Nota
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare ad accedere o modificare le directory.
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare a modificare le directory.
I modelli di previsione consentono di organizzare e configurare i riquadri per definire la previsione effettuata da un profilo di previsione. Ogni modello presenta un diagramma di flusso che rappresenta graficamente il calcolo eseguito dal modello.
Algoritmi di previsione della domanda
La pianificazione della domanda include tre algoritmi di previsione della domanda più diffusi: auto-ARIMA, ETS e Prophet. L'algoritmo di previsione della domanda utilizzato dipende dalle caratteristiche specifiche dei dati storici.
- Auto-ARIMA funziona meglio quando i dati seguono modelli stabili.
- Errore, tendenza e stagionalità (ETS) rappresentano una scelta versatile per i dati che presentano tendenze o stagionalità.
- Prophet funziona meglio con dati complessi e del mondo reale.
La pianificazione della domanda fornisce inoltre sia un modello più adatto (che seleziona automaticamente il migliore tra gli algoritmi disponibili per ogni combinazione di prodotto e dimensione) sia la possibilità di sviluppare e utilizzare modelli personalizzati.
Comprendendo questi algoritmi e i relativi punti di forza, puoi prendere decisioni informate per ottimizzare la catena di approvvigionamento e soddisfare la domanda dei clienti.
Questa sezione descrive il funzionamento di ciascun algoritmo e l'idoneità degli stessi per diversi tipi di dati storici sulla domanda.
Modello più adatto
Il modello più adatto individua automaticamente quale degli altri algoritmi disponibili (auto-ARIMA, ETS o Prophet) si adatta meglio ai tuoi dati per ogni combinazione di prodotto e dimensione. In questo modo è possibile utilizzare modelli diversi per prodotti diversi. Nella maggior parte dei casi, consigliamo di utilizzare il modello più adatto perché combina i punti di forza di tutti gli altri modelli standard. L'esempio seguente mostra come fare.
Supponiamo di disporre di dati storici di serie temporali sulla domanda che includono le combinazioni di dimensioni elencate nella tabella seguente.
Prodotto | Punto vendita |
---|---|
A | 1 |
A | 2 |
B | 1 |
B | 2 |
Quando si esegue un calcolo previsionale utilizzando il modello Prophet, si ottengono i seguenti risultati. In questo esempio, il sistema utilizza sempre il modello Prophet, indipendentemente dall'errore percentuale assoluto medio (MAPE) calcolato per ciascuna combinazione di prodotto e dimensione.
Prodotto | Punto vendita | modello previsionale | Errore medio assoluto percentuale |
---|---|---|---|
A | 1 | Profeta | 0.12 |
A | 2 | Profeta | 0.56 |
B | 1 | Profeta | 0.65 |
B | 2 | Profeta | 0.09 |
Quando si esegue un calcolo previsionale utilizzando il modello ETS, si ottengono i seguenti risultati. In questo esempio, il sistema utilizza sempre il modello ETS, indipendentemente dal MAPE calcolato per ciascuna combinazione di prodotto e dimensione.
Prodotto | Punto vendita | modello previsionale | Errore medio assoluto percentuale |
---|---|---|---|
A | 1 | ETS | 0.18 |
A | 2 | ETS | 0.15 |
B | 1 | ETS | 0.21 |
B | 2 | ETS | 0.31 |
Quando si esegue un calcolo previsionale utilizzando il modello più adatto, il sistema ottimizza la selezione del modello per ogni combinazione di prodotto e dimensione. La selezione cambia in base ai modelli riscontrati nei dati storici delle vendite.
Prodotto | Punto vendita | Profeta MAPE | Auto-ARIMA MAPE | ETS MAPE | Modello di previsione più adatto | MAPE più adatto |
---|---|---|---|---|---|---|
A | 1 | 0.12 | 0.34 | 0.18 | Profeta | 0.12 |
A | 2 | 0.56 | 0.23 | 0.15 | ETS | 0.15 |
B | 1 | 0.65 | 0.09 | 0.21 | Auto-ARIMA | 0.09 |
B | 2 | 0.10 | 0.27 | 0.31 | Profeta | 0.10 |
Il grafico seguente mostra le previsioni di vendita complessive per tutte le dimensioni (tutti i prodotti in tutti i negozi) nei prossimi nove mesi, calcolate utilizzando tre diversi modelli di previsione. La linea verde rappresenta il modello più adatto. Poiché il metodo Best Fit sceglie il miglior modello di previsione per ogni combinazione di prodotto e dimensione, evita i valori anomali che potrebbero verificarsi forzando un singolo modello su tutte le combinazioni di dimensioni. Di conseguenza, la previsione complessiva più adatta assomiglia a una media delle previsioni del singolo modello.
Legenda:
- Rosso = Solo Profeta
- Blu = Solo ETS
- Verde = Migliore vestibilità
Auto-ARIMA: per il viaggiatore nel tempo
L'algoritmo auto-ARIMA è come una macchina del tempo: ti porta in un viaggio attraverso i modelli di domanda passati in modo da poter fare previsioni informate sul futuro. Auto-ARIMA utilizza una tecnica nota come media mobile integrata autoregressiva (ARIMA). Questa tecnica combina tre componenti chiave: autoregressione, differenziazione e medie mobili. L'algoritmo auto-ARIMA identifica automaticamente la migliore combinazione di questi componenti per creare un modello previsionale adatto ai tuoi dati.
Auto-ARIMA funziona particolarmente bene con i dati di serie temporali che mostrano uno schema stabile nel tempo, come fluttuazioni o tendenze stagionali. Se la tua domanda storica segue un percorso ragionevolmente coerente, auto-ARIMA potrebbe essere il tuo metodo di previsione preferito.
ETS: il modificatore di forme
Errore, tendenza e stagionalità (ETS) è un algoritmo versatile di previsione della domanda che si adatta alla forma dei dati. Può cambiare l'approccio in base alle caratteristiche della tua domanda storica. Pertanto, è adatto per un'ampia gamma di scenari.
Il nome ETS è un'abbreviazione dei tre componenti essenziali in cui l'algoritmo scompone i dati delle serie temporali: errore, tendenza e stagionalità. Comprendendo e modellando questi componenti, ETS genera previsioni che integrano i modelli sottostanti nei dati. Funziona meglio con dati che mostrano chiari modelli stagionali, tendenze o entrambi. Pertanto, è una scelta eccellente per le aziende che hanno prodotti o servizi interessati dalla stagionalità.
Profeta: Il guru visionario delle previsioni
Prophet è stato sviluppato dal team di ricerca di Facebook. È un algoritmo di previsione moderno e flessibile in grado di gestire le sfide dei dati del mondo reale. È particolarmente efficace nel gestire valori mancanti, outlier e modelli complessi.
Prophet funziona scomponendo i dati delle serie temporali in diversi componenti, come tendenza, stagionalità e festività, e quindi adattando un modello a ciascun componente. Questo approccio consente a Prophet di acquisire con precisione le sfumature dei tuoi dati e produrre previsioni affidabili. Prophet è ideale per le aziende con modelli di domanda irregolari o outlier frequenti o per le aziende interessate da eventi speciali come festività o promozioni.
Algoritmo personalizzato di Azure Machine Learning
Se disponi di un algoritmo di Microsoft Azure Machine Learning personalizzato che desideri utilizzare con i tuoi modelli previsionali, puoi utilizzarlo in Demand Planning.
Creare e personalizzare un modello previsionale
Per creare e personalizzare un modello previsionale, devi prima aprire un profilo previsionale esistente. Per ulteriori informazioni, vedi Utilizzare profili di previsione. Puoi quindi personalizzare completamente il modello utilizzato dal profilo selezionato aggiungendo, rimuovendo e disponendo i riquadri e configurando le impostazioni per ciascuno di essi.
Segui questi passaggi per creare e personalizzare un modello previsionale.
- Nel riquadro di navigazione, seleziona Operazioni>Profili di previsione.
- Seleziona il profilo di previsione per il quale desideri creare o personalizzare un modello previsionale.
- Nella scheda Modello previsionale, sarà sempre presente almeno un riquadro (di tipo Input ) nella parte superiore del diagramma di flusso. Il modello viene elaborato dall'alto verso il basso e l'ultimo riquadro deve essere un riquadro di tipo Salva. Aggiungi, rimuovi e disponi i riquadri come necessario e configura le impostazioni per ciascuno di essi. Per le linee guida, vedi l'illustrazione dopo questa procedura.
- Una volta terminata la progettazione del modello previsionale, seleziona il pulsante Convalida
nell'angolo in alto a destra. Il sistema esegue alcuni test per verificare che il modello funzioni e quindi fornisce feedback. Risolvi eventuali problemi segnalati dal test di verifica.
- Continua fino a il tuo modello non è pronto. Quindi, nel riquadro azioni seleziona Salva.
- Se desideri salvare il modello previsionale come preimpostazione, in modo che sia disponibile quando tu e altri utenti create un nuovo profilo di previsione, seleziona il pulsante Salva come modello
nell'angolo in alto a destra.
Nell'illustrazione seguente vengono mostrate le informazioni e i controlli disponibili per i riquadri in un modello previsionale.
Legenda:
Icona del riquadro – Simbolo che rappresenta lo scopo del riquadro.
Tipo di tile – Il tipo di tile. Questo testo in genere descrive il tipo di ruoli, calcoli o altre azioni rappresentati dal riquadro.
Nome riquadro – Il nome applicato al riquadro. A volte, puoi immettere manualmente questo testo nelle impostazioni del riquadro. Tuttavia, in genere indica il valore di una delle impostazioni configurate per il riquadro.
Azioni riquadro – Apre un menu di azioni che puoi eseguire sul riquadro. Sebbene alcune di queste azioni siano specifiche del tipo di riquadro, la maggior parte è comune a tutti i riquadri. Se qualche azione appare in grigio, non può essere utilizzata a causa della posizione corrente del riquadro o per qualche altro motivo contestuale. Di seguito sono riportate alcune azioni comuni disponibili:
- Impostazioni – Apre una finestra di dialogo in cui è possibile configurare le impostazioni per il riquadro.
- Rimuovi – Rimuovi la tessera.
- Sposta su e Sposta giù – Riposiziona il riquadro nel diagramma di flusso.
- Imposta su "Pass Through" – Disattiva temporaneamente un riquadro attualmente abilitato senza eliminarlo né eliminarne le impostazioni.
- Disattiva 'Pass Through' – Riattiva un riquadro attualmente disattivato.
Aggiungi un riquadro – Aggiungi un nuovo riquadro nella posizione selezionata.
Tipi di riquadri di previsione
Questa sezione descrive lo scopo di ciascun tipo di riquadro di previsione. Spiega inoltre come utilizzare e configurare ciascun tipo.
Riquadri Input
I riquadri di input rappresentano le serie temporali che forniscono input al modello di previsione. La serie temporale è quella elencata nella scheda Inclusi della scheda Dati di input. Non puoi modificare il nome.
I riquadri di input hanno un solo campo che puoi impostare: Riempi valori mancanti.
Riquadri Gestisci outlier
I riquadri Gestisci valori anomali identificano e compensano i punti dati anomali nell'input. Questi punti dati sono considerati anomalie che dovrebbero essere ignorate o attenuate per evitare che influiscano sul calcolo della previsione.
I riquadri Gestisci valori anomali hanno i seguenti campi che puoi impostare:
Gestisci valori anomali – Seleziona una delle seguenti opzioni:
- Intervallo interquartile (IQR)
- Decomposizione stagionale e di tendenza utilizzando loess (STL)
Moltiplicatore dell'intervallo interquartile – Questo campo è disponibile solo quando il campo Gestisci valori anomali è impostato su IQR.
Metodi di correzione – Questo campo è disponibile solo quando il campo Gestisci valori anomali è impostato su IQR.
Suggerimento sulla stagionalità – Questo campo è disponibile solo quando il campo Gestisci valori anomali è impostato su STL.
Riquadri Previsione
I riquadri Forecast applicano un algoritmo di previsione selezionato alla serie temporale di input per creare una serie temporale di previsione.
I riquadri Previsione hanno un solo campo che puoi impostare: Tipo di modello. Usalo per selezionare l'algoritmo di previsione da utilizzare. Per ulteriori informazioni su ciascuno degli algoritmi disponibili, vedi la sezione Algoritmi di previsione della domanda. Seleziona uno dei seguenti algoritmi:
- ARIMA – Media mobile integrata autoregressiva
- ETS – Errore, tendenza, stagionalità
- Profeta – Facebook Profeta
- Modello più adatto
Finanza e operazioni: riquadri di Azure Machine Learning
Se stai già utilizzando i tuoi algoritmi di Azure Machine Learning per la previsione della domanda in Supply Chain Management (come descritto in Panoramica sulla previsione della domanda), puoi continuare a utilizzarli mentre utilizzi Demand Planning. Aggiungi semplicemente un riquadro Finanza e operazioni: Azure Machine Learning al modello previsionale anziché un riquadro di previsione.
Per informazioni su come configurare Demand Planning per connettersi agli algoritmi di Azure Machine Learning e usarli, vedi Usare algoritmi personalizzati di Azure Machine Learning in Demand Planning.
Riquadri di introduzione/ritiro graduale
I riquadri Phase in/out modificano i valori di una colonna di dati in una serie temporale per simulare la graduale introduzione di un nuovo elemento (ad esempio un nuovo prodotto o magazzino) o l'eliminazione di un vecchio elemento. Il calcolo di introduzione/eliminazione dura per un periodo specifico e utilizza valori estratti dalla stessa serie temporale (dalla stessa colonna di dati che viene modificata o da un'altra colonna di dati che rappresenta un elemento simile).
I riquadri di inserimento/disinserimento graduale hanno i seguenti campi che puoi impostare:
- passaggio name – Il nome specifico del riquadro. Questo nome viene visualizzato nel diagramma di flusso.
- Descrizione – Una breve descrizione della tessera.
- Creato da – L'utente che ha creato il riquadro.
- Gruppo di regole – Nome del gruppo di regole che definisce il calcolo eseguito dal riquadro.
Quando imposti il modello di previsione, la posizione del riquadro Inserimento/eliminazione graduale influisce sul risultato del calcolo. Per applicare il calcolo di introduzione/eliminazione graduale ai numeri storici delle vendite, inserire il riquadro Inserimento/eliminazione graduale prima del riquadro Previsione (come mostrato sul lato sinistro della seguente illustrazione). Per applicare il calcolo di introduzione/eliminazione graduale al risultato previsto, inserire il riquadro Inserimento/eliminazione graduale dopo il riquadro Previsione (come mostrato sul lato destro della seguente illustrazione).
Per ulteriori informazioni sulla funzionalità di introduzione/eliminazione graduale, inclusi i dettagli su come impostare i gruppi di regole di introduzione/eliminazione graduale, vedere Utilizzare la funzionalità di introduzione/eliminazione graduale per simulare le modifiche pianificate.
Riquadri Salva
I riquadri Salva salvano il risultato del modello di previsione come una serie nuova o aggiornata. Tutti i modelli previsionali devono terminare con un singolo riquadro Salva.
Le serie temporali di previsione verranno salvate in base alle impostazioni che configuri ogni volta che esegui un processo di previsione come descritto in Usare i profili di previsione.