Share via

Configuração da previsão da procura

  • Artigo

Nota

O Azure Active Directory é agora o Microsoft Entra ID. Saber mais

Este artigo descreve como configurar a previsão da procura.

Chaves de alocação de itens

As chaves de alocação de itens estabelecem grupos de itens. Uma previsão da procura será calculada para um item e as suas dimensões apenas se o item fizer parte de uma chave de alocação de itens. A regra é aplicada para agrupar grandes números de itens, para que as previsões da procura possam ser criadas mais rapidamente. As previsões são criadas apenas com base em dados históricos.

Um item e as suas dimensões devem ser parte de apenas uma chave de alocação de itens, caso a chave de alocação de itens seja usada durante a criação da previsão.

Para criar chaves de alocação de itens e adicionar uma unidade de manutenção de inventário (SKU), siga estes passos.

  1. Aceda a Planeamento principal > Configuração > Previsão da procura > Chaves de alocação de itens.

  2. Selecione uma chave de alocação de itens no painel de lista ou selecione Novo no Painel de Ações para criar uma nova. No cabeçalho para a chave nova ou selecionada, defina os seguintes campos:

    • Chave de alocação de itens – Introduza um nome exclusivo para a chave.
    • Nome – Introduza um nome descritivo para a chave.

  3. Siga um destes passos para adicionar itens à chave de alocação de itens selecionada ou remover itens:

    • No Separador Rápido Alocação de itens, utilize os botões Novo e Eliminar na barra de ferramentas para adicionar ou remover itens conforme necessário. Para cada linha, selecione o número do item e, em seguida, atribua os valores de dimensão nas outras colunas, conforme necessário. Selecione Apresentar dimensões na barra de ferramentas para alterar o conjunto de colunas de dimensão mostrado na grelha. (O valor na coluna Percentagem é ignorado quando as previsões da procura são geradas.)
    • Se pretender adicionar um grande número de itens à chave, selecione Atribuir itens no Painel de Ações para abrir uma página na qual pode encontrar e atribuir vários itens à chave selecionada.

Importante

Tenha cuidado para incluir apenas os itens relevantes em cada chave de alocação de itens. Itens desnecessários podem ocasionar o aumento dos custos quando utiliza o Machine Learning do Microsoft Azure.

Grupos de planeamento interempresa

A previsão da procura pode gerar previsões interempresa. No Dynamics 365 Supply Chain Management, as empresas que são planeadas em conjunto são colocadas no mesmo grupo de planeamento interempresa. Para especificar, por empresa, quais chaves de alocação de itens devem ser consideradas para a previsão da procura, associe uma chave de alocação de itens ao membro do grupo de planeamento interempresa.

Importante

De momento, a Otimização do Planeamento não suporta grupos de planeamento interempresa. Para fazer um planeamento interempresa que utilize a Otimização do Planeamento, configure tarefas de lote do planeamento principal que incluem planeamentos principais para todas as empresas relevantes.

Para configurar os seus grupos de planeamento interempresa, siga estes passos.

  1. Aceda a Planeamento principal > Configuração > Grupos de planeamento interempresa.

  2. Selecione um grupo de planeamento no painel de lista ou selecione Novo no Painel de Ações para criar um novo. No cabeçalho para o grupo novo ou selecionado, defina os seguintes campos:

    • Nome – Introduza um nome exclusivo para o grupo de planeamento.
    • Descrição – Introduza uma breve descrição do grupo de planeamento.

  3. No Separador Rápido Membros do grupo de planeamento interempresa, utilize os botões na barra de ferramentas para adicionar uma linha para cada empresa (entidade legal) que deve fazer parte do grupo. Para cada linha, defina os seguintes campos:

    • Entidade legal – Selecione o nome de uma empresa (entidade legal) que seja membro do grupo selecionado.
    • Sequência de agendamento – Atribua a ordem em que a empresa deve ser processada em relação a outras empresas. Os valores baixos são processados primeiro. Esta encomenda pode ser importante quando a procura para uma empresa afeta outras empresas. Nestes casos, a empresa que fornece a procura deve ser processada por último.
    • Plano principal – Selecione o plano principal a ser acionado para a empresa atual.
    • Cópia automática para plano estático – Selecione esta caixa de verificação para copiar o resultado do plano para o plano estático.
    • Cópia automática para plano dinâmico – Selecione esta caixa de verificação para copiar o resultado do plano para o plano dinâmico.

  4. Por predefinição, se nenhuma chave de alocação de itens for atribuída aos membros do grupo de planeamento interempresa, uma previsão da procura será calculada para todos os itens atribuídos a todas as chaves de alocação de itens de todas as empresas. Opções de filtragem adicionais para empresas e chaves de alocação de itens estão disponíveis na caixa de diálogo Gerar previsão de linha de base estatística (Planeamento principal > Previsão > Previsão da procura > Gerar previsão de linha de base estatística). Para atribuir chaves de alocação de itens a uma empresa no grupo de planeamento interempresa selecionado, selecione a empresa e, em seguida, no Separador Rápido Membros do grupo de planeamento interempresa, selecione Chaves de alocação de itens na barra de ferramentas.

Para mais informações, consulte Grupos de planeamento interempresas para previsão da procura

Importante

Tenha cuidado para incluir apenas chaves de alocação de itens relevantes em cada grupo de planeamento interempresa. Itens desnecessários podem ocasionar o aumento dos custos quando utiliza o Azure Machine Learning.

Configurar Parâmetros de previsão da procura

Utilize a página Parâmetros de previsão da procura para configurar várias opções que controlam como a previsão da procura funcionará no seu sistema.

Abrir a página Parâmetros de previsão da procura

Para configurar os parâmetros de previsão da procura, aceda a Planeamento principal > Configuração > Previsão da procura > Parâmetros de previsão da procura. Como a previsão da procura é realizada entre empresas, a configuração é global. Por outras palavras, aplica-se a todas as entidades legais (empresas).

Definições gerais

Utilize o separador Geral da página Parâmetros de previsão da procura para definir as definições gerais para a previsão da procura.

Unidade de previsão da procura

A previsão da procura gera a previsão de quantidades. Portanto, a unidade de medida em que a quantidade deve ser expressa deve ser especificada no campo Unidade de previsão da procura. Este campo define a unidade que será utilizada para todas as previsões da procura, independentemente das unidades de inventário comuns para cada produto. Utilizando uma unidade de previsão consistente, ajuda a garantir que a agregação e a distribuição percentual faça sentido. Para obter mais informações sobre agregação e distribuição percentual, consulte Ajustes manuais na previsão estatística.

Para cada unidade de medida utilizada nas SKUs incluídas na previsão da procura, verifique se há uma regra de conversão para a unidade de medida e a unidade de medida de previsão geral que seleciona aqui. Ao gerar uma previsão, a lista de itens que não têm uma conversão de unidade de medida é registada. Portanto, pode corrigir a configuração com facilidade. Para obter mais informações sobre como unidades de medida e como convertê-las entre si, consulte Gerir unidades de medida.

Tipos de transação

Utilize os campos do Separador Rápido Tipos de transação para selecionar os tipos de transação que são utilizados quando a previsão de linha de base estatística é gerada.

A previsão da procura pode ser utilizada para prever a procura dependente e independente. Por exemplo, se apenas a opção Ordem de venda estiver definida como Sim e se todos os itens considerados na previsão da procura forem itens vendidos, o sistema calculará a procura independente. No entanto, os subcomponentes críticos podem ser adicionados às chaves de alocação de itens e incluídos na previsão da procura. Neste caso, se a opção Linha de produção estiver definida como Sim, uma previsão dependente será calculada.

Pode substituir tipos de transação por uma ou mais chaves de alocação de itens específicas utilizando o separador Chaves de alocação de itens. Esse separador fornece campos semelhantes.

Escolher como criar a previsão de linha de base

O campo Estratégia de geração de previsão permite selecionar o método utilizado para criar uma previsão de linha de base. Três métodos estão disponíveis:

  • Copiar sobre a procura histórica – Crie previsões copiando dados históricos.
  • Serviço Azure Machine Learning – Utilize um modelo de previsão que utilize o Serviço Azure Machine Learning. O Serviço Azure Machine Learning é a atual solução de machine learning para o Azure. Portanto, é recomendável utilizá-lo se pretender utilizar um modelo de previsão.
  • Azure Machine Learning – Utilize um modelo de previsão que utilize o Azure Machine Learning Studio (clássico). O Azure Machine Learning Studio (clássico) foi preterido e será removido do Azure em breve. Portanto, recomendamos que selecione Serviço Azure Machine Learning se estiver a configurar a previsão da procura pela primeira vez. Se estiver a utilizar o Azure Machine Learning Studio (clássico) de momento, deverá planear mudar para o Serviço Azure Machine Learning, assim que possível.

Pode substituir o método de geração de previsão por uma ou mais chaves de alocação de itens específicas utilizando o separador Chaves de alocação de itens. Esse separador fornece campos semelhantes.

Substituir parâmetros do algoritmo de previsão predefinidos globalmente

Os valores e parâmetros do algoritmo de previsão predefinidos são atribuídos na página Parâmetros de previsão da procura (Planeamento principal > Configuração > Previsão da procura > Parâmetros de previsão da procura). No entanto, pode substituí-los globalmente utilizando o Separador Rápido Parâmetros do algoritmo de previsão no separador Geral da página Parâmetros de previsão da procura. (Também pode substituí-los por chaves de alocação específicas utilizando o separador Chaves de alocação de itens na página Parâmetros de previsão da procura.)

Utilize os botões Adicionar e Remover na barra de ferramentas para estabelecer a coleção necessária de substituições de parâmetros. Para cada parâmetro na lista, selecione um valor no campo Nome e introduza um valor apropriado no campo Valor. Todos os parâmetros não listados aqui levarão os valores das definições na página Parâmetros de previsão da procura. Para obter mais informações sobre como utilizar o conjunto padrão de parâmetros e selecionar valores para eles, consulte a secção Parâmetros e valores predefinidos para modelos de previsão da procura.

Definir dimensões da previsão

Uma dimensão da previsão indica o nível de detalhes em que a previsão será definida. A empresa, o local e a chave de alocação de itens são dimensões da previsão necessárias. Também pode gerar previsões no armazém, no estado do inventário, no grupo de clientes, na conta de cliente, no país/região, no estado e/ou no nível de item e em todos os níveis de dimensão de item. Utilize o separador Dimensões da previsão na página Parâmetros de previsão da procura, para selecionar o conjunto de dimensões da previsão que é utilizado quando a previsão da procura for gerada.

A qualquer momento, pode adicionar dimensões da previsão à lista de dimensões utilizadas na previsão da procura. É possível também remover as dimensões da previsão da lista. No entanto, os ajustes manuais serão perdidos se adicionar ou remover uma dimensão da previsão.

Configurar substituições para chaves de alocação de itens específicas

Nem todos os itens funcionam da mesma forma sob uma perspetiva de previsão da procura. Portanto, pode estabelecer substituições de chaves de alocação específicas para a maioria das definições definidas no separador Geral. A exceção é a unidade de previsão da procura. Para configurar substituições para uma chave de alocação de itens específica, siga estes passos.

  1. Na página Parâmetros de previsão da procura, no separador Chaves de alocação de itens, utilize os botões da barra de ferramentas para adicionar chaves de alocação de itens à grelha à esquerda ou removê-las, conforme necessário. Em seguida, selecione a chave de alocação para a qual pretende configurar substituições.
  2. No Separador Rápido Tipos de transação, ative os tipos de transações que pretende utilizar para gerar a previsão de linha de base estatística de produtos que pertencem à chave de alocação selecionada. As definições funcionam exatamente como no separador Geral, mas aplicam-se apenas à chave de alocação de itens selecionada. Todas as definições aqui (valores Sim e Não) substituem todas as definições de Tipos de transação no separador Geral.
  3. No Separador Rápido Parâmetros do algoritmo de previsão, selecione a estratégia de geração de previsão e os parâmetros do algoritmo de previsão para produtos que pertencem à chave de alocação selecionada. Estas definições funcionam exatamente como no separador Geral, mas aplicam-se apenas à chave de alocação de itens selecionada. Utilize os botões Adicionar e Remover na barra de ferramentas para definir a coleção necessária de substituições de parâmetros. Para cada parâmetro na lista, selecione um valor no campo Nome e introduza um valor apropriado no campo Valor. Para obter mais informações sobre como utilizar o conjunto padrão de parâmetros e selecionar valores para eles, consulte a secção Parâmetros e valores predefinidos para modelos de previsão da procura.

Configurar a ligação ao Serviço Azure Machine Learning

Utilize o separador Serviço Azure Machine Learning para configurar a ligação com o Serviço Azure Machine Learning. Esta solução é uma das opções para a criação da previsão de linha de base. Estas definições neste separador têm efeito apenas quando o campo Estratégia de geração de previsão é definido como Serviço Azure Machine Learning.

Para obter mais informações sobre como configurar o Serviço Azure Machine Learning e utilizar as definições aqui para se ligar a ele, consulte a secção Configurar o Serviço Azure Machine Learning.

Configurar a ligação ao Azure Machine Learning Studio (clássico)

Importante

O Azure Machine Learning Studio (clássico) foi preterido. Portanto, já não será possível criar novas áreas de trabalho no Azure. Foi substituído pelo Serviço Azure Machine Learning, que fornece uma funcionalidade semelhante e muito mais. Se ainda não estiver a utilizar o Azure Machine Learning, comece a utilizar o Serviço Azure Machine Learning. Se já tiver uma área de trabalho criada para o Azure Machine Learning Studio (clássico), poderá continuar a utilizá-la até que a funcionalidade seja completamente removida do Azure. No entanto, recomendamos que atualize o Serviço Azure Machine Learning o mais rápido possível. Embora a aplicação continue a avisar que o Azure Machine Learning Studio (clássico) foi preterido, o resultado previsto não será afetado. Para obter mais informações sobre o novo Serviço Azure Machine Learning e como configurá-lo, consulte a secção Configurar o Serviço Azure Machine Learning.

Pode alternar à vontade entre a utilização das novas e antigas soluções de machine learning com o Supply Chain Management enquanto a sua antiga área de trabalho do Azure Machine Learning Studio (clássico) continuar disponível.

Se já tiver uma área de trabalho do Azure Machine Learning Studio (clássico) disponível, poderá utilizá-la para gerar previsões, ligando-a ao Supply Chain Management. Pode estabelecer esta ligação utilizando o separador Azure Machine Learning na página Parâmetros de previsão da procura. (As definições neste separador têm efeito apenas quando o campo Estratégia de geração de previsão é definido como Azure Machine Learning.) Introduza os seguintes detalhes para a sua área de trabalho do Azure Machine Learning Studio (clássico):

  • Chave da interface de programação de aplicações (API) do serviço Web
  • URL do ponto final de serviço Web
  • Nome da conta de armazenamento do Azure
  • Chave da conta de armazenamento do Azure

Nota

O nome e a chave da conta de armazenamento do Azure serão necessários apenas se utilizar uma conta de armazenamento personalizada. Se implementar a versão local, deverá ter uma conta de armazenamento personalizada no Azure, para que o Machine Learning aceda aos dados históricos.

Parâmetros e valores predefinidos para modelos de previsão da procura

Ao utilizar o machine learning para gerar os modelos de planeamento de previsão, controla as opções do machine learning definindo valores para os Parâmetros do algoritmo de previsão. Estes valores são enviados do Supply Chain Management para o Azure Machine Learning. Utilize a página Parâmetros do algoritmo de previsão para controlar os tipos de valores que devem ser fornecidos e quais valores devem ter.

Para configurar os valores e os parâmetros predefinidos utilizados para os modelos de previsão da procura, aceda a Planeamento Principal > Configuração > Previsão da procura > Parâmetros do algoritmo de previsão. Um conjunto padrão de parâmetros é fornecido. Cada parâmetro tem os seguintes campos:

  • Nome – O nome do parâmetro, conforme utilizado pelo Azure. Normalmente, não deve alterar este nome, a menos que tenha personalizado a experimentação no Azure Machine Learning.
  • Descrição – Um nome comum para o parâmetro. Este nome é utilizado para identificar o parâmetro em outros locais no sistema (por exemplo, na página Parâmetros de previsão da procura).
  • Valor – O valor predefinido do parâmetro. O valor que deve introduzir depende do parâmetro que está a ser editado.
  • Explicação – Uma breve descrição do parâmetro e como utilizá-lo. Esta descrição normalmente inclui sugestões sobre valores válidos para o campo Valor.

Os seguintes parâmetros são fornecidos por predefinição. (Se precisar de reverter para essa lista padrão, selecione Restaurar no Painel de Ações.)

  • Percentagem do nível de confiança – Um intervalo de confiança consiste num intervalo de valores que representam boas estimativas para a previsão da procura. Um nível de confiança de 95% indica que há um risco de 5% de que a procura futura fique fora do intervalo de confiança.

  • Forçar sazonalidade – Especifica se deve forçar o modelo a utilizar um tipo de sazonalidade específico. Este parâmetro aplica-se apenas a ARIMA e ETS. Opções: AUTO (predefinição), NENHUM, ADITIVO, MULTIPLICATIVO.

  • Modelo de previsão – Especifica o modelo de previsão a utilizar. Opções: ARIMA, ETS, STL, ETS+ARIMA, ETS+STL, TUDO. Para selecionar o melhor modelo, utilize TUDO.

  • Valor máximo previsto – Especifica o valor máximo a utilizar para previsões. Formato: +1E[n] ou constante numérica.

  • Valor mínimo previsto – Especifica o valor mínimo a utilizar para previsões. Formato: -1E[n] ou constante numérica.

  • Substituição de valor em falta – Especifica como as lacunas em dados históricos são preenchidas. Opções: (valor numérico), MÉDIA, ANTERIOR, INTERPOLAÇÃO LINEAR, INTERPOLAÇÃO POLINOMIAL.

  • Âmbito de substituição de valor em falta – Especifica se a substituição de valor se aplica apenas ao intervalo de datas de cada atributo de granularidade individual ou ao conjunto inteiro de dados. As seguintes opções estão disponíveis para estabelecer o intervalo de datas que o sistema utiliza ao preencher lacunas em dados históricos:

    • GLOBAL – O sistema utiliza todo o intervalo de datas de todos os atributos de granularidade.
    • HISTORY_DATE_RANGE – O sistema utiliza um intervalo de datas específico que é definido pelos campos Da data e À data na secção Horizonte histórico na caixa de diálogo Gerar previsão de linha de base estatística.
    • GRANULARITY_ATTRIBUTE – O sistema utiliza o intervalo de datas do atributo de granularidade processado no momento.

    Nota

    Um atributo de granularidade é uma combinação de dimensões da previsão em relação à qual a previsão é feita. Pode definir dimensões da previsão na página Parâmetros de previsão da procura.

  • Sugestão de sazonalidade – Para dados sazonais, forneça uma sugestão para o modelo de previsão para melhorar a precisão da previsão. Formato: número inteiro que representa o número de registos para os quais um padrão de procura se repete. Por exemplo, introduza 6 para os dados que se repetem a cada 6 meses.

  • Percentagem de tamanho de conjunto de teste – Percentagem de dados históricos que devem ser utilizados como um conjunto de teste para o cálculo de precisão da previsão.

Pode substituir os valores por estes parâmetros acedendo a Planeamento Principal > Configuração > Previsão da procura > Parâmetros de previsão da procura. Na página Parâmetros de previsão da procura, pode substituir os parâmetros das seguintes maneiras:

  • Utilize o separador Geral para substituir os parâmetros globalmente.
  • Utilize o separador Chaves de alocação de itens para substituir os parâmetros por chaves de alocação de itens específicas. Os parâmetros que são substituídos por uma chave de alocação de itens específica afetam apenas a previsão dos itens associados a essa chave de alocação de itens.

Nota

Na página Parâmetros do algoritmo de previsão, pode utilizar os botões no Painel de Ações para adicionar ou remover parâmetros da lista. No entanto, normalmente, não deve utilizar esta abordagem, a menos que tenha personalizado a experimentação no Azure Machine Learning.

Configurar o Serviço Azure Machine Learning

O Supply Chain Management calcula as previsões da procura utilizando o Serviço Azure Machine Learning, que deve configurar e executar na sua própria subscrição do Azure. Esta secção descreve como configurar o Serviço Azure Machine Learning no Azure e, em seguida, ligá-lo ao seu ambiente do Supply Chain Management.

Ativar o Serviço Azure Machine Learning na Gestão de funcionalidades

Para poder utilizar esta funcionalidade, esta terá de ser ativada no seu sistema. A partir da versão 10.0.32 do Supply Chain Management, está ativada por predefinição. A partir da versão 10.0.36 do Supply Chain Management, a funcionalidade é obrigatória e não pode ser desativada. Se estiver a executar uma versão anterior à 10.0.36, os administradores poderão ativar ou desativar esta funcionalidade procurando a funcionalidade Serviço Azure Machine Learning para previsão da procura na área de trabalho Gestão de funcionalidades.

Configurar o machine learning no Azure

Para ativar o Azure a utilizar o machine learning para processar as suas previsões, deve configurar uma área de trabalho do Azure Machine Learning para essa finalidade. Tem duas opções:

Opção 1: Executar um script para configurar automaticamente a área de trabalho do machine learning

Esta secção descreve como configurar a área de trabalho do machine learning utilizando um script automatizado fornecido pela Microsoft. Se preferir, pode configurar manualmente todos os recursos seguindo as instruções na secção Opção 2: Configurar manualmente a área de trabalho do machine learning. Não é necessário concluir as duas opções.

  1. No GitHub, abra o repositório Modelos para a previsão da procura do Dynamics 365 Supply Chain Management com o Azure Machine Learning e transfira os seguintes ficheiros:

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

  2. Abra uma janela do PowerShell e execute o script quick_setup.ps1 transferido no passo anterior. Siga as instruções no ecrã. O script configurará os recursos de área de trabalho, armazenamento, arquivo de dados (nomeado workspaceblobdemplan) e computação necessários.

  3. Siga estas etapas para definir o armazenamento de dados workspaceblobdemplan (criado pelo script quick_setup.ps1) como um armazenamento de dados predefinido.

    1. No Azure Machine Learning Studio, selecione Arquivos de dados no navegador.
    2. Selecione o armazenamento de dados workspaceblobdemplan (é do tipo Armazenamento de Blobs do Azure e aponta para o contentor de armazenamento de Blobs demplan-azureml).
    3. Abra a página de detalhes do armazenamento de dados workspaceblobdemplan e selecione Definir como armazenamento de dados predefinido.

  4. No Azure Machine Learning Studio, carregue o ficheiro sampleInput.csv que transferiu no passo 1 para o contentor chamado demplan-azureml. (O script quick_setup.ps1 criou este contentor.) Este ficheiro é necessário para publicar o pipeline e gerar uma previsão de teste. Para obter instruções, consulte Carregar um blob de blocos.

  5. No Azure Machine Learning Studio, selecione Notebooks no navegador.

  6. Encontre a seguinte localização na estrutura de Ficheiros: Users/[current user]/src.

  7. Carregue os quatro ficheiros restantes que transferiu no passo 1 para a localização encontrada no passo anterior.

  8. Selecione o ficheiro api_trigger.py que acabou de carregar e execute-o. Criará um pipeline que pode ser acionado por meio da API. (Os pipelines fornecem uma forma de iniciar a previsão de scripts do Supply Chain Management.)

  9. Agora, a sua área de trabalho está configurada. Avance para a secção Configurar parâmetros de ligação do Serviço Azure Machine Learning no Supply Chain Management.

Opção 2: Configurar manualmente a área de trabalho do machine learning

Esta secção descreve como configurar manualmente a área de trabalho do machine learning. Deve concluir os procedimentos nesta secção apenas se decidiu não executar o script de configuração automatizado, conforme descrito na secção Opção 1: Executar um script para configurar a área de trabalho do machine learning.

Passo 1: Criar uma nova área de trabalho

Utilize o procedimento a seguir para criar uma nova área de trabalho do machine learning.

  1. Inicie sessão no portal do Azure.

  2. Abra o serviço do Machine Learning.

  3. Selecione Criar na barra de ferramentas para abrir assistente de Criação.

  4. Conclua o assistente seguindo as instruções no ecrã. Tenha as seguintes considerações em mente ao trabalhar:

    • Utilize as predefinições, a menos que outras considerações nesta lista recomendem definições diferentes.
    • Selecione a região geográfica que corresponde à região em que a instância do Supply Chain Management é implementada. Caso contrário, alguns dados podem passar por limites de região. Para obter mais informações, consulte aviso de privacidade posteriormente neste artigo.
    • Utilize recursos dedicados, como grupos de recursos, contas de armazenamento, registros de contentor, Azure Key Vaults e recursos de rede.
    • Na página Configurar parâmetros de ligação do Serviço Azure Machine Learning do assistente, deve fornecer um nome de conta de armazenamento. Utilize uma conta dedicada à previsão da procura. Os dados de entrada e saída de previsão da procura serão armazenados nesta conta de armazenamento.

Para obter mais informações, consulte Criar a área de trabalho.

Passo 2: Configurar armazenamento

Utilize o procedimento a seguir para configurar o armazenamento.

  1. No GitHub, abra o repositório Modelos para a previsão da procura do Dynamics 365 Supply Chain Management com o Azure Machine Learning e transfira o ficheiro sampleInput.csv.
  2. Abra a conta de armazenamento que criou na secção Passo 1: Criar uma nova área de trabalho.
  3. Siga as instruções em Criar um contentor para criar um contentor chamado demplan-azureml.
  4. Carregue o ficheiro sampleInput.csv transferido no passo 1 para o contentor que acabou de criar. Este ficheiro é necessário para publicar o pipeline e gerar uma previsão de teste. Para obter instruções, consulte Carregar um blob de blocos.
Passo 3: Configurar um arquivo de dados predefinido

Utilize o procedimento a seguir para configurar o arquivo de dados predefinido.

  1. No Azure Machine Learning Studio, selecione Arquivos de dados no navegador.
  2. Crie um novo arquivo de dados do tipo Armazenamento de Blobs do Azure que aponte para o contentor de armazenamento de blobs demplan-azureml criado na secção Passo 2: Configurar armazenamento. (Se o tipo de autenticação do novo arquivo de dados for Chave de conta, forneça uma chave de conta para a conta de armazenamento criada. Para obter instruções, consulte Gerir chaves de acesso da conta de armazenamento.)
  3. Torne o seu novo arquivo de dados no predefinido abrindo os detalhes e selecionando Definir como arquivo de dados predefinido.
Passo 4: Configurar recursos de computação

Utilize o procedimento a seguir para configurar um recurso de computação no Azure Machine Learning Studio para executar os seus scripts de geração de previsão.

  1. Abra a página detalhes para a área de trabalho do machine learning que criou na secção Passo 1: Criar uma nova área de trabalho. Localize o valor do URL da web do Studio e selecione a ligação para o abrir.

  2. Selecione Computação no painel de navegação.

  3. No separador Instâncias de computação, selecione Novo para abrir um assistente que ajudará a criar uma nova instância de computação. Siga as instruções no ecrã. A instância de computação será utilizada para criar o pipeline de previsão da procura (pode ser eliminada depois de o pipeline ser publicado). Utilize as predefinições.

  4. No separador Clusters de cálculo, selecione Novo para abrir um assistente que ajudará a criar um novo cluster de cálculo. Siga as instruções no ecrã. O cluster de cálculo será utilizado para gerar previsões da procura. As suas definições afetam o desempenho e o nível máximo de paralelização da execução. Defina os campos a seguir, mas utilize as predefinições para todos os outros campos:

    • Nome – Introduza e2ecpucluster.
    • Tamanho da máquina virtual – Ajuste esta definição de acordo com o volume de dados que espera utilizar como entrada para a previsão da procura. A quantidade de nós não deve exceder 11, porque um nó é necessário para acionar a geração de previsão da procura, e o número máximo de nós que podem ser utilizados para gerar uma previsão é 10. (Também será possível definir a quantidade de nós no ficheiro parameters.py na secção Passo 5: Criar pipelines.) Em cada nó, haverá vários processos de trabalho que executam previsões de scripts em paralelo. O número total de processos de trabalho na sua tarefa será o Número de núcleos que um nó tem × Quantidade de nós. Por exemplo, se o seu cluster de cálculo tiver um tipo de Standard_D4 (oito núcleos) um máximo de 11 nós, e se o valor nodes_count for definido como 10 no ficheiro parameters.py, o nível efetivo de paralelismo será 80.
Passo 5: Criar pipelines

Os pipelines fornecem uma forma de iniciar a previsão de scripts do Supply Chain Management. Utilize o seguinte procedimento para criar os pipelines necessários.

  1. No GitHub, abra o repositório Modelos para a previsão da procura do Dynamics 365 Supply Chain Management com o Azure Machine Learning e transfira os seguintes ficheiros:

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

  2. No Azure Machine Learning Studio, selecione Notebooks no navegador.

  3. Encontre a seguinte localização na estrutura de Ficheiros: Users/[current user]/src.

  4. Carregue os quatro ficheiros que transferiu no passo 1 para a localização encontrada no passo anterior.

  5. No Azure, abra e reveja o ficheiro parameters.py que acabou de carregar. Verifique se o valor nodes_count é um menor do que o valor configurado para o cluster de cálculo na secção Passo 4: Configurar recursos de computação. Se o valor nodes_count for maior ou igual ao número de nós no cluster de cálculo, a execução do pipeline poderá ser iniciada. No entanto, para de responder enquanto aguarda os recursos necessários. Para obter mais informações sobre a quantidade de nós, consulte a secção Passo 4: Configurar recursos de computação.

  6. Selecione o ficheiro api_trigger.py que acabou de carregar e execute-o. Criará um pipeline que pode ser acionado por meio da API.

Configurar uma nova aplicação do Active Directory

É necessário que uma aplicação do Active Directory seja autenticada com os recursos dedicados à previsão da procura utilizando uma entidade de serviço. Portanto, a aplicação deve ter o menor nível de privilégio necessário para gerar a previsão.

  1. Inicie sessão no portal do Azure.

  2. Registe uma nova aplicação no Microsoft Entra ID do inquilino. Para obter instruções, consulte Utilizar o portal para criar uma aplicação do Microsoft Entra e um principal de serviço que possa aceder a recursos.

  3. Siga as instruções no ecrã à medida que conclui o assistente. Utilize as predefinições.

  4. Forneça à sua nova aplicação do Active Directory o acesso aos seguintes recursos que criou na secção Configurar o machine learning no Azure. Para obter instruções, consulte Atribuir funções do Azure utilizando o portal do Azure. Este passo permitirá que o sistema importe e exporte os dados de previsão e acione execuções do pipeline de machine learning no Supply Chain Management.

    • Função de contribuidor na área de trabalho do machine learning
    • Função de contribuidor à conta de armazenamento dedicada
    • Função de contribuidor de Dados do Blob de Armazenamento à conta de armazenamento dedicada

  5. Na secção Certificados e segredos da aplicação que criou, crie um segredo para a aplicação. Para obter instruções, consulte Adicionar um segredo do cliente.

  6. Anote o ID da aplicação e o seu segredo. Precisará dos detalhes desta aplicação posteriormente, quando configurar a página Parâmetros de previsão da procura no Supply Chain Management.

Configurar parâmetros de ligação do Serviço Azure Machine Learning no Supply Chain Management

Utilize o seguinte procedimento para ligar o seu ambiente do Supply Chain Management ao serviço do machine learning que acabou de configurar no Azure.

  1. Inicie sessão no Supply Chain Management.

  2. Aceda a Planeamento principal > Configuração > Previsão da procura > Parâmetros de previsão da procura.

  3. No separador Geral, verifique se o campo Estratégia de geração de previsão está definido como Serviço Azure Machine Learning.

  4. No separador Chaves de alocação de itens, verifique se o campo Estratégia de geração de previsão está definido como Serviço Azure Machine Learning para cada chave de alocação que deve utilizar o Serviço Azure Machine Learning para a previsão da procura.

  5. No separador Serviço Azure Machine Learning, defina os seguintes campos:

    • ID de Inquilino – Introduza o ID do seu inquilino do Azure. O Supply Chain Management utilizará este ID para autenticar o Serviço Azure Machine Learning. Pode encontrar o seu ID de inquilino na página Descrição geral para o Microsoft Entra ID no portal do Azure.
    • ID de aplicação principal de serviço – Introduza o ID da aplicação que criou na secção Aplicação do Active Directory. Este valor é utilizado para autorizar pedidos de API ao Serviço Azure Machine Learning.
    • Segredo principal do serviço – Introduza o segredo de aplicação principal de serviço que criou na secção Aplicação do Active Directory. Este valor é utilizado para adquirir o token de acesso do principal de segurança que criou para executar operações autorizadas em relação ao Armazenamento do Azure e à estação de trabalho do Azure Machine Learning.
    • Nome da conta de armazenamento – Introduza o nome da conta de armazenamento do Azure que especificou ao executar o assistente de configuração na área de trabalho do Azure. (Para obter mais informações, consulte a secção Configurar o machine learning no Azure.)
    • Endereço do ponto final do pipeline – Introduza o URL do ponto final REST do pipeline para o Serviço Azure Machine Learning. Criou este pipeline como o último passo ao configurar o machine learning no Azure. Para obter o URL do pipeline, inicie sessão no portal do Azure, selecione Pipelines na navegação. No separador Pipeline, selecione o ponto final do pipeline chamado TriggerDemandForecastGeneration. Em seguida, copie o ponto final REST apresentado.

    Parâmetros no separador Serviço Azure Machine Learning da página Parâmetros de previsão da procura.

Aviso de privacidade

Ao selecionar o Serviço Azure Machine Learning como a sua estratégia de geração de previsão, o Supply Chain Management envia automaticamente os dados do cliente para a procura histórica, como quantidades agregadas, nomes de produtos e as suas dimensões de produto, as localizações de envio e receção, os identificadores de clientes e também os parâmetros de previsão, para a região geográfica na qual a área de trabalho do machine learning e a sua conta de armazenamento ligada estão localizadas, para fins de previsão de procuras futuras. O Serviço Azure Machine Learning pode estar numa região geográfica diferente da região geográfica em que o Supply Chain Management está implementado. Alguns utilizadores podem controlar se essa funcionalidade é ativada, selecionando a estratégia de geração de previsão na página Parâmetros de previsão da procura.

Recursos adicionais