你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站,请访问 https://docs.azure.cn

使用需求预测解决方案加速器预测客户需求

具有合并机器学习模型的端到端解决方案

全球零售生态系统反映了我们生活在快节奏的现代环境中。 必须能够快速更改,并根据需要进行调整。 在竞争日益激烈的零售市场中,企业无法满足客户的需求,在这个市场中,消费者的偏好经常发生变化,并假定客户体验是个人的,可以通过任何媒介跨平台提供。

零售商正在寻找一种方法来了解供应链中存在大量短缺、积压或中断的地方。 在这个充满挑战的时代里竞争激励的零售生态系统中,需要 360 度地了解供应链中客户旅程的所有维度(从生产到交付)。 运营和制造团队需要消除组织内部的孤岛和数据反模式,以释放资源并防止供应链中的浪费。

为帮助你满足时间高度敏感的市场的需求,我们建议使用需求预测解决方案加速器。 需求预测解决方案加速器演示了如何生成自定义的销售预测模型。 此加速器将通过使用预构建的预配置资产来缩短开发时间。 部署需求预测解决方案可以帮助你在几周内返回结果,并让你能够随着业务需求的增长进行扩展。

使用"多模型"方法提高准确性

大量模型需求预测方法

多模型模式在各行各业中都很常见,并且适用于许多真实的用例。 在零售部门,许多模型方法通常见于:

  • 零售组织为数千家商店构建员工优化模型

  • 市场活动推广倾向模型

  • 销售的数十万产品的价格优化模型

  • 餐馆链跨多个商店生成需求预测模型

客户示例

Carhartt

为了保持竞争力,Carhartt 寻找全面的数据驱动解决方案。 由于本地虚拟机造成了内存瓶颈,因此该公司与 Microsoft 合作,利用 Azure 机器学习的高性能解决方案扩展其模型。 增强的数据见解帮助 Carhartt 优化了电子商务网站、大型零售商及其 33 家实体店的销售。 阅读完整的 Carhartt 客户案例

Walgreens

Walgreens 处理大量数据,依赖于将销售点交易与供应链中的历史数据进行比较的见解,并收购了其他药店,增加了更多数据点进行分析。 借助 Azure,Walgreens 能够使用机器学习连接不同的数据源,以优化其库存和促销,从而在正确的时间瞄准适当的客户。 阅读完整的 Walgreens 客户案例

了解如何配置环境、准备数据集、训练 10,000 多个模型以及预测销售额。 然后,可以针对业务难题自定义加速器。

开始部署 MVP

  1. 在需求预测解决方案加速器 GitHub 存储库中查找代码。
  2. 将 Azure 机器学习和资产部署到 Azure。
  3. 使用 Notebook 虚拟机配置开发环境。
  4. 运行 Jupyter Notebook。 设置开发环境后,按照多个模型解决方案加速器的步骤逐步运行 Jupyter Notebook。

阅读更多资料: