Sevkiyat ve dağıtım için talep tahmini

Blob Depolama
Data Factory
Power BI
Stream Analytics
Event Hubs

Çözüm fikirleri

Bu makale bir çözüm fikridir. İçeriği olası kullanım örnekleri, alternatif hizmetler, uygulama konuları veya fiyatlandırma kılavuzu gibi daha fazla bilgiyle genişletmemizi isterseniz GitHub geri bildirimi sağlayarak bize bildirin.

Bu çözüm fikri, çeşitli müşteriler, ürünler ve hedefler genelinde gelecek dönemlerde talebi tahmin etmek için geçmiş talep verilerini kullanır. Bir gönderim veya teslimat şirketinin müşterilerin farklı konumlarda ve gelecekte teslim etmek istediği farklı ürünlerin miktarlarını tahmin etmek istemesi buna bir örnektir. Şirket, talep tahminlerini bir ayırma aracına giriş olarak kullanabilir. Ayırma aracı daha sonra teslimat aracı yönlendirme ve daha uzun vadede kapasite planlama gibi işlemleri iyileştirebilir. İlgili bir örnek, satıcı veya sigortacının hatalar nedeniyle iade edilecek ürünlerin sayısını bilmek istemesidir.

Olası kullanım örnekleri

Bu çözümde açıklanan talep tahmin süreci , Microsoft yapay zeka platformunda kullanıma hazır hale getirilebilir ve dağıtılabilir. Microsoft AI platformu veri alımı, veri depolama, zamanlama ve gelişmiş analiz için gelişmiş analiz araçlarına sahiptir. Bu araçların tümü, geçerli üretim sistemlerinizle tümleştirilebilen bir talep tahmini çözümü çalıştırmaya yönelik temel araçlardır.

Bu çözüm, perakende ve üretim sektörleri için iyileştirilmiştir.

Mimari

Örnek verilerin Power BI'a akışını gösteren mimari diyagramı: gönderim ve dağıtım için talep tahminiBu mimarinin SVG'sini indirin.

Veri akışı

Bu makalede açıklanan çözüme benzer bir gönderim ve dağıtım için talep tahmini çözümü örneği için bkz. Azure AI Galerisi. Talep tahmin çözümlerinin burada önerilen gibi genel özellikleri şunlardır:

  • Bir veya daha fazla kategori düzeyi altında toplayan farklı birimlere sahip çok sayıda öğe türü vardır.
  • Geçmişteki her zaman öğenin miktarı için kullanılabilir bir geçmiş vardır.
  • Öğelerin birimleri büyük ölçüde farklılık gösterir ve büyük olasılıkla zaman zaman sıfır birime sahip olan büyük bir sayıdır.
  • Öğelerin geçmişi, muhtemelen birden çok zaman ölçeğinde hem eğilimi hem de mevsimselliği gösterir.
  • Taahhüt edilen veya iade edilen miktarlar kesinlikle fiyat duyarlı değildir. Başka bir deyişle, teslimat şirketi fiyatlardaki kısa vadeli değişikliklerden miktarları güçlü bir şekilde etkileyemez, ancak hava durumu gibi hacmi etkileyen başka belirleyiciler de olabilir.

Bu koşullar altında, farklı öğelerin zaman serisi arasında oluşturulan hiyerarşiden yararlanabilirsiniz. Hiyerarşide daha düşük olan miktarların (örneğin, tek tek ürün miktarları) yukarıdaki miktarlara (müşteri ürün toplamları) toplamını alması için tutarlılığı zorunlu kılarak, genel tahminin doğruluğunu geliştirebilirsiniz. Aynı fikir, tek tek öğeler çakışan kategoriler için bile kategoriler halinde gruplandırılırsa geçerlidir. Örneğin, tüm ürünlerin toplam talebini, konuma, ürün kategorisine veya müşteriye göre tahmin etmeyi ilginizi çekebilir.

AI Gallery çözümü, belirtilen her zaman aralığı için hiyerarşideki tüm toplama düzeylerindeki tahminleri hesaplar. Talep tahmin çözümlerinizin dağıtımlarının kullanılan hizmetler için tüketim ücretlerine tabi olacağını unutmayın. Maliyetleri tahmin etmek için Fiyatlandırma Hesaplayıcısı'nı kullanın. Dağıtılan bir çözümü artık kullanmadığınızda ücretlendirmeyi durdurmak için çözümü silin.

Bileşenler

Bu talep tahmini çözümü fikri, Azure'da barındırılan ve yönetilen aşağıdaki kaynakları kullanır:

Sonraki adımlar

Ürün belgelerine bakın:

Şunları öğrenin:

İlgili Azure Mimari Merkezi makalelerini okuyun: