Utform prognosemodeller

Prognosemodeller lar deg ordne og konfigurere fliser for å definere prognosen som er laget av en prognoseprofil. Hver modell viser et flytskjema som grafisk representerer beregningen modellen gjør.

Algoritmer for behovsprognose

Etterspørselsplanlegging inkluderer tre populære algoritmer for etterspørselsprognoser: auto-ARIMA , ETS og profet. Algoritmen for behovsprognose du bruker, avhenger av de bestemte egenskapene til de historiske dataene.

• Auto-ARIMA fungerer best når data følger stabile mønstre.
• Feil, trend og sesongvariasjoner (ETS) er et allsidig valg for data som har trender eller sesongvariasjoner.
• Prophet fungerer best med komplekse data fra virkeligheten.

Behovsplanlegging gir også både en best fit-modell (som automatisk velger det beste av de tilgjengelige algoritmene for hvert produkt og hver dimensjonskombinasjon) og muligheten til å utvikle og bruke dine egne tilpassede modeller.

Når du forstår disse algoritmene og de sterke sidene ved dem, kan du ta informerte beslutninger for å optimalisere forsyningskjeden og dekke kundenes behov.

Denne delen beskriver hvordan hver algoritme fungerer, og hvorvidt den er egnet til ulike typer historiske behovsdata.

Modell som passer best

Best fit-modellen finner automatisk hvilken av de andre tilgjengelige algoritmene (auto-ARIMA, ETS eller Prophet) som passer best til dataene dine for hver kombinasjon av produkt og dimensjon. Dermed kan ulike modeller brukes til ulike produkter. I de fleste tilfeller anbefaler vi å bruke modellen med best passform fordi den kombinerer styrkene til alle de andre standardmodellene. Følgende eksempel viser hvordan.

Anta at du har tidsseriedataene for historisk behov som inneholder dimensjonskombinasjonene som er oppført i tabellen nedenfor.

Produkt	Butikk
A	1
A	2
T	1
T	2

Når du kjører en prognoseberegning ved hjelp av profetmodellen, får du følgende resultater. I dette eksemplet bruker systemet alltid profetmodellen, uavhengig av beregnet gjennomsnittlig absolutt prosentfeil (MAPE) for hver kombinasjon av produkt og dimensjon.

Produkt	Butikk	prognosemodell	MAPE
A	1	Profet	0.12
A	2	Profet	0.56
T	1	Profet	0.65
T	2	Profet	0.09

Når du kjører en prognoseberegning ved hjelp av ETS-modellen, får du følgende resultater. I dette eksemplet bruker systemet alltid ETS-modellen, uavhengig av beregnet MAPE for hver kombinasjon av produkt og dimensjon.

Produkt	Butikk	prognosemodell	MAPE
A	1	ETS	0.18
A	2	ETS	0.15
T	1	ETS	0.21
T	2	ETS	0.31

Når du kjører en prognoseberegning med den beste tilpassingsmodellen, optimaliserer systemet modellvalget for hver kombinasjon av produkt og dimensjon. Utvalget endres basert på mønstre funnet i de historiske salgsdataene.

Produkt	Butikk	Profeten MAPE	Auto-ARIMA MAPE	ETS MAPE	Prognosemodell for best tilpasning	Best passform MAPE
A	1	0.12	0.34	0.18	Profet	0.12
A	2	0.56	0.23	0.15	ETS	0.15
T	1	0.65	0.09	0.21	Auto-ARIMA	0.09
T	2	0.10	0.27	0.31	Profet	0.10

Diagrammet nedenfor viser den samlede salgsprognosen for alle dimensjoner (alle produkter i alle butikker) i løpet av de neste ni månedene, funnet ved hjelp av tre forskjellige prognosemodeller. Den grønne linjen representerer modellen som passer best. Siden den beste tilpassingen velger den beste prognosemodellen for hver kombinasjon av produkt og dimensjon, unngår du avvikene som kan oppstå, ved å tvinge én modell på alle dimensjonskombinasjoner. Som et resultat ligner den samlede beste tilpasningsprognosen et gjennomsnitt av enkeltmodellprognosene.

Forklaring:

• Rød = Eneste profet
• Blå = Bare ETS
• Grønn = Best passform

Auto-ARIMA: Den tidsreisendes fryd

Algoritmen auto-ARIMA er som en tidsmaskin: den tar deg med på en reise gjennom tidligere behovsmønstre, slik at du kan foreta informerte prediksjoner om fremtiden. Auto-ARIMA bruker en teknikk kalt ARIMA (AutoRegressive Integrated Moving Average). Denne teknikken kombinerer tre nøkkelkomponenter: autoregresjon, differensiering og glidende gjennomsnitt. Algoritmen auto-ARIMA finner automatisk den beste kombinasjonen av disse komponentene for å lage en prognosemodell som passer til dataene dine.

Auto-ARIMA fungerer særlig bra med tidsseriedata med et stabilt mønster over tid, for eksempel sesongavhengige svingninger eller trender. Hvis det historiske behovet ditt følger en rimelig konsekvent bane, kan auto-ARIMA være den foretrukne prognosemetoden.

ETS: Utformingsforvandleren

Feil, trend og sesongvariasjoner (ETS) er en allsidig algoritme for etterspørselsprognose som tilpasser seg formen på dataene dine. Den kan endre tilnærmingen sin basert på egenskapene til det historiske behovet ditt. Derfor er den egnet for et bredt spekter av scenarioer.

Navnet ETS er en forkortelse for de tre avgjørende komponentene som algoritmen dekomponerer tidsseriedataene til: feil, trend og sesongavhengighet. Siden ETS forstår og modellerer disse komponentene, genererer det prognoser som fanger opp de underliggende mønstrene i dataene dine. Den fungerer best med data som viser klare sesongmønstre, trender eller begge deler. Den er derfor et utmerket valg for virksomheter som har produkter eller tjenester som påvirkes av sesongen.

Prophet: Den visjonære prognoseguruen

Prophet ble utviklet av forskningsteamet hos Facebook. Det er en moderne og fleksibel prognosealgoritme som kan håndtere utfordringene data fra virkeligheten. Den er særlig effektiv ved håndtering av manglende verdier, avvik og komplekse mønstre.

Prophet fungerer ved å dekomponere tidsseriedataene i flere komponenter, for eksempel trend, sesongavhengighet og helligdager, og deretter tilpasse en modell til hver komponent. Denne tilnærmingen gjør at Prophet kan fange nyansene i dataene nøyaktig og gi pålitelige prognoser. Prophet er ideell for virksomheter som har uregelmessige behovsmønstre eller hyppige avvik, eller virksomheter som berøres av spesielle hendelser, for eksempel helligdager eller kampanjer.

Egendefinert Azure Machine Learning-algoritme

Hvis du har en egendefinert Microsoft Azure maskinlæringsalgoritme som du vil bruke med prognosemodellene, kan du bruke den i behovsplanlegging.

Opprett og tilpass en prognosemodell

For å kunne opprette og tilpasse en prognosemodell, må du først åpne en eksisterende prognoseprofil. (Hvis du vil ha mer informasjon, kan du se Arbeid med prognoseprofiler.) Du kan deretter tilpasse modellen som den valgte profilen bruker, ved å legge til, fjerne og organisere fliser samt konfigurere innstillinger for hver av dem.

Følg disse trinnene for å opprette og tilpasse en prognosemodell.

1. I navigasjonsruten velger du Operasjoner>Prognoseprofiler.
2. Velg prognoseprofilen du vil opprette eller tilpasse en prognosemodell for.
3. I fanen Prognosemodell er det alltid minst én flis (av typen Inndata) øverst i flytdiagrammet. Modellen behandles fra topp til bunn, og den siste flisen må være en flis av typen Lagre. Legg til, fjern og organiser fliser etter behov, og konfigurer innstillinger for hver av dem. Hvis du vil ha retningslinjer, kan du se illustrasjonen etter denne prosedyren.
4. Når du er ferdig å utforme prognosemodellen, velger du Valider-knappen i øvre høyre hjørne. Systemet kjører noen tester for å validere at modellen din kommer til å fungere, og gir deretter tilbakemelding. Løs eventuelle problemer som valideringstesten rapporterer.
5. Fortsett å arbeide til modellen din er klar. I handlingsruten, velg deretter Lagre.
6. Hvis du vil lagre prognosemodellen som en forhåndsinnstilling, slik at den er tilgjengelig når du og andre brukere oppretter en ny prognoseprofil, velger du knappen Lagre som modellmal i øvre høyre hjørne.

Illustrasjonen nedenfor viser informasjonen og kontrollene som er tilgjengelige for fliser i en prognosemodell.

Forklaring:

1. Flisikon – Et symbol som representerer formålet med flisen.

2. Flistype – Flistypen. Denne teksten beskriver vanligvis typen roller, beregninger eller andre handlinger som flisen representerer.

3. Flisnavn – Navnet som brukes på flisen. Du kan av og til skrive inn denne teksten manuelt i innstillingene for flisen. Den indikerer imidlertid vanligvis verdien til en av innstillingene som ble konfigurert for flisen.

4. Flishandlinger – Åpne en meny med handlinger du kan utføre på flisen. Selv om noen av disse handlingene er spesifikke for flistypen, er de fleste felles for alle fliser. Hvis noen handlinger vises nedtonet, kan du ikke bruke dem på grunn av flisens nåværende posisjon eller av en annen kontekstuell årsak. Her er noen vanlige handlinger som er tilgjengelige:

   • Innstillinger – Åpne en dialogboks der du kan konfigurere innstillinger for flisen.
   • Fjern – Fjern flisen.
   • Flytt opp og flytt ned – Flytt flisen på nytt i flytskjemaet.
   • Sett til 'Pass Through' – Deaktiver midlertidig en aktivert flis uten å slette den eller dens innstillinger.
   • Fjern merket for 'Pass Through' – Aktiver en deaktivert flis på nytt.

5. Legg til en flis – Legg til en ny flis på det valgte stedet.

Prognoseflistyper

Denne delen beskriver formålet med hver type prognoseflis. Den forklarer også hvordan du bruker og konfigurerer hver type.

Inndatafliser

Inndatafliser representerer tidsserien som gir inndata til prognosemodellen. Tidsserien er den som er oppført i Inkludert-fanen i Inndata-fanen. Du kan ikke redigere navnet.

Inndatafliser har bare ett felt som du kan angi: Fyll manglende verdier.

Behandle avviksfliser

Håndter uteliggerfliser Identifiser og kompenser for utliggere datapunkter i inndataene. Disse datapunktene betraktes som avvik som bør ignoreres eller jevnes ut for å unngå at de gjør prognoseberegningen villedende.

Håndter uteliggerfliser har følgende felt som du kan angi:

• Håndter avvik – Velg ett av følgende alternativer:

  • Interkvartilbredde (IQR)
  • Sesong- og trendnedbrytning ved bruk av loess (STL)

• Interkvartilområdemultiplikator – Dette feltet er bare tilgjengelig når feltet Håndter avvik er satt til IQR.

• Korrigeringsmetoder – Dette feltet er bare tilgjengelig når feltet Håndter utestengere er satt til IQR.

• Tips om sesongvariasjoner – Dette feltet er bare tilgjengelig når feltet Håndter avvik er satt til STL.

Prognosefliser

Prognosefliser bruker en valgt prognosealgoritme på inndatatidsserien for å opprette en prognosetidsserie.

Prognosefliser har bare ett felt som du kan angi: Modelltype. Bruk den til å velge prognosealgoritmen du vil bruke. Hvis du vil ha mer informasjon om hver av de tilgjengelige algoritmene, kan du se delen Algoritmer for behovsprognose. Velg en av følgende algoritmer:

• ARIMA – Autoregressivt integrert glidende gjennomsnitt
• ETS – Feil, trend, sesongvariasjoner
• Profet – Facebook profet
• Best fit-modell

Økonomi og drift – Azure Machine Learning-fliser

Hvis du allerede bruker dine egne Azure Machine Learning-algoritmer for behovsprognose i forsyningskjede Management (som beskrevet i Oversikt over behovsprognose), kan du fortsette å bruke dem mens du bruker behovsplanlegging. Bare legg flisen Økonomi og drift – Azure Machine Learning i prognosemodellen i stedet for Prognose-flis.

Hvis du vil ha informasjon om hvordan du konfigurerer behovsplanlegging for å koble til og bruke Azure Machine Learning-algoritmer, kan du se Bruke dine egne tilpassede Azure Machine Learning-algoritmer i Demand Planning.

Fase inn/ut-fliser

Innfasingsfliser endrer verdiene i en datakolonne i en tidsserie for å simulere gradvis innfasing av et nytt element (for eksempel et nytt produkt eller lager) eller utfasing av et gammelt element. Inn-/utfasingsberegningen varer i en bestemt periode og bruker verdier som er hentet fra samme tidsserie (enten fra samme datakolonne som justeres, eller fra en annen datakolonne som representerer et lignende element).

Innfasingsfliser har følgende felt som du kan angi:

• trinn navn – Det spesifikke navnet på flisen. Dette navnet vises også i flytskjemaet.
• Beskrivelse – En kort beskrivelse av flisen.
• Opprettet av – brukeren som opprettet flisen.
• Regelgruppe – Navnet på regelgruppen som definerer beregningen som flisen gjør.

Når du definerer prognosemodellen, påvirker plasseringen til flisen Innfasing/ut beregningsresultatet. Hvis du vil bruke beregningen for innfasing/ut på de historiske salgstallene, plasserer du flisen Fase inn/ut foran Prognose-flisen (som vist til venstre i illustrasjonen nedenfor). Hvis du vil bruke inn-/utfasingsberegningen på prognoseresultatet, plasserer du flisen Fase inn/ut etter Prognose-flisen (som vist til høyre i illustrasjonen nedenfor).

Hvis du vil ha mer informasjon om inn-/utfasingsfunksjonalitet, inkludert detaljer om hvordan du konfigurerer regelgruppene for inn/ut innfasing, kan du se Bruke inn-/utfasingsfunksjonalitet til å simulere planlagte endringer.

Lagre-fliser

Lagre fliser Lagre resultatet av prognosemodellen som en ny eller oppdatert serie. Alle prognosemodeller må slutte med én Lagre-flis.

Prognosetidsserien blir lagret i henhold til innstillingene du konfigurerer hver gang du kjører en prognosejobb som beskrevet i Arbeid med prognoseprofiler.