurnaráætlun gerir þér einnig kleift að þróa og nota þín eigin sérsniðnu reiknirit.

Í eftirspurnaráætlun velur þú spáreiknirit þegar þú setur og stillir spá eða spá með merkiskrefum í spálíkaninu. Þú notar síðan það spálíkan í spáprófíl til að búa til spá.

Þessi grein lýsir hvernig hvert reiknirit virkar og hæfni þess fyrir mismunandi tegundir sögulegra eftirspurnargagna.

Hvenær á að nota hvert spáreiknirit

Reikniritið sem þú notar fyrir spár um eftirspurn veltur á sérstökum eiginleikum sögulegra gagna þinna. Eftirfarandi tafla sýnir hvaða spáalgrím með einu inntaki henta best fyrir hverja af nokkrum mismunandi viðskiptasviðsmyndum. XGBoost er undanskilið þessari töflu, því það er alltaf notað fyrir fjölinntaksspár. Fyrir flest önnur tilvik er best fit líkanið notað því það velur sjálfkrafa rétta spáalgrímið fyrir hverja margfeldis- og víddarsamsetningu.

Aðstæður	Auto-ARIMA	ETS	Spámaður
Einfalt viðskiptatilvik	Ásættanlegt	Mælt með	Ásættanlegt
Tímaröðin hefur aðra (línulega/veldisvaxandi) þróun og nokkrar árstíðabundnar gerðir.	Ekki mælt með	Mælt með	Mælt með
Tímaröðin sýnir skýra línulega þróun.	Mælt með	Mælt með	Ásættanlegt
Gögnin eru kyrrstæð.	Mælt með	Ekki mælt með	Ásættanlegt
Gögn eru óstöðug.	Ekki mælt með	Ásættanlegt	Mælt með
Hraðspár eru nauðsynlegar.	Ekki mælt með	Mælt með	Ásættanlegt
Spár beinast að nýlegu tímabili.	Ásættanlegt	Mælt með	Ásættanlegt

Best fit líkan reiknirit

Besti líkanalgrímið ákvarðar sjálfkrafa hvaða af hinum eintaksreikniritunum (auto-ARIMA, ETS eða Prophet) hentar gögnunum þínum best fyrir hverja vöru- og víddarsamsetningu. Á þennan hátt geturðu notað mismunandi gerðir fyrir mismunandi vörur. Í flestum tilfellum er best passað líkanið, því það sameinar styrkleika allra annarra staðallíkana. Eftirfarandi dæmi sýnir hvernig.

Dæmi um hvernig best passandi líkanalgrímið virkar

Í þessu dæmi hefurðu söguleg eftirspurnartímaröðargögn sem innihalda eftirfarandi víddarsamsetningar.

Vara	Store
A	1
A	2
V	1
V	2

Þegar þú framkvæmir spáreikning með Prophet-líkaninu færðu eftirfarandi niðurstöður. Í þessu dæmi notar kerfið alltaf Spámannslíkanið, óháð reiknuðu meðaltali algilds prósentuvillu (MAPE) fyrir hverja margfeldis- og víddarsamsetningu.

Vara	Store	Spálíkan	MAPE
A	1	Spámaður	0.12
A	2	Spámaður	0.56
V	1	Spámaður	0.65
V	2	Spámaður	0.09

Þegar þú framkvæmir spáreikning með ETS líkaninu færðu eftirfarandi niðurstöður. Í þessu dæmi notar kerfið alltaf ETS líkanið, óháð reiknuðum MAPE fyrir hverja margfeldis- og víddarsamsetningu.

Vara	Store	Spálíkan	MAPE
A	1	ETS	0.18
A	2	ETS	0.15
V	1	ETS	0.21
V	2	ETS	0.31

Þegar þú framkvæmir spáreikning með því að nota besta líkanið, hámarkar kerfið líkanvalið fyrir hverja vöru- og víddarsamsetningu. Valið breytist eftir mynstrum sem finnast í sögulegum sölugögnum.

Vara	Store	Prophet MAPE	Auto-ARIMA MAPE	ETS MAPE	Best fit spálíkan	Best passa MAPE
A	1	0.12	0.34	0.18	Spámaður	0.12
A	2	0.56	0.23	0.15	ETS	0.15
V	1	0.65	0.09	0.21	Auto-ARIMA	0.09
V	2	0.10	0.27	0.31	Spámaður	0.10

Eftirfarandi tafla sýnir heildarsöluspá yfir allar víddir (allar vörur í öllum verslunum) næstu níu mánuði, fundnar með þremur mismunandi spámódelum. Græna línan táknar besta líkanið. Þar sem besta líkanið velur besta spálíkanið fyrir hverja vöru- og víddarsamsetningu, forðast það þær frávik sem geta komið upp ef eitt líkan er notað fyrir allar víddarsamsetningar. Þess vegna líkist heildarspá um besta samsetningu meðaltali einlíkanspáranna.

Skýringartexti:

• Rauður – aðeins Prophet.
• Blátt – aðeins ETS.
• Grænn – Besti kosturinn.

Best fit módel útgáfur

Best fit líkanið er fáanlegt í nokkrum útgáfum, eins og lýst er í eftirfarandi töflu. Venjulega ættir þú að nota nýjustu útgáfuna sem er í boði. Hins vegar, til að tryggja að öll núverandi spálíkön þín haldi áfram að virka, eru eldri útgáfur áfram aðgengilegar og studdar þar til annað verður tilkynnt. Til að nota eitt af þessum reikniritum, veldu viðeigandi útgáfu í stillingarstillingum fyrir Spá-skrefið í spálíkaninu þínu.

Nafn	Útgáfa nauðsynleg	Lýsing
Best fit líkan - útgáfa 1	Eftirspurnaráætlun útgáfa 1.0.0.1067 eða nýrri	Verk eins og lýst er í þessum kafla
Best fit líkan - útgáfa 2 (forskoðun)	Útgáfa 1.0.0.3424 eða nýrri í eftirspurnaráætlun	Sama og útgáfa 1, en með eftirfarandi breytingum: Bætir við stuðningi við naíva spá sem leið til að takast á við aðstæður með litlum gögnum. Gögn sem notuð eru til þjálfunar- og prófunarlíkana eru takmörkuð við gildi sem eru frá fyrir upphafsdag spánnar.
Best fit líkan - útgáfa 3 (forskoðun)	Eftirspurnaráætlun útgáfa 1.1.0.4 eða nýrra	Sama og útgáfa 2, en bætir við stuðningi við Croston-aðferðina til að spá fyrir um óreglulega eftirspurn (sem eru eftirspurnargögn með mörgum núlltímabilum og stundum ekki-núll eftirspurn).

Mikilvægur

• Best fit model - útgáfa 2 og Best fit model - útgáfa 3 eru forskoðunareiginleikar.
• Forskoðunareiginleikar eru ekki ætlaðir fyrir framleiðslu og gætu haft takmarkaða virkni. Þessir eiginleikar eru háðir viðbótarskilmálum um notkun. Þau eru fáanleg fyrir opinbera útgáfu svo viðskiptavinir geti fengið snemma aðgang og gefið endurgjöf.

Auto-ARIMA: Ánægja tímaferðalangsins

Auto-ARIMA reikniritið er eins og tímavél. Hún leiðir þig í gegnum fyrri eftirspurnarmynstur svo þú getir gert upplýstar spár um framtíðina.

Auto-ARIMA notar tækni sem kallast ARIMA. Nafnið ARIMA er skammstöfun fyrir þrjá lykilþætti sem tæknin sameinar:

• AR er stytting fyrir "sjálfvirkt afturvirkt". Þessi þáttur gengur tímaröðinni aftur á eigin fyrri gildi. Hún fangar áhrif fyrri gilda á núverandi gildi.
• I er stytting fyrir "samþætt". Þessi þáttur, sem einnig er kallaður mismunur, er skref sem líkanið tekur til að umbreyta óstöðugri tímaröð í kyrrstæð gögn.
• MA er stytting á "hreyfanlegu meðaltali". Þessi þáttur tekur tillit til fyrri spávillna og bætir nákvæmni líkansins með því að slétta út hávaðann.

Þess vegna sameinar ARIMA-aðferðin sjálfvirka aðför og meðaltöl eftir að hafa greint gögnin. Endanleg spá sameinar áhrif fyrri gilda og leiðréttingar vegna fyrri mistaka.

Auto-ARIMA reikniritið greinir sjálfkrafa bestu samsetningu þriggja þátta til að búa til spálíkan sem hentar gögnunum þínum. Það fylgir þessum skrefum til að búa til spár:

1. Keyrðu differencing á gögnunum ef þau eru ekki kyrrstæð.
2. Finndu fylgni milli seinkaðra gagnapunkta.
3. Reiknaðu út hreyfimeðaltalsvillu.

Sjálfvirk ARIMA virkar sérstaklega vel með gögnum úr tímaröðum sem sýna stöðugt mynstur með tímanum, svo sem árstíðabundnar sveiflur eða þróun. Ef söguleg eftirspurn fylgir nokkuð samræmdum ferli gætirðu kosið að nota sjálfvirka ARIMA sem spáaðferð.

Auto-ARIMA reikniritsjöfnur

Sjálfvirk aðhvarfsútreikningur

AR-þátturinn notar eftirfarandi jöfnu:

Y(t) = c + ɸ1Y(t−1) + ɸ2Y(t−2) + ... + ɸpY(t−p) + ε(t)

Lykill:

• Y(t) – Gildið á tíma t.
• c – Fasti.
• ɸ1, ɸ2, … ɸp – Stuðlar líkansins.
• ε(t) – Hvítur hávaði villuhugtakið.

Útreikningur á hreyfanlegu meðaltali

MA-þátturinn notar eftirfarandi jöfnu:

Y(t) = c + ε(t) + Θ1ε(t−1) + Θ2ε(t−2) + ... + Θqε(t−q)

Lykill:

• Y(t) – Gildið á tíma t.
• c – Fasti.
• ε(t), ε(t−1), ... ε(t−q) – Villuliðir á tíma t, t−1, ... T−Q.
• ϴ1, ϴ2, … Θq – Stuðlar líkansins.

ARIMA-útreikningur

Auto-ARIMA reikniritið sameinar AR- og MA-þætti með eftirfarandi jöfnu:

ARIMA = AR + MA (eftir að tímaröðin hefur verið mismunuð)

ETS: Formbreytirinn

ETS er fjölhæft eftirspurnarreiknirit sem lagar sig að lögun gagnanna þinna. Hún breytir nálgun sinni eftir eiginleikum sögulegrar eftirspurnar þinnar. Hann hentar því vel fyrir margs konar aðstæður.

Nafnið ETS er skammstöfun fyrir þrjá grundvallarþætti sem reikniritið sundurgreinir tímaröðargögnin í:

• E stendur fyrir "error". Þessi þáttur fangar handahófskenndan hávaða eða óreglulegar sveiflur.
• T stendur fyrir "trend". Þessi þáttur sýnir heildarstefnu gagna yfir tíma: aukandi, minnkandi eða stöðugur.
• S stendur fyrir "seasonality". Þessi hluti endurspeglar endurtekin mynstur eða hringrásir í gögnunum (til dæmis árlega eða á mánuði).

Með því að skilja og móta þessa þætti býr ETS til spár sem sýna undirliggjandi mynstur í gögnunum þínum.

ETS spáir fyrir um framtíðar gagnapunkta með því að beita mismunandi þyngdum á mismunandi athuganir. Nýrri gögn vega þyngra en eldri. ETS getur einnig brotið tímaröðina niður í villu-, þróunar- og árstíðabundna þætti. (Villan stafar af hávaða og sveiflum í tímaröðinni.) ETS notar árstíðabundna tímabilsbreytuna sem þú setur sem árstíðavísitölu, áætlar þróunina á komandi sjóndeildarhring og reynir mörg gildi til að ákvarða hvað passar. Að lokum spáir hún villunni og sameinar hana við áætlaða þróun og árstíðabundna þætti.

Eftirspurnaráætlun í Supply Chain Management ákvarðar hvaða "bragð" af ETS hentar best fyrir hverja tímaröð og beitir því í samræmi við það.

Hér er skref-fyrir-skref útskýring á reikniritinu:

1. Brotnaðu niður íhluti. Brjóttu tímaröðina niður í þrjá þætti: villu (E), þróun (T) og árstíðabundna sveiflu (S).

2. Veldu líkön fyrir íhlutina. Hver þáttur fylgir viðbótarlíkan :

   ETS(A,A,A) – Viðbótarvilla, viðbótarþróun, viðbótarárstíðabundin breyting.

3. Tilgreindu upphafsstöðurnar. Reiknaðu upphafsgildi fyrir stig, þróun og árstíðabundna stöðu líkansins til að hefja endurtekna uppfærslu. Stigið er grunnspáin, sem líkanið uppfærir eftir því sem það þjálfast.

4. Uppfærðu ríkin. Þegar nýir gagnapunktar berast, uppfærðu ástand líkansins (stig, þróun og árstíðabundin sveifla) með því að nota vigtaðar jafningarjöfnur.

5. Veðurspá. Spáðu fyrir um framtíðargildi með því að sameina nýjustu áætlanir um stig, þróun og árstíðabundna breytingu.

ETS reikniritsjöfnan

ETS reikniritið notar eftirfarandi jöfnu:

F(t+1) = αA(t) + [1−α]F(t)

Lykill:

• F(t+1) – Áætlað gildi.
• F(t) – Fyrri spáð verðmæti.
• A(t) – Raunverulegt sögulegt gildi.
• α – Sléttandi fasti (0 ≤ α ≤ 1).

Spámaður: Útsjónarsami spágúrúinn

Rannsóknarteymi Facebook þróaði Prophet. Þetta er nútímalegt og sveigjanlegt spáreiknirit sem getur tekist á við áskoranir raunverulegra gagna. Það er sérstaklega áhrifaríkt við meðhöndlun á gildum sem vantar, einförum og flóknum mynstrum. Hún virkar best með árstíðabundnum gögnum, tekur tillit til hátíða við spá og þarf ekki mikla forvinnslu.

Spámaður vinnur með því að brjóta niður gögn úr tímaröðum í nokkra þætti, svo sem þróun, árstíðir og hátíðir, og setja síðan líkan við hvern þátt. Þessi nálgun gerir Spámanni kleift að greina nákvæmlega blæbrigði í gögnunum og búa til áreiðanlegar spár. Prophet hentar vel fyrirtækjum sem hafa óreglulegar eftirspurnarmynstur eða tíðar undantekningar. Það hentar einnig vel fyrirtækjum sem verða fyrir áhrifum af sérstökum viðburðum eins og hátíðum eða kynningum.

Prophet reikniritið fylgir þessum skrefum til að búa til spár:

1. Skiptu tímaröðunum niður í tísku, árstíðabundna og hátíðarþætti.
2. Greindu og meðhöndlaðu breytingarpunkta fyrir þróunarbreytingar.
3. Notaðu Fourier-röðina fyrir árstíðabundin mynstur.
4. Bættu við hátíðarhvarfum fyrir óreglulega atburði.
5. Stilltu líkanbreyturnar með því að nota Bayesíska hagræðingu.
6. Búa til spár og óvissubil.

Spámannsreikniritsjöfnan

Prophet reikniritið notar eftirfarandi jöfnu:

y(t) = g(t) + s(t) + h(t) + ε(t)

Lykill:

• g(t) – Gildi sem fangar óreglulegar breytingar á þróun yfir tíma. Reikniritið reiknar þetta gildi með því að nota stykkiskipta línulega þróunarjöfnu.
• s(t) – Gildi sem táknar endurtekin árstíðabundin mynstur, svo sem dagleg, vikuleg eða árleg mynstur. Reikniritið líkir eftir þessu gildi með því að nota Fourier-raðir.
• h(t) – Gildi sem tekur tillit til þekktra, óreglulegra áhrifa af hátíðum eða sérstökum viðburðum. Reikniritið meðhöndlar þessi áhrif sem viðbótar aðhvarfsþætti, sem veita sveigjanleika við mótun sérstakra atburða.
• ε(t) – Handahófskenndur hávaði eða óútskýrð breytileiki.

XGBoost

Ólíkt öðrum reikniritum sem lýst er í þessari grein, býr eXtreme Gradient Boosting (XGBoost) til spá byggða á mörgum inntakum. Þetta er núna eina reikniritið sem þú getur notað með Forecast with Signalsforecast model skrefinu í Demand Planning. Auk þess styður aðeins þessi tegund af þrepi það. Lærðu meira um hvernig á að setja upp spálíkön sem nota XGBoost og inntak merkja í Forecast með merkjum.

XGBoost er mjög skilvirk og stigstærð útfærsla á stigvaxandi aukningu. Það byggir upp safn ákvörðunartréa til að gera spár. Eftirfarandi undirkaflar brjóta niður hvern þátt.

Ákvörðunartré

Ákvörðunartré er vélrænt námslíkan sem skiptir gögnum í hlutmengi byggð á merkjagildum (einnig þekkt sem víddir eða eiginleikar) og myndar trjálaga uppbyggingu. Eftirfarandi dæmi sýnir sölu byggða á veðurgögnum.

                          [Is temp > 25°C?]
                          /               \
                        Yes                No
                       /                     \
        [Is temp > 30°C?]               [Is temp > 15°C?]
            /      \                        /           \
         Yes        No                    Yes             No
         /            \                   /                \
    Leaf: 80      Leaf: 60        [Is temp > 10°C?]     Leaf: 20
                                        /       \
                                    Yes         No
                                    /            \
                                Leaf: 40      Leaf: 10

Þetta ákvörðunartré þróast á eftirfarandi hátt:

1. Rótarhnútur – Tréð skiptist eftir því hvort hitastigið fer yfir 25°C:

   • Já – Farðu í vinstri undirtréð.
   • Nei – Farðu í hægri undirtré.

2. Vinstri undirtré (hitastig > 25°C) – Tréð skiptist frekar eftir því hvort hitastigið fer yfir 30°C:

   • Já – Spáðu 80 sölum.
   • Nei – Spáðu 60 sölum.

3. Hægri undirtré (hitastig ≤ 25°C) – Tréð skiptist eftir því hvort hitastigið fer yfir 15°C:

   • Já – Tréð skiptist enn frekar eftir því hvort hitastigið fer yfir 10°C:

     • Já – Spáðu 40 sölum.
     • Nei – Spáðu fyrir um 10 sölur.

   • Nei – Spáðu 20 sölum.

Hópnám

Samsetningarnám er vélrænt nám sem sameinar mörg líkön (oft kölluð veikir námsmenn) til að gera spár. Sameinuð framleiðsla margra gerða er oft nákvæmari og traustari en í einu líkani.

Ein tegund hópnáms kallast boosting. Í þessari aðferð eru líkönin byggð í röð og hvert líkan leiðréttir villur þess fyrra.

Hækkun halla

Stigulsaukning er öflug vélræn námsaðferð sem þú getur notað bæði fyrir aðhvarfsgreiningu (sem er raunin hér) og flokkunarverkefni. Það byggir upp safn veikra líkana (yfirleitt ákvörðunartré) í röð, og hvert líkan einbeitir sér að því að draga úr villum (leifum) sem fyrri líkön gerðu.

Hallaaukning fangar flókin tengsl milli merkja (einnig þekkt sem utanaðkomandi breytur) og inntaksgagna (einnig þekkt sem markbreytan). Hún veitir einnig betri spáframmistöðu en aðrar aðferðir.

Hvernig XGBoost reikniritið virkar

XGBoost er mjög skilvirk og stigstærð útfærsla á stigvaxandi aukningu. Það byggir upp safn ákvörðunartréa til að gera spár. Hér er skref-fyrir-skref útskýring á því hvernig þetta virkar:

1. Upphafsstillið spár.

   • Verkefni – Byrjaðu á því að spá fyrir um grunngildi fyrir öll tilvik.
   • Tilgangur – Grunngildið er yfirleitt meðaltal markbreytunnar fyrir aðhvarfsgreiningu eða log-líkurnar fyrir flokkun.

2. Reiknaðu leifar (halla).

   • Verkefni – Reiknaðu leifar eða halla, sem tákna muninn á spáðum og raunverulegum gildum.
   • Tilgangur – Þessar leifar þjóna sem villumerki sem líkanið reynir að lágmarka.

3. Passaðu ákvörðunartré.

   • Verkefni – Þjálfaðu nýtt ákvörðunartré með því að nota leifar (halla) sem markmiðsgildi.

   • Tilgangur – Tréð spáir fyrir um breytingar á spám fyrra líkans.

   • Helstu upplýsingar

     • XGBoost notar gráðugan reiknirit til að skipta gögnunum.
     • Skiptingar eru valdir út frá styrknum í markmiðsfallinu, sem er reglulegt til að forðast ofpassun.

4. Reglufestu vöxt trjáa.

   • Verkefni – Beita takmörkunum til að koma í veg fyrir ofþjálfun.

   • Tilgangur – Reglugerð hjálpar til við að alhæfa líkanið og viðhalda frammistöðu á óséðum gögnum.

   • Aðferðir

     • Trjádýpt – Takmarka hámarksdýpt trjáa.
     • Laufþyngdir – Refsaðu of flóknum trjám með því að bæta við reglusetningarliðum.
     • Lágmarks skiptingaraukning – Leyfðu skiptingu aðeins ef lágmarks bæting á tapfallinu verður.

5. Uppfærðu spár.

   • Verkefni – Stilltu spár með því að bæta við úttökum nýja trésins.
   • Tilgangur – Þetta skref dregur úr villunni smám saman.

6. Endurtaktu ferlið.

   • Verkefni – Endurtaktu skref 2 til 5 til að bæta við fleiri trjám í röð.

   • Tilgangur – Hvert tré dregur úr leifum og bætir því smám saman líkanið.

   • Stöðvunarskilyrði

     • Fastur fjöldi trjáa er innleiddur í reikniriti Demand planning appsins.
     • Það er engin marktæk framför í tapfallinu (samleitni).

7. Sameinaðu tré til að fá lokaspá.

   • Verkefni – Safna saman úttökum allra trjáa til að búa til endanlega spá.
   • Tilgangur – Hvert tré leggur sitt af mörkum til lokaútkomunnar. Því myndast samspilsáhrif.

Sérsniðið Azure Machine Learning reiknirit

Ef þú ert með sérsniðið Azure Machine Learning reiknirit sem þú vilt nota með spálíkönum þínum, geturðu notað það í eftirspurnaráætlun.