Oversikt over behovsprognose

Artikkel
03/08/2023

Behovsprognose brukes til å forutse uavhengig behov fra salgsordrer og avhengig behov på et hvilket som helst frakoblingspunkt for kundeordrer. Reglene for utvidet behovsprognosereduksjon er en ideell løsning for massetilpasning.

For å generere basislinjeprognosen sendes et sammendrag av historiske transaksjoner til en Microsoft Azure Machine Learning-tjeneste med Azure som vert. Fordi denne tjenesten ikke er delt mellom brukere kan den lett tilpasses for å dekke bransjespesifikke behov. Du kan bruke Supply Chain Management for å visualisere prognosen, justere prognosen og vise nøkkelytelsesindikatorer (KPI-er) om prognosenøyaktighet.

Notat

Microsoft Azure Machine Learning Studio (klassisk) kreves for prognosegenerering med maskinlæring. Per 1. desember 2021 kan du ikke opprette nye Machine Learning Studio-ressurser (klassisk). Du vil imidlertid kunne fortsette å bruke dine eksisterende Machine Learning Studio-ressurser (klassisk) frem til 31. august 2024. Hvis du vil ha oppdatert informasjon, kan du se Azure Machine Learning Studio.

Dynamics 365 Supply Chain Management versjon 10.0.23 og senere støtter det nye Azure Machine Learning Studio.

Nøkkelfunksjoner for behovsprognose

Her er noen av de viktigste funksjonene i behovsprognose:

Generere en statistisk basislinjeprognose som er basert på historiske data.
Bruke et dynamisk sett med prognosedimensjoner.
Visualisere behovstrender, konfidensintervaller og justeringer av prognosen.
Autorisere den justerte prognosen som skal brukes i planleggingsprosesser.
Fjerne utestående.
Opprette målinger av prognosenøyaktighet.

Viktige temaer i behovsprognose

Tre viktige temaer er implementert i behovsprognose:

Modularitet – behovsprognose er modulær og enkel å konfigurere. Du kan aktivere eller deaktivere funksjonen ved å endre konfigurasjonsnøkkelen på Handel > Lagerprognose > Behovsprognose.
Gjenbruk av Microsoft-stakken – Machine Learning, som nå er en del av Microsoft Cortana Analytics Suite, lar deg raskt og enkelt opprette prediksjonsanalyseeksperimenter, for eksempel behovsanslagseksperimenter, ved hjelp av algoritmene R eller Python programmeringsspråk og et enkelt dra-og-slipp-grensesnitt.
- Du kan laste ned behovsprognoseeksperimenter, endre dem slik at de overholder dine forretningskrav, publisere dem som en webtjeneste på Azure og bruke dem til å generere behovsprognoser. Eksperimentene er tilgjengelige for nedlasting hvis du har kjøpt et abonnement for Supply Chain Management for en produksjonsplanlegger som bruker på virksomhetsnivå.
- Du kan laste ned de tilgjengelige behovsprediksjonseksperimentene fra Cortana Analytics Gallery. Mens behovsprognoseeksperimenter automatisk er integrert med Supply Chain Management, må kunder og partnere håndtere integreringen av eksperimenter de laster ned fra Cortana Analytics Gallery. Derfor er ikke eksperimenter fra Cortana Analytics Gallery like enkle å bruke som behovsprognoseeksperimenter for Finance and Operations. Du må endre koden for eksperimentene slik at de bruker Finance and Operations Application Programming Interface (API).
- Du kan opprette dine egne eksperimenter i Microsoft Azure Machine Learning Studio (klassisk), publisere dem som tjenester på Azure og bruke dem til å generere behovsprognoser.
- Hvis du ikke trenger høy ytelse, eller hvis du ikke krever at en stor mengde data skal behandles, kan du bruke gratisnivået for Machine Learning. Det anbefales at du alltid starter fra dette nivået, spesielt ved implementerings- og testfaser. Hvis du trenger høyere ytelse og ekstra lagringsplass, kan du bruke standardnivået for Machine Learning. Dette nivået krever et abonnement på Azure og omfatter ekstra kostnader. For opplysninger om priser for Machine Learning kan du se Machine Learning Studio-priser.
Prognosereduksjon på et hvilket som helst frakoblingspunkt – Behovsprognose bygger på denne funksjonaliteten, som lar deg prognostisere både avhengig og uavhengig behov på et hvilket som helst frakoblingspunkt.

Grunnleggende flyt i behovsprognose

Diagrammet nedenfor viser grunnleggende flyt i behovsprognose.

Generering av behovsprognose starter i Supply Chain Management. Historiske transaksjonsdata fra Supply Chain Management-transaksjonsdatabasen samles inn og fyller ut en oppsamlingstabell. Denne oppsamlingstabellen mates senere til en Machine Learning-tjeneste. Ved å utføre minimal tilpassing kan du koble ulike datakilder til oppsamlingstabellen. Datakildene kan omfatte Microsoft Excel-filer, kommadelte (CSV)-filer og data fra Microsoft Dynamics AX 2009 og Microsoft Dynamics AX 2012. Derfor kan du generere behovsprognoser som vurderer historiske data som er spredt mellom flere systemer. Hoveddata, for eksempel elementnavn og enheter, må imidlertid være de samme på tvers av ulike datakilder.

Hvis du bruker Machine Learning-eksperimentene behovsprognose, ser de etter en beste tilpasning blant tidsserieprognosemetoder for å beregne en basislinjeprognose. Parameterne for disse prognosemetodene styres i Supply Chain Management.

Prognosene, historiske data og eventuelle endringer som ble gjort i behovsprognosene i tidligere gjentakelser, er deretter tilgjengelige i Supply Chain Management.

Du kan bruke Supply Chain Management til å visualisere og endre basislinjeprognosene. Manuelle justeringer må være autorisert før prognosene kan brukes til planlegging.

Begrensninger

Behovsprognose er et verktøy som hjelper kunder i fabrikasjonsbransjen med å opprette prognoseprosesser. Det tilbyr kjernefunksjonaliteten for en behovsprognoseløsning og er utformet slik at det kan enkelt utvides. Behovsprognose egner seg kanskje ikke best for kunder i bransjer som handel, engros, lager, transport eller andre profesjonelle tjenester.

Behovsprognose, variantkonverteringsbegrensning

Måleenhet (Unit) per variantkonvertering støttes ikke fullt ut ved generering av behovsprognoser hvis lagermåleenhet for lager er forskjellig fra måleenhet for behovsprognose.

Generering av prognose (Måleenhet for lager > Måleenhet for behovsprognose) bruker måleenhetkonvertering for produkt. Når historiske data lastes inn for generering av behovsprognose, brukes alltid måleenhetkonvertering for produktnivå ved konvertering fra måleenhet for lager til måleenhet for behovsprognose, selv om det finnes konverteringer som er definert på variantnivået.

Den første delen av autorisasjonsprognosen (Måleenhet for behovsprognose > Måleenhet for lager) bruker måleenhetkonvertering for produkt. Den andre delen av autorisasjonsprognosen (Måleenhet for lager > Måleenhet for salg) bruker måleenhetkonverteringen for variant. Når den genererte behovsprognosen er autorisert, utføres konverteringen til måleenhet for lager fra måleenhet for behovsprognose ved hjelp av måleenhetskonvertering på produktnivå. Samtidig vil konvertering mellom lagerenhet og måleenhet for salg respektere konverteringer definert på variantnivå.

Notat

Måleenhet for behovsprognose trenger ikke å ha noen bestemt betydning. Den kan defineres som Behovsprognoseenhet. For hver av produktene kan du definere at konverteringen skal være 1:1 med måleenhet for lager.

Del via