Kopīgot, izmantojot

Pieprasījuma prognozēšanas iestatīšana

  • Raksts

Piezīme

Azure Active Directory tagad ir Microsoft Entra ID. Apgūt vairāk

Šajā rakstā ir aprakstīts, kā iestatīt pieprasījuma prognozēšanu.

Krājumu sadalījuma principi

Preču piešķiršanas atslēgas izveido vienumu grupas. Pieprasījuma apjoma prognoze tiek aprēķināta krājumam un tā dimensijām tikai tad, ja uz krājumu attiecas krājumu sadalījuma princips. Šī kārtula tiek izmantota, lai grupētu lielu krājumu skaitu, kas ļauj paātrināt pieprasījuma apjoma prognožu izveidošanu. Prognozes tiek veidotas, pamatojoties tikai uz vēsturiskajiem datiem.

Krājumam un tā dimensijām jābūt iekļautiem tikai vienā krājumu sadalījuma principā, ja krājumu sadalījuma princips tiek izmantots prognozes sagatavošanas laikā.

Lai izveidotu preču piešķiršanas atslēgas un pievienotu tām krājumu vienību (SKU), veiciet šīs darbības.

  1. Dodieties uz Vispārējā plānošana > Iestatījumi > Pieprasījuma prognozēšana > Krājumu sadalījuma principi.

  2. Saraksta rūtī atlasiet krājuma piešķires atslēgu vai izveidojiet jaunu atslēgu, atlasot Jauns darbības rūtī. Jaunās vai atlasītās atslēgas galvenē iestatiet tālāk norādītos laukus.

    • Preču piešķiršanas atslēga – Ievadiet unikālu atslēgas nosaukumu.
    • Nosaukums - Ievadiet atslēgas aprakstošo nosaukumu.

  3. Veiciet vienu no šīm darbībām, lai pievienotu vienumus atlasītajai vienumu piešķiršanas atslēgai vai noņemtu vienumus:

    • Kopsavilkuma cilnē Krājumu piešķire izmantojiet rīkjoslas pogas Jauns un Dzēst, lai pēc nepieciešamības pievienotu vai noņemtu krājumus. Katrai rindai atlasiet preces numuru un pēc vajadzības piešķiriet dimensiju vērtības citās kolonnās. Izvēlieties Displeja izmēri rīkjoslā, lai mainītu dimensiju kolonnu kopu, kas tiek rādīta režģī. (Ģenerējot pieprasījuma apjoma prognozes, kolonnas Procenti vērtība tiek ignorēta.)
    • Ja vēlaties atslēgai pievienot lielu skaitu vienumu, atlasiet Piešķirt vienumus darbību rūtī, lai atvērtu lapu, kurā varat atrast un atlasītajai atslēgai piešķirt vairākus vienumus.

Svarīgi

Gādājiet, lai katrā preču piešķiršanas atslēgā iekļautu tikai atbilstošos vienumus. Nevajadzīgie krājumi var izraisīt izmaksu palielināšanos, ja izmantojat Microsoft Azure algoritmisko mācīšanos.

Starpuzņēmumu plānošanas grupas

Pieprasījuma prognozēšanas laikā var tikt izveidotas starpuzņēmumu prognozes. Programmā Dynamics 365 Supply Chain Management uzņēmumi, kuriem plānošana tiek veikta kopā, tiek grupēti vienā starpuzņēmumu plānošanas grupā. Lai konkretizētu, kurus krājuma sadalījuma principus vajadzētu ņemt vērā katra uzņēmuma pieprasījuma prognozēšanai, saistiet krājuma sadalījuma principu ar starpuzņēmumu plānošanas grupas dalībnieku.

Svarīgi

Plānošanas optimizācija pašlaik neatbalsta starpuzņēmumu plānošanas grupas. Lai veiktu starpuzņēmumu plānošanu, kurā tiek izmantota plānošanas optimizācija, iestatiet vispārējās plānošanas pakešu darbus, kas ietver ģenerālplānus visiem attiecīgajiem uzņēmumiem.

Lai iestatītu starpuzņēmumu plānošanas grupas, veiciet tālāk norādītās darbības.

  1. Pārejiet uz sadaļu Vispārējā plānošana > Iestatījumi > Starpuzņēmumu plānošanas grupas.

  2. Saraksta rūtī atlasiet plānošanas grupu vai izveidojiet jaunu grupu, atlasot Jauns darbības rūtī. Jaunās vai atlasītās grupas galvenē iestatiet tālāk norādītos laukus.

    • Nosaukums - Ievadiet unikālu plānošanas grupas nosaukumu.
    • Apraksts — ievadiet plānošanas grupas īsu aprakstu.

  3. Kopsavilkuma cilnē Starpuzņēmumu plānošanas grupas dalībnieki izmantojiet rīkjoslas pogas, lai pievienotu rindu katram uzņēmumam (juridiskajai personai), kuram vajadzētu būt daļai no grupas. Katrā rindā iestatiet tālāk norādītos laukus:

    • Juridiska persona – Atlasiet uzņēmuma (juridiskas personas) nosaukumu, kas ir atlasītās grupas dalībnieks.
    • Plānošanas secība – piešķiriet secību, kādā uzņēmums ir jāapstrādā attiecībā pret citiem uzņēmumiem. Vispirms tiek apstrādātas zemās vērtības. Šis pasūtījums var būt svarīgs, ja pieprasījums pēc viena uzņēmuma ietekmē citus uzņēmumus. Šādos gadījumos uzņēmums, kas piegādā pieprasījumu, ir jāapstrādā pēdējais.
    • Vispārējais plāns atlasiet vispārējo plānu, ko aktivizēt pašreizējam uzņēmumam.
    • Automātiska kopēšana statiskā plānā – atzīmējiet šo izvēles rūtiņu, lai kopētu plāna rezultātu statiskajā plānā.
    • Automātiska kopēšana dinamiskā plānā – atzīmējiet šo izvēles rūtiņu, lai kopētu plāna rezultātu dinamiskajā plānā.

  4. Ja starpuzņēmumu plānošanas grupas dalībniekiem nav piešķirts neviens krājumu sadalījuma princips, pēc noklusējuma pieprasījuma apjoma prognoze tiek aprēķināta visiem krājumiem, kas ir piešķirti visiem krājumu sadalījuma principiem visiem uzņēmumiem. Papildu filtrēšanas opcijas uzņēmumiem un preču piešķiršanas atslēgas ir pieejamas dialoglodziņā Ģenerēt statistikas bāzes prognozi (Pamatplānošana > Prognozēšana > Pieprasījuma prognozēšana > Ģenerēt statistikas bāzes prognozi). Lai uzņēmumam atlasītajā starpuzņēmumu plānošanas grupā piešķirtu vienumu piešķiršanas atslēgas, atlasiet uzņēmumu un pēc tam ātrā cilnē Starpuzņēmumu plānošanas grupas dalībnieki atlasiet Preču piešķiršanas atslēgas rīkjoslā.

Papildinformāciju skatiet starpuzņēmumu plānošanas grupās pieprasījuma prognozēšanai.

Svarīgi

Gādājiet, lai katrā starpuzņēmumu plānošanas grupā iekļautu tikai atbilstošas vienumu piešķires atslēgas. Nevajadzīgie krājumi var izraisīt izmaksu palielināšanos, ja izmantojat Azure algoritmisko mācīšanos.

Pieprasījuma prognozēšanas parametru iestatīšana

Izmantojiet lapu Pieprasījuma prognozēšanas parametri, lai iestatītu vairākas opcijas, kas kontrolē pieprasījuma prognozēšanas darbību jūsu sistēmā.

Pieprasījuma prognozēšanas parametru lapas atvēršana

Lai iestatītu pieprasījuma prognozēšanas parametrus, dodieties uz Galvenā plānošana > Iestatījumi > Prognozes pieprasīšana > Prognozes parametru pieprasīšana. Tā kā pieprasījuma prognozēšana ietver starpuzņēmumus, iestatījumiem ir globāla nozīme. Tas nozīmē, ka iestatījumi attiecas uz visām juridiskajām personām (uzņēmumiem).

Vispārīgie iestatījumi

Izmantojiet lapas Pieprasījuma prognozēšanas parametri cilni Vispārīgi, lai definētu vispārīgus pieprasījuma prognozēšanas iestatījumus.

Pieprasījuma apjoma prognozes vienība

Pieprasījuma prognozēšanas laikā tiek ģenerēta daudzumu prognoze. Tāpēc laukā Pieprasījuma apjoma prognozes vienība ir jānorāda mērvienība, ar kādu ir jāizsaka daudzums. Šis lauks nosaka vienību, kas tiks izmantota visām pieprasījuma prognozēm neatkarīgi no katra produkta parastajām krājumu vienībām. Izmantojot konsekventu prognozes vienumu, jūs palīdzat nodrošināt, ka apkopošanas un īpatsvara izkliede ir loǵiska. Lai iegūtu sīkāku informāciju par apkopojumu un procentuālo iedalījumu, skatiet sadaļu Bāzlīnijas prognozes manuālu korekciju veikšana.

Pārliecinieties, vai uz visām pieprasījuma prognozēšanā iekļautajām noliktavas vienībām izmantotajām mērvienībām attiecas mērvienības un vispārējās prognozēšanas mērvienības konvertēšanas kārtula, kuru šeit atlasāt. Kad tiek palaista prognozes ģenerēšana, tiek reģistrēts to krājumu saraksts, kam nav veikta mērvienības konvertēšana. Tāpēc jūs varat viegli labot iestatījumu. Papildinformāciju par mērvienībām un to konvertēšanu skatiet rakstā Mērvienību pārvaldība.

Darījumu tipi

Izmantojiet laukus kopsavilkuma cilnē Darījumu veidi, lai atlasītu darījumu veidus, kas tiek izmantoti, ģenerējot statistikas bāzes prognozi.

Pieprasījuma prognozēšanu var izmantot, lai prognozētu gan atkarīgu, gan neatkarīgu pieprasījumu. Piemēram, ja tikai opcija Pārdošanas pasūtījums ir iestatīta uz Jā un ja visi pieprasījuma prognozēšanā iekļautie krājumi ir pārdoti, sistēmā tiek aprēķināts neatkarīgais pieprasījums. Tomēr krājumu sadalījuma principiem var pievienot kritiskos apakškomponentus, iekļaujot tos pieprasījuma prognozēšanā. Šajā gadījumā, ja opcija Ražošanas rinda ir iestatīta uz Jā, tiek aprēķināta atkarīgā prognoze.

Varat ignorēt darījumu veidus vienai vai vairākām konkrētu preču piešķiršanas atslēgām, izmantojot cilni Preču piešķiršanas atslēgas. Šajā cilnē ir pieejami līdzīgi lauki.

Izvēlieties, kā izveidot bāzes prognozi

Laukā Prognožu ģenerēšanas stratēģija varat atlasīt metodi, kas tiek izmantota bāzes prognozes izveidei. Ir pieejamas trīs metodes:

  • Kopēt vēsturisko pieprasījumu – izveidojiet prognozes, vienkārši kopējot vēsturiskos datus.
  • Azure mašīnmācīšanās pakalpojums – izmantojiet prognožu modeli, kurā tiek izmantots Azure mašīnmācīšanās pakalpojums. Azure mašīnmācīšanās pakalpojums ir pašreizējais Azure mašīnmācīšanās risinājums. Tāpēc mēs iesakām to izmantot, ja vēlaties izmantot prognožu modeli.
  • Azure mašīnmācīšanās pakalpojums – izmantojiet prognožu modeli, kurā tiek izmantota Azure mašīnmācīšanās studija (klasiskā). Azure Machine Learning studija (klasiskā) ir novecojusi un drīzumā tiks noņemta no Azure. Tāpēc mēs iesakām atlasīt Azure Machine Learning Service, ja pieprasījuma prognozēšanu iestatāt pirmo reizi. Ja pašlaik izmantojat Azure Machine Learning studiju (klasisko), jums vajadzētu pēc iespējas ātrāk pārslēgties uz Azure Machine Learning pakalpojumu.

Varat ignorēt prognozes ģenerēšanas metodi vienai vai vairākām konkrētu preču piešķiršanas atslēgām, izmantojot cilni Preču piešķiršanas atslēgas. Šajā cilnē ir pieejami līdzīgi lauki.

Prognozes algoritma noklusējuma parametru globāla pārlabošana

Noklusējuma prognožu algoritma parametri un vērtības tiek piešķirtas lapā Pieprasījuma prognozēšanas parametri (Galvenā plānošana > Iestatīšana > Pieprasījuma prognozēšana > Pieprasījuma prognozēšanas parametri). Tomēr varat tos ignorēt globāli, izmantojot kopsavilkuma cilni Prognozes algoritma parametrus cilnē Vispārīgi lapā Pieprasījuma prognozēšanas parametri. (Varat arī tos ignorēt konkrētām piešķiršanas atslēgām, izmantojot cilni Preču piešķiršanas atslēgas lapā Pieprasījuma prognozēšanas parametri.)

Izmantojiet rīkjoslas pogas Pievienot un Noņemt, lai izveidotu vajadzīgo parametru pārlabošanas kolekciju. Katram saraksta parametram atlasiet vērtību laukā Nosaukums un laukā Vērtība ievadiet atbilstošo vērtību: Visi parametri, kas šeit nav norādīti, tiks iegūti no iestatījumiem lapā Pieprasījuma prognozēšanas parametri. Papildinformāciju par to, kā izmantot standarta parametru kopu un atlasīt tām vērtības, skatiet sadaļā Noklusējuma parametri un vērtības pieprasījuma prognozēšanas modeļiem.

Prognozes dimensiju iestatīšana

Prognozes dimensija norāda to detalizēto datu līmeni, kam prognoze ir definēta. Uzņēmums, vieta un krājumu sadalījuma atslēga ir obligātas prognozes dimensijas. Prognozes varat ǵenerēt arī noliktavas, krājuma statusa, klientu grupas, klientu konta, valsts/reǵiona, statusa un krājuma, kā arī visu krājuma izmēru līmenī. Lapas Pieprasījuma prognozes parametri cilni Prognozes izmēri var izmantot, lai atlasītu prognozes izmēru kopu, kuru izmantot, kad tiek ǵenerēta pieprasījuma prognoze.

Jebkurā brīdī dimensiju sarakstam var pievienot pieprasījuma prognozēšanā izmantotās prognozes dimensijas. Prognozes dimensijas var arī sarakstā dzēst. Tomēr, ja prognozes dimensija tiek pievienota vai noņemta, tiek zaudētas manuāli veiktās korekcijas.

Iestatīt konkrētu krājumu sadalījuma atslēgu pārlabošanu

No pieprasījuma prognozēšanas perspektīvas uz visiem krājumiem neattiecas vienādi principi. Tāpēc lielākajai daļai iestatījumu, kas ir definēti, varat izveidot piešķiršanas atslēgai specifiskas ignorēšanas Vispārīga informācija cilne. Izņēmums ir pieprasījuma prognožu vienība. Lai iestatītu ignorēšanu noteiktai vienumu piešķiršanas atslēgai, veiciet šīs darbības.

  1. Lapas Pieprasījuma prognozēšanas parametri cilnē Preču piešķiršanas atslēgas izmantojiet rīkjoslas pogas, lai pievienotu vienumu piešķiršanas atslēgas režģim kreisajā pusē vai noņemtu tās, ja nepieciešams. Pēc tam atlasiet piešķiršanas atslēgu, kurai vēlaties iestatīt ignorēšanu.
  2. Kopsavilkuma cilnē Darījumu veidi iespējojiet darījumu veidus, kurus vēlaties izmantot, lai ģenerētu statistikas bāzes prognozi produktiem, kas pieder atlasītajai piešķiršanas atslēgai. Iestatījumi darbojas tāpat kā tie darbojas uz cilni Vispārīgi, bet tie attiecas tikai uz atlasīto vienumu piešķiršanas atslēgu. Visi iestatījumi šeit (Jā vērtības un Nē vērtības) ignorē visus Darījumu veidi iestatījumus cilnē Vispārīgi.
  3. Kopsavilkuma cilnē Prognozes algoritma parametri atlasiet prognožu ģenerēšanas stratēģiju un prognožu algoritma parametru ignorēšanu produktiem, kas pieder atlasītajai piešķiršanas atslēgai. Šie iestatījumi darbojas tāpat kā tie darbojas uz cilni Vispārīgi, bet tie attiecas tikai uz atlasīto vienumu piešķiršanas atslēgu. Izmantojiet rīkjoslas pogas Pievienot un Noņemt, lai definētu vajadzīgo parametru pārlabošanas kolekciju. Katram saraksta parametram atlasiet vērtību laukā Nosaukums un laukā Vērtība ievadiet atbilstošo vērtību: Papildinformāciju par to, kā izmantot standarta parametru kopu un atlasīt tām vērtības, skatiet sadaļā Noklusējuma parametri un vērtības pieprasījuma prognozēšanas modeļiem.

Azure algoritmiskās mācīšanās pakalpojuma savienojuma iestatīšana

Izmantojiet cilni Azure Machine Learning Service, lai iestatītu savienojumu ar Azure Machine Learning Service. Šis risinājums ir viena no bāzes prognozes izveides iespējām. Šie iestatījumi šajā cilnē darbojas tikai tad, ja lauks Prognožu ģenerēšanas stratēģija ir iestatīts uz Azure Machine Learning Service.

Lai iegūtu papildinformāciju par to, kā iestatīt Azure Machine Learning pakalpojumu un pēc tam izmantot šeit esošos iestatījumus, lai ar to izveidotu savienojumu, skatiet sadaļu Iestatiet Azure Machine Learning pakalpojumu.

Azure algoritmiskās mācīšanās studijas (klasiskās) savienojuma iestatīšana

Svarīgi

Azure Machine Learning Studio (klasiskā versija) ir novecojusi. Tāpēc jūs vairs nevarat tai izveidot jaunas darbvietas pakalpojumā Azure. Tas ir aizstāts ar Azure Machine Learning Service, kas nodrošina līdzīgu funkcionalitāti un daudz ko citu. Ja jūs vēl neizmantojat Azure Machine Learning, jums vajadzētu sākt izmantot Azure Machine Learning pakalpojumu. Ja jums jau ir darbvieta, kas tika izveidota programmai Azure Machine Learning Studio (klasiskā), varat turpināt to izmantot, līdz funkcija ir pilnībā noņemta no Azure. Tomēr mēs iesakām pēc iespējas ātrāk atjaunināt uz Azure Machine Learning Service. Lai gan lietojumprogramma turpinās brīdināt, ka Azure Machine Learning Studio (klasiskā versija) ir novecojusi, prognozēšanas rezultāts netiks ietekmēts. Lai iegūtu papildinformāciju par to, kā iestatīt jauno Azure Machine Learning pakalpojumu un to iestatīt, skatiet sadaļu Iestatiet Azure Machine Learning pakalpojumu.

Varat brīvi pārslēgties starp jauno un veco mašīnmācīšanās risinājumu izmantošanu, izmantojot piegādes ķēdes pārvaldību tik ilgi, kamēr ir pieejama vecā Azure Machine Learning Studio (klasiskā) darbvieta.

Ja jums jau ir pieejama Azure Machine Learning studijas (klasiskā) darbvieta, varat to izmantot, lai ģenerētu prognozes, savienojot to ar Supply Chain Management. Šo savienojumu var izveidot, izmantojot cilni Azure Machine Learning lapā Pieprasījuma prognozēšanas parametri. (Šīs cilnes iestatījumi ir spēkā tikai tad, ja lauks Prognožu ģenerēšanas stratēģija ir iestatīts uz Azure Machine Learning.) Ievadiet tālāk norādīto informāciju par savu Azure Machine Learning studijas (klasisko) darbvietu:

  • Tīmekļa pakalpojuma lietojumprogrammas interfeisa (API) atslēga
  • Tīmekļa pakalpojuma galapunkta URL
  • Azure krātuves konta nosaukums
  • Azure krātuves konta atslēga

Piezīme

Azure krātuves konta nosaukums un atslēga ir jānorāda tikai tad, ja tiek izmantots pielāgots krātuves konts. Ja tiek izmantota lokālā versija, ir nepieciešams pielāgots krātuves konts pakalpojumā Azure, lai pakalpojums Algoritmiskā mācīšanās varētu piekļūt vēsturiskajiem datiem.

Pieprasījuma prognozēšanas modeļu noklusējuma parametri un vērtības

Ja prognožu plānošanas modeļu ģenerēšanai izmantojat mašīnmācīšanos, jūs kontrolējat mašīnmācīšanās opcijas, iestatot prognozēšanas algoritma parametru vērtības. Šīs vērtības tiek nosūtītas no Supply Chain Management uz Azure Machine Learning. Izmantojiet lapu Prognozēšanas algoritma parametri, lai kontrolētu, kāda veida vērtības ir jānorāda un kurām vērtībām ir jābūt.

Lai iestatītu noklusējuma parametrus un vērtības, kas izmantotas pieprasījuma prognozēšanas modeļiem, dodieties uz Galvenā plānošana > Iestatīšana > Pieprasījuma prognoze > Prognozes algoritmiskie parametri. Tiek nodrošināts standarta parametru komplekts. Katram parametram ir šādi lauki:

  • Nosaukums – parametra nosaukums, ko izmanto Azure. Parasti šo nosaukumu nevajadzētu mainīt, ja vien neesat pielāgojis eksperimentu Azure Machine Learning.
  • Apraksts – parastā parametra nosaukums. Šis nosaukums tiek izmantots, lai identificētu parametru citās sistēmas vietās (piemēram, lapā Pieprasījuma prognozēšanas parametri).
  • Vērtība – parametra noklusējuma vērtība. Ievadāmā vērtība ir atkarīga no rediģējamā parametra.
  • Paskaidrojums – īss parametra apraksts un tā izmantošana. Šajā aprakstā parasti ir ietverti padomi par derīgām vērtībām laukā Vērtība.

Tālāk norādītie parametri tiek nodrošināti pēc noklusējuma. (Ja jums kādreiz ir jāatgriežas pie šī standarta saraksta, darbību rūtī atlasiet Atjaunot.)

  • Ticamības līmeņa procenti — Ticamības intervāls sastāv no vērtību diapazona, kuras darbojas kā labi pieprasījuma prognozes aptuvenie rezultāti. Ticamības līmenis 95% norāda, ka pastāv 5% risks, ka nākamais pieprasījums nebūs ticamības intervāla diapazonā.

  • Uzspiest sezonalitāti — Konkretizē, vai uzspiest modelim noteikta veida sezonalitātes lietošanu. Šis parametrs attiecas tikai uz objektiem ARIMA un ETS. Opcijas: AUTOMĀTISKS (noklusējuma), NAV, ADITĪVS, MULTIPLIKATĪVS.

  • Prognozēšanas modelis – norāda, kuru prognozēšanas modeli izmantot. Opcijas: ARIMA, ETS, STL, ETS+ARIMA, ETS+STL, ALL. Lai atlasītu atbilstošāko modeli, izmantojiet VISI.

  • Maksimālās prognozētās vērtības — Konkretizē maksimālo vērtību, kuru izmantot prognozēs. Formāts: +1E[n] vai skaitliska konstante.

  • Minimālās prognozētās vērtības — Konkretizē minimālo vērtību, kuru izmantot prognozēs. Formāts: -1E[n] vai skaitliska konstante.

  • Trūkst vērtības aizstājēja — Konkretizē, kā tiek aizpildītas trūkstošās vietas vēsturiskajos datos. Opcijas: (skaitliska vērtība), VIDĒJAIS, IEPRIEKŠĒJAIS, INTERPOLĒTS LINEĀRS, INTERPOLĒTS POLINOMA.

  • Trūkstošais vērtības aizstājēja tvērums — Konkretizē, vai vērtības aizstājējs attiecas tikai uz katras atsevišķās granularitātes atribūta datu diapazonu vai uz visu datu kopu. Datumu diapazona, kuru sistēma izmanto, aizpildot trūkstošās vietas vēsturiskajos datos, izveidošanai ir pieejamas tālāk norādītās opcijas:

    • VISPĀRĪGI — Sistēma izmanto pilno visu granularitātes atribūtu datumu diapazonu.
    • HISTORY_DATE_RANGE – Sistēma izmanto konkrētu datumu diapazonu, kas dialoglodziņa Ģenerēt statistisko bāzlīnijas prognozi lauka grupā Vēsturiskais horizonts definēts laukos Datums no un Datums līdz.
    • GRANULARITY_ATTRIBUTE — Sistēma izmanto pašlaik apstrādātā granularitātes atribūta datumu diapazonu.

    Piezīme

    Granularitātes atribūts ir prognozes izmēru kombinācija, attiecībā pret kuru tiek veikta prognoze. Prognozes izmērus varat definēt lapā Pieprasījuma prognozes parametri.

  • Sezonalitātes norāde — Nodrošina sezonalitātes datu norādi prognozēšanas modelim, lai uzlabotu prognozes precizitāti. Formāts: vesels skaitlis, kas norāda intervālu skaitu, kur tiek atkārtots pieprasījuma modelis. Piemēram, ievadiet 6 datiem, kas atkārtojas ik pēc sešiem mēnešiem.

  • Testa kopas izmēra procentuālais daudzums — Vēsturisko datu īpatsvars, kurus jāizmanto kā prognozes precizitātes aprēķina testa kopa.

Šo parametru vērtības varat pārrakstīt, dodoties uz Galvenā plānošana > Iestatījumi > Pieprasījuma prognoze > Pieprasījuma prognozes parametri. Lapā Pieprasījuma prognozēšanas parametri varat pārlabot parametrus šādos veidos.

  • Lietojiet cilni Vispārīgi, lai pārlabotu parametrus vispārīgi.
  • Lietojiet cilni Krājuma sadalījuma principi, lai pārlabotu parametrus konkrētiem krājuma sadalījuma principiem. Konkrēta krājumu sadalījuma principa pārlabotos parametrus ietekmē tikai krājumu prognoze, kas ir saistīta ar šo krājumu sadalījuma principu.

Piezīme

Lapā Prognozēšanas algoritma parametri varat izmantot darbības rūts pogas, lai pievienotu parametrus sarakstam vai noņemtu parametrus no saraksta. Tomēr parasti šo pieeju nevajadzētu izmantot, ja vien neesat pielāgojis eksperimentu Azure Machine Learning.

Azure algoritmiskās mācīšanās pakalpojuma iestatīšana

Supply Chain Management aprēķina pieprasījuma prognozes, izmantojot Azure Machine Learning pakalpojumu, kas jums ir jāiestata un jāpalaiž savā Azure abonementā. Šajā sadaļā ir aprakstīts, kā iestatīt Azure Machine Learning pakalpojumu pakalpojumā Azure un pēc tam savienot to ar piegādes ķēdes pārvaldības vidi.

Iespējojiet Azure Machine Learning pakalpojumu funkciju pārvaldībā

Lai varētu izmantot šo līdzekli, sistēmā tas vispirms ir jāieslēdz. Sākot ar Supply Chain Management versiju 10.0.32, šī funkcija ir ieslēgta pēc noklusējuma. Sākot ar Supply Chain Management versiju 10.0.36, šī funkcija ir obligāta, un to nevar izslēgt. Ja izmantojat versiju, kas ir vecāka par versiju 10.0.36, administratori var ieslēgt vai izslēgt šo funkciju, izmantojot opciju Azure Machine Learning Service pieprasījuma prognozēšanai darba vidē Līdzekļu pārvaldība.

Azure algoritmiskās mācīšanās iestatīšana

Lai iespējotu Azure prognožu apstrādei izmantot mašīnmācīšanos, šim nolūkam ir jāiestata Azure mašīnmācīšanās darbvieta. Pastāv divas iespējas.

1. iespēja. Palaidiet skriptu, lai automātiski iestatītu mašīnmācīšanās darbvietu

Šajā sadaļā ir aprakstīts, kā iestatīt mašīnmācīšanās darbvietu, izmantojot automātisko skriptu, ko nodrošina Microsoft. Ja vēlaties, varat manuāli iestatīt visus resursus, izpildot norādījumus sadaļā 2. iespēja. Manuāli iestatiet mašīnmācīšanās darbvietu. Jums nav jāaizpilda abas iespējas.

  1. Vietnē GitHub atveriet Veidnes Dynamics 365 Supply Chain Management pieprasījuma prognozēšanai, izmantojot Azure Machine Learning repozitoriju (repo) un lejupielādējiet šādus failus:

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

  2. Atveriet PowerShell logu un palaidiet quick_setup.ps1 skriptu, ko lejupielādējāt iepriekšējā darbībā. Izpildiet ekrānā redzamos norādījumus. Skripts iestatīs nepieciešamo darbvietu, krātuvi, datu krātuvi (nosaukts workspaceblobdemplan) un aprēķinās resursus.

  3. Veiciet šīs darbības, lai iestatītu workspaceblobdemplan datu krātuvi (izveidoja quick_setup.ps1 skripts) kā noklusējuma datu krātuvi.

    1. Azure Machine Learning studijā navigatorā atlasiet Datu krātuves.
    2. Izvēlieties workspaceblobdemplan datu krātuvi (Azure Blob krātuve tipa krātuve, kas norāda uz demplan-azureml Blob krātuves konteiners).
    3. Atveriet detalizētas informācijas lapu workspaceblobdemplan datu krātuvei un atlasiet Iestatīt kā noklusējuma datu krātuvi.

  4. Azure Machine Learning studijā augšupielādējiet sampleInput.csv failu, kuru lejupielādējāt 1. darbībā, konteinerā ar nosaukumu demplan-azureml. (quick_setup.ps1 skripts izveidoja šo konteineru.) Šis fails ir nepieciešams, lai publicētu konveijeru un ģenerētu testa prognozi. Norādījumus skatiet Augšupielādējiet bloka Blob.

  5. Azure Machine Learning studijā navigatorā atlasiet Piezīmju grāmatas.

  6. Atrodiet tālāk norādīto atrašanās vietu struktūrā Faili: Lietotāji/[pašreizējais lietotājs]/src.

  7. Augšupielādējiet atlikušos četrus failus, ko lejupielādējāt 1. darbībā, vietā, ko atradāt iepriekšējā darbībā.

  8. Izvēlieties tikko augšupielādēto failu api_trigger.py un palaidiet to. Tas izveidos konveijeru, ko var aktivizēt, izmantojot API. (Konveijeri nodrošina veidu, kā sākt prognozēt skriptus no programmas Supply Chain Management.)

  9. Darbvieta ir gatava. Pārejiet uz sadaļu Iestatīt Azure Machine Learning pakalpojuma savienojuma parametrus programmā Supply Chain Management.

2. iespēja: manuāli iestatiet mašīnmācīšanās darbvietu

Šajā sadaļā ir aprakstīts, kā manuāli iestatīt mašīnmācīšanās darbvietu. Šajā sadaļā aprakstītās procedūras ir jāveic tikai tad, ja esat nolēmis nepalaist automātiskās iestatīšanas skriptu, kā aprakstīts sadaļā 1. iespēja: palaist skriptu, lai iestatītu mašīnmācīšanās darbvietu.

1. darbība: izveidot jaunu darbvietu

Izmantojiet šo procedūru, lai izveidotu jaunu mašīnmācīšanās darbvietu.

  1. Pierakstieties Azure portālā.

  2. Atveriet pakalpojumu Mašīnmācīšanās.

  3. Rīkjoslā atlasiet Izveidot, lai atvērtu vedni Izveidot.

  4. Izpildiet vednī sniegtos norādījumus. Strādājot ņemiet vērā tālāk minēto.

    • Izmantojiet noklusējuma iestatījumus, ja vien citos šī saraksta punktos nav ieteikti citi iestatījumi.
    • Noteikti atlasiet ģeogrāfisko reģionu, kas atbilst reģionam, kurā ir izvietots jūsu Supply Chain Management gadījums. Pretējā gadījumā daži jūsu dati var šķērsot reģiona robežas. Papildus informāciju skatīt šīs tēmas turpinājumā, sadaļā Paziņojums par konfidencialitāti.
    • Izmantojiet īpašus resursus, piemēram, resursu grupas, krātuves kontus, konteineru reģistrus, Azure seifus un tīkla resursus.
    • Vedņa lapā Azure Machine Learning pakalpojuma savienojuma parametru iestatīšana jānorāda krātuves konta nosaukums. Izmantojiet kontu, kas paredzēts pieprasījuma prognozēšanai. Pieprasījuma prognozēšanas ievades un izvades dati tiks glabāti šajā krātuves kontā.

Papildinformāciju skatiet tēmā Izveidot darbvietu.

2. darbība: krātuves konfigurēšana

Izmantojiet šo procedūru, lai iestatītu krātuvi.

  1. Vietnē GitHub atveriet Veidnes Dynamics 365 Supply Chain Management pieprasījuma prognozēšanai, izmantojot Azure Machine Learning repozitoriju (repo) un lejupielādējiet failu sampleInput.csv.
  2. Atveriet krātuves kontu, ko izveidojāt sadaļā 1. darbība. Izveidojiet jaunu darbvietu.
  3. Izpildiet norādījumus sadaļā Konteinera izveide, lai izveidotu konteineru ar nosaukumu demplan-azureml.
  4. Augšupielādējiet 1. darbībā lejupielādēto failu sampleInput.csv tikko izveidotajā konteinerā. Šis fails ir nepieciešams, lai publicētu konveijeru un ģenerētu testa prognozi. Norādījumus skatiet Augšupielādējiet bloka Blob.
3. darbība: konfigurējiet noklusējuma datu krātuvi

Izmantojiet šo procedūru, lai iestatītu noklusējuma datu krātuvi.

  1. Azure Machine Learning studijā navigatorā atlasiet Datu krātuves.
  2. Izveidojiet jaunu Azure Blob Storage datu krātuvi, kas norāda uz jūsu izvēlēto demplan-azureml Blob krātuves konteineru, ko izveidojāt sadaļā 2. darbība: krātuves konfigurēšana . (Ja jaunās datu krātuves autentifikācijas veids ir Konta atslēga, norādiet izveidotā krātuves konta atslēgu. Norādījumus skatiet sadaļā Krātuves konta piekļuves atslēgu pārvaldība.)
  3. Padariet savu jauno datu krātuvi par noklusējuma datu krātuvi, atverot tās informāciju un atlasot Iestatīt kā noklusējuma datu krātuvi.
4. darbība: konfigurējiet skaitļošanas resursus

Izmantojiet šo procedūru, lai Azure Machine Learning studijā iestatītu skaitļošanas resursu, lai palaistu prognožu ģenerēšanas skriptus.

  1. Atveriet detalizētas informācijas lapu mašīnmācīšanās darbvietai, kuru izveidojāt sadaļā 1. darbība. Izveidojiet jaunu darbvietu. Atrodiet Studio tīmekļa URL vērtību un atlasiet saiti, lai to atvērtu.

  2. Navigācijas rūtī atlasiet Skaitļošana.

  3. Cilnē Aprēķināt gadījumus atlasiet Jauns, lai atvērtu vedni, kas palīdzēs izveidot jaunu aprēķina gadījumu. Izpildiet ekrānā redzamos norādījumus. Aprēķina instance tiks izmantota, lai izveidotu pieprasījuma prognozēšanas konveijeru (to var dzēst pēc konveijera publicēšanas.) Izmantojiet noklusējuma iestatījumus.

  4. Cilnē Aprēķināt klasterus atlasiet Jauns, lai atvērtu vedni, kas palīdzēs izveidot jaunu aprēķina klasteri. Izpildiet ekrānā redzamos norādījumus. Aprēķinu klasteris tiks izmantots pieprasījuma prognožu ģenerēšanai. Tā iestatījumi ietekmē veiktspēju un darbības maksimālo paralelizācijas līmeni. Iestatiet tālāk norādītos laukus, bet visiem pārējiem laukiem izmantojiet noklusējuma iestatījumus:

    • Nosaukums – ievadiet e2ecpucluster.
    • Virtuālās mašīnas lielums – pielāgojiet šo iestatījumu atbilstoši datu apjomam, ko plānojat izmantot kā ievadi pieprasījuma prognozēšanai. Mezglu skaits nedrīkst pārsniegt 11, jo viens mezgls ir nepieciešams, lai aktivizētu pieprasījuma prognožu ģenerēšanu, un maksimālais mezglu skaits, ko pēc tam var izmantot prognozes ģenerēšanai, ir 10. (Mezglu skaitu iestatīsiet arī failā parameters.py sadaļā 5. darbība: izveidojiet konveijerus.) Katrā mezglā darbosies vairāki darbinieka procesi, kuros prognozēšanas skripti tiks darbināti paralēli. Kopējais darbinieku procesu skaits jūsu darbā būs mezglam piederošo kodolu skaits × mezglu skaits. Piemēram, ja jūsu skaitļošanas klastera veids ir Standard_D4 (astoņi kodoli) un ne vairāk kā 11 mezgli, un, ja nodes_count vērtība ir iestatīta uz 10 failā parameters.py, efektīvais paralēlisma līmenis ir 80.
5. darbība: izveidojiet konveijerus

Konveijeri nodrošina veidu, kā sākt prognozēt skriptus no programmas Supply Chain Management. Lai izveidotu nepieciešamos konveijerus, izmantojiet šādu procedūru.

  1. Vietnē GitHub atveriet Veidnes Dynamics 365 Supply Chain Management pieprasījuma prognozēšanai, izmantojot Azure Machine Learning repozitoriju un lejupielādējiet šādus failus:

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

  2. Azure Machine Learning studijā navigatorā atlasiet Piezīmju grāmatas.

  3. Atrodiet tālāk norādīto atrašanās vietu struktūrā Faili: Lietotāji/[pašreizējais lietotājs]/src.

  4. Augšupielādējiet četrus failus, ko lejupielādējāt 1. darbībā, vietā, ko atradāt iepriekšējā darbībā.

  5. Programmā Azure atveriet un pārskatiet parameters.py failu, kuru tikko augšupielādējāt. Pārliecinieties, vai nodes_count vērtība ir par vienu mazāka par vērtību, ko konfigurējāt aprēķinu klasterim sadaļā 4. darbība: konfigurējiet skaitļošanas resursus. Ja nodes_count vērtība ir lielāka vai vienāda ar mezglu skaitu skaitļošanas klasterī, konveijera izpildi varētu sākt. Tomēr tas pārtrauks reaģēt, gaidot nepieciešamos resursus. Lai iegūtu papildinformāciju par mezglu skaitu, skatiet sadaļā 4. darbība: konfigurējiet skaitļošanas resursus.

  6. Izvēlieties tikko augšupielādēto failu api_trigger.py un palaidiet to. Tas izveidos konveijeru, ko var aktivizēt, izmantojot API.

Jaunas Active Directory programmas iestatīšana

Active Directory lietojumprogramma ir nepieciešama, lai autentificētos ar resursiem, kas paredzēti pieprasījuma prognozēšanai, izmantojot pakalpojuma pamata konfigurāciju. Tāpēc lietojumprogrammai ir jābūt zemākajam privilēģiju līmenim, kas nepieciešams prognozes ģenerēšanai.

  1. Pierakstieties Azure portālā.

  2. Reģistrējiet jaunu programmu nomnieka kontā Microsoft Entra ID. Norādījumus skatiet Izmantot portālu, lai izveidotu Microsoft Entra lietojumprogrammu un pakalpojuma pamata konfigurāciju, kas var piekļūt resursiem.

  3. Izpildiet vednī sniegtos norādījumus. Lietojiet noklusējuma iestatījumus.

  4. Piešķiriet savai jaunajai Active Directory lietojumprogrammai piekļuvi tālāk norādītajiem resursiem, ko izveidojāt sadaļā Iestatiet mašīnmācīšanos pakalpojumā Azure. Norādījumus skatiet Piešķirt Azure lomas, izmantojot Azure portālu. Šī darbība ļaus sistēmai importēt un eksportēt prognozēšanas datus un aktivizēt mašīnmācīšanās konveijera darbību no programmas Supply Chain Management.

    • Līdzstrādnieka loma mašīnmācīšanās darbvietā
    • Līdzstrādnieka loma īpašā krātuves kontā
    • Storage Blob Data Contributor loma īpašā krātuves kontā

  5. Izveidotā pieteikuma sadaļā Sertifikāti & noslēpumi izveidojiet pieteikumam noslēpumu. Norādījumus skatiet sadaļā Klienta noslēpuma pievienošana.

  6. Pierakstiet lietojumprogrammas ID un tā noslēpumu. Detalizēta informācija par šo lietojumprogrammu būs nepieciešama vēlāk, kad iestatīsit lapu Pieprasījuma prognozēšanas parametri programmā Supply Chain Management.

Iestatīt Azure Machine Learning pakalpojuma savienojuma parametrus programmā Supply Chain Management

Veiciet tālāk norādītās darbības, lai savienotu savu Supply Chain Management vidi ar mašīnmācīšanās pakalpojumu, ko nupat iestatījāt platformā Azure.

  1. Pierakstieties sistēmā Supply Chain Management.

  2. Pārejiet uz sadaļu Vispārējā plānošana > Iestatījumi > Pieprasījuma prognozēšana > Pieprasījuma prognozēšanas parametri.

  3. Cilnē Vispārīgi pārliecinieties, vai lauks Prognožu ģenerēšanas stratēģija ir iestatīts uz Azure mašīnmācības pakalpojums.

  4. Cilnē Preču piešķiršanas atslēgas pārliecinieties, vai lauks Prognožu ģenerēšanas stratēģija ir iestatīts uz Azure Machine Learning Service katrai piešķiršanas atslēgai, kurai pieprasījuma prognozēšanai jāizmanto Azure mašīnmācīšanās pakalpojums.

  5. Cilnē Azure Machine Learning Service iestatiet šādus laukus:

    • Nomnieka ID — ievadiet sava Azure nomnieka ID. Supply Chain Management izmantos šo ID, lai autentificētos ar Azure Machine Learning Service. Savu nomnieka ID varat atrast Azure portāla lapā Pārskats par Microsoft Entra ID.
    • Pakalpojuma galvenās lietojumprogrammas ID – ievadiet tās lietojumprogrammas ID, kuru izveidojāt sadaļā Active Directory programma . Šo vērtību izmanto, lai autorizētu API pieprasījumus Azure algoritmiskās mācīšanas pakalpojumam.
    • Pakalpojuma pamata konfigurācijas noslēpums – ievadiet tās lietojumprogrammas pakalpojuma pamata konfigurācijas noslēpumu, kuru izveidojāt sadaļā Active Directory programma. Šī vērtība tiek izmantota, lai iegūtu piekļuves pilnvaru pakalpojuma pamata konfigurācijai, kuru izveidojāt, lai veiktu autorizētas darbības ar Azure Storage un Azure Machine Language darbvietu.
    • Krātuves konta nosaukums — ievadiet tā Azure krātuves konta nosaukumu, kuru norādījāt, palaižot iestatīšanas vedni savā Azure darbvietā. (Plašāku informāciju skatiet sadaļā Mašīnmācīšanās iestatīšana platformā Azure.)
    • Konveijera galapunkta adrese — ievadiet konveijera REST galapunkta URL savam Azure Machine Learning pakalpojumam. Jūs izveidojāt šo konveijeru kā pēdējo darbību, kad iestatījāt mašīnmācīšanos pakalpojumā Azure. Lai iegūtu konveijera URL, piesakieties savā Azure portālā, navigācijā atlasiet Konveijeri. Cilnē Konveijers atlasiet konveijera galapunktu ar nosaukumu TriggerDemandForecastGeneration. Pēc tam nokopējiet parādīto REST galapunktu.

    Parametri lapas Pieprasījuma prognozēšanas parametri cilnē Azure Machine Learning pakalpojums.

Paziņojums par konfidencialitāti

Ja kā savu prognožu ģenerēšanas stratēģiju atlasāt Azure Machine Learning pakalpojums, Supply Chain Management automātiski nosūta jūsu klientu datus par vēsturisko pieprasījumu, piemēram, apkopotos daudzumus, produktu nosaukumus un to produktu dimensijas, piegādes un saņemšanas vietas, klientu identifikatorus un arī prognožu parametrus ģeogrāfiskajam reģionam, kurā atrodas jūsu mašīnmācīšanās darbvieta un ar to saistītais krātuves konts, lai prognozētu nākotnes pieprasījumus. Azure mašīnmācīšanās pakalpojums var atrasties citā ģeogrāfiskajā reģionā, nevis ģeogrāfiskajā reģionā, kurā ir izvietota programma Supply Chain Management. Daži lietotāji var kontrolēt, vai šī funkcionalitāte ir iespējota, atlasot prognožu ģenerēšanas stratēģiju lapā Pieprasījuma prognozēšanas parametri.

Papildu resursi