Overzicht van vraagprognose

Artikel
07/16/2024

Tip

Dit artikel beschrijft de functie voor vraagprognose die in Microsoft is ingebouwd Dynamics 365 Supply Chain Management. Voor een nog betere planning en prognoseervaring is het raadzaam om Demand Planning uit te proberen in Microsoft. Dit is de volgende vraagplanningsoplossing van Microsoft Dynamics 365 Supply Chain Management. Zie de startpagina Vraagplanning voor meer informatie.

Vraagprognoses worden gebruikt om onafhankelijke vraag van verkooporders en afhankelijke vraag op ontkoppelingspunten voor klantorders te voorspellen. De verbeterde vraagprognosereductieregels bevatten een ideale oplossing voor massa-aanpassing.

Om de basislijnprognose te maken, wordt een overzicht van historische transacties doorgegeven aan Microsoft Azure Machine Learning dat op Azure wordt gehost. Omdat deze service niet onder gebruikers wordt gedeeld, kan deze eenvoudig worden aangepast om aan branchespecifieke vereisten te voldoen. U kunt Supply Chain Management gebruiken om de prognose te visualiseren, de prognose aan te passen en KPI's (Key Performance Indicators) over prognosenauwkeurigheid te bekijken.

Notitie

Microsoft Azure Machine Learning Studio (klassiek) is vereist voor het genereren van prognoses met machine learning. Vanaf 1 december 2021 kunt u geen nieuwe resources maken voor Machine Learning Studio (klassiek). U kunt uw bestaande resources voor Machine Learning studio (klassiek) echter blijven gebruiken tot 31 augustus 2024. Zie Azure Machine Learning Studio voor bijgewerkte informatie.

Dynamics 365 Supply Chain Management versie 10.0.23 en hoger biedt ondersteuning voor de nieuwe Azure Machine Learning Studio.

Belangrijkste functies van vraagprognose

Hier volgen enkele hoofdlijnen van vraagprognose:

Een statistische basislijnprognose genereren die op historische gegevens is gebaseerd.
Gebruik een dynamische set van prognosedimensies.
Visualiseer de vraagtendensen, betrouwbaarheidsintervallen, en correcties van de prognose.
De gecorrigeerde prognose autoriseren die wordt gebruikt in planningsprocessen.
Verwijder uitschieters.
Metingen maken van prognosenauwkeurigheid.

Belangrijke thema's in vraagprognose

Drie belangrijke thema's zijn geïmplementeerd in vraagprognose:

Modulariteit – Vraagprognose is modulair en eenvoudig te configureren. U kunt de functionaliteit in- en uitschakelen door de configuratiesleutel te wijzigen via Handel > Voorraadprognose > Vraagprognose.
Hergebruik van de Microsoft-stack: met Machine Learning, dat nu deel uitmaakt van het pakket Microsoft Cortana Analytics, kunt u snel en eenvoudig voorspellende analyse-experimenten, zoals vraagschattingsexperimenten, maken door algoritmen R of Python-programmeertalen en een eenvoudige interface met slepen-en-neerzetten te gebruiken.
- U kunt de experimenten voor vraagprognoses downloaden, ze aanpassen om uw bedrijfsbehoeften te voldoen, ze publiceren als een webservice op Azure, en ze gebruiken om vraagprognoses te genereren. De experimenten kunnen worden gedownload als u een Supply Chain Management-abonnement hebt aangeschaft voor een productieplanner als gebruiker op ondernemingsniveau.
- U kunt alle beschikbare experimenten voor vraagprognoses downloaden uit de Cortana Analytics Gallery. De experimenten voor vraagprognose worden automatisch geïntegreerd met Supply Chain Management, maar klanten en partners moeten de experimenten die ze van Cortana Analytics Gallery downloaden zelf integreren. Daarom zijn experimenten van de Cortana Analytics Gallery niet zo gemakkelijk te gebruiken als de experimenten voor vraagprognose in apps voor financiën en bedrijfsactiviteiten. U moet de code van de experimenten wijzigen zodat ze de API (Application Programming Interface) voor apps voor financiën en bedrijfsactiviteiten gebruiken.
- U kunt uw eigen experimenten maken in Microsoft Azure Machine Learning Studio (klassiek), ze publiceren als services op Azure en ze gebruiken om vraagprognoses te genereren.
- Als u geen hoge prestaties nodig hebt of het niet nodig is dat een grote hoeveelheid gegevens wordt verwerkt, kunt u de gratis laag van Machine Learning gebruiken. We raden u altijd van dit niveau te starten, met name tijdens de fasen voor implementatie en testen. Als u betere prestaties en extra opslag nodig hebt, kunt u de standaardlaag van Machine Learning gebruiken. Deze laag vereist een Azure-abonnement en brengt extra kosten met zich mee. Voor details over Machine Learning-prijzen raadpleegt u Machine Learning Studio-prijzen.
Prognosereductie op elk ontkoppelingspunt - Vraagprognoses in builds maken gebruik van deze functionaliteit, waarmee u prognoses van afhankelijke en onafhankelijke vraag kunt maken op elk ontkoppelingspunt.

Basisstroom vraagprognose

Het volgende schema geeft de basisstroom voor vraagprognose weer.

Het genereren van vraagprognoses begint in Supply Chain Management. De historische transactiegegevens uit de Supply Chain Management-transactiedatabase worden verzameld en ingevuld in een faseringstabel. Deze faseringstabel wordt later ingevoerd voor een Machine Learning-service. Door minimale aanpassing uit te voeren kunt u verschillende gegevensbronnen in de faseringstabel invoeren. De gegevensbronnen kunnen Microsoft Excel-bestanden bevatten, CSV-bestanden (bestanden met door komma's gescheiden waarden) en gegevens uit Microsoft Dynamics AX 2009 en Microsoft Dynamics AX 2012. U kunt daarom vraagprognoses genereren waarin historische gegevens worden meegenomen die over meerdere systemen worden verspreid. De hoofdgegevens, zoals artikelnamen en maateenheden, moeten echter hetzelfde zijn over de diverse gegevensbronnen.

Als u de Vraagprognose Machine Learning-experimenten gebruikt, zoeken ze een best passende uit vijf tijdreeksprognosemethoden om een basislijnprognose te berekenen. De parameters voor deze prognosemethoden worden beheerd in Supply Chain Management.

De prognoses, historische gegevens en eventuele wijzigingen die in de vorige versies van vraagprognoses zijn gemaakt, zijn vervolgens beschikbaar in Supply Chain Management.

U kunt Supply Chain Management gebruiken om de basislijnprognoses te visualiseren en te wijzigen. Handmatige correcties moeten worden geautoriseerd voordat de prognoses voor planning kunnen worden gebruikt.

Beperkingen

Vraagprognose is een hulpmiddel dat klanten helpt bij prognoseprocessen in de productie-industrie. De basisfunctionaliteit van een vraagprognoseoplossing wordt geboden en is zo ontworpen dat het gemakkelijk kan worden uitgebreid. Vraagprognose is mogelijk niet het meest geschikt voor klanten in bedrijfstakken zoals commerce, groothandel, magazijnbeheer, transport of andere professionele services.

Beperking voor variantconversie van de vraagprognose

Maateenheid per variantconversie wordt niet volledig ondersteund bij het genereren van vraagprognose als de voorraadmaateenheid verschilt van de maateenheid van de vraagprognose.

Prognose genereren (Maateenheid voorraad > Eenheid vraagprognose) gebruikt omrekening van de producteenheid. Bij het laden van historische gegevens voor het genereren van de vraagprognose wordt de eenheidsomrekening op productniveau altijd gebruikt bij de conversie van de voorraadmaateenheid naar de maateenheid van de vraagprognose, zelfs als er omrekeningen zijn gedefinieerd op het niveau van de variant.

Het eerste deel van de autorisatie voor de prognose (Eenheid vraagprognose > Voorraadeenheid) gebruikt omrekening van de producteenheid. In het tweede gedeelte van autorisatie van de prognose (Voorraadeenheid > Verkoopeenheid) wordt omrekening van de varianteenheid gebruikt. Wanneer de gegenereerde vraagprognose wordt geautoriseerd, wordt de omrekening naar voorraadeenheden vanuit de maateenheid van de vraagprognose uitgevoerd met eenheidsomrekening op productniveau. Tegelijkertijd wordt bij de omrekening tussen de voorraadeenheid en de verkoopeenheid rekening gehouden met de gedefinieerde conversies van het variantniveau.

Notitie

De maateenheid van de vraagprognose hoeft geen specifieke betekenis te hebben. Deze kan worden gedefinieerd als Eenheid vraagprognose. Voor elk van de producten kunt u de omrekening 1:1 definiëren met de voorraadeenheid.

Delen via