Oversigt over behovsprognoser

Brug behovsprognoser til at forudsige uafhængig efterspørgsel fra salgsordrer og afhængige behov på et hvilket som helst afkoblingspunkt for kundeordrer. De forbedrede reduceringsregler for behovsprognoser i er en ideel løsning til massetilpasning.

Hvis du vil generere den oprindelige prognose, sendes der en oversigt over historiske transaktioner til Microsoft Azure Machine Learning, der hostes på Azure. Da denne tjeneste ikke deles mellem brugere, kan du nemt tilpasse den, så den opfylder branchespecifikke krav. Brug supply chain management til at visualisere prognosen, justere prognosen og få vist KPI'er (Key Performance Indicators) om prognosenøjagtighed.

Nøglefunktioner i behovsprognoser

Her er nogle af de vigtigste funktioner i behovsprognoser:

• Opret en statistisk oprindelig prognose, der er baseret på historiske data.
• Bruge et dynamisk sæt prognosedimensioner.
• Visualisere behovstendenser, konfidensintervaller og justeringer af prognosen.
• Godkend den justerede prognose til brug i planlægningsprocesser.
• Fjerne afvigelser.
• Oprette målinger af prognosenøjagtighed.

Overordnede temaer i behovsprognoser

Behovsprognose implementerer tre overordnede temaer:

• Modularitet – behovsprognoser er modulære og lette at konfigurere. Du kan slå funktionen til og fra ved at ændre konfigurationsnøglen under Handel > Lagerbudget > Behovsprognoser.
• Brug af Microsoft-stakken – Machine Learning gør det muligt hurtigt og nemt at oprette eksperimenter med forudsigende analyser, f.eks. eksperimenter med behovsestimering, ved hjælp af algoritmerne R eller Python programmeringssprog og en enkel træk og slip-grænseflade.
  • Du kan downloade forsøg med behovsprognoser, ændre dem, så de svarer til dine forretningsmæssige behov, udgive dem som en webtjeneste på Azure og bruge dem til at generere behovsprognoser. Du kan downloade eksperimenterne, hvis du køber et supply chain management abonnement til en produktionsplanlægning som bruger på virksomhedsniveau.
  • Du kan oprette dine egne eksperimenter i Microsoft Azure Machine Learning studio (klassisk), publicere dem som tjenester på Azure og bruge dem til at generere efterspørgselsprognoser.
  • Hvis du ikke har brug for høj ydeevne, eller hvis du ikke kræver, at en stor mængde data skal behandles, kan du bruge det gratis Machine Learning-niveau. Start altid fra dette niveau, især under implementerings- og testfaser. Hvis du kræver højere ydeevne og ekstra lagerplads, kan du bruge Machine Learning-standardniveauet. Dette niveau kræver et Azure-abonnement og indebærer ekstra omkostninger. Få oplysninger om priser på Machine Learning under Machine Learning Studio-prisssætning.
• Prognosereduktion ved ethvert afkoblingspunkt – Efterspørgselsprognoser bygger på denne funktionalitet, som giver dig mulighed for at forudsige både afhængig og uafhængig efterspørgsel på et hvilket som helst afkoblingspunkt.

Grundlæggende arbejdsgang ved behovsprognoser

Det følgende diagram viser den grundlæggende arbejdsgang ved behovsprognoser.

Oprettelse af behovsprognose starter i supply chain management. Historiske transaktionsdata fra supply chain management-transaktionsdatabasen indsamles og udfylder en midlertidig tabel. Denne midlertidige tabel indføres senere en Machine Learning-tjeneste. Ved at foretage minimal tilpasning kan du slutte forskellige datakilder i den midlertidige tabel. Datakilderne kan indeholde Microsoft Excel filer, CSV-filer (kommaseparerede værdier) og data fra Microsoft Dynamics AX 2009 og Microsoft Dynamics AX 2012. Du kan derfor generere behovsprognoser, der tager højde for historiske data, som er spredt mellem flere systemer. Masterdata som f.eks. varenavne og måleenhederne skal være de samme på tværs af de forskellige datakilder.

Hvis du bruger behovsprognose i forsøg med Machine Learning, prøver de at finde det bedste match mellem fem tidsserieprognosemetoder for at beregne et prognosegrundlag. Parametre for disse prognosemetoder administreres i supply chain management.

Prognoserne, de historiske data og de ændringer, der er foretaget i behovsprognoserne i tidligere gentagelser, er derefter tilgængelige i supply chain management.

Du kan bruge supply chain management til at visualisere og ændre prognosegrundlaget. Manuelle justeringer skal godkendes, før prognoserne kan bruges til planlægning.

Begrænsninger

Behovsprognoser er et værktøj, der hjælper kunderne i produktionsbranchen med at generere prognoseprocesser. Det tilbyder den grundlæggende funktionalitet i en løsning til behovsprognoser og er designet, så den nemt kan udvides. Behovsprognoser er måske ikke den bedste valgmulighed for kunder inden for brancher som handel, grossister, lagersteder, transport eller andre professionelle tjenester.

Begrænsning på konvertering af varianter ved efterspørgselsprognose

Enhed (UOM) pr. variantkonvertering understøttes ikke fuldt ud, når der genereres efterspørgselsprognose, hvis lager-UOM er forskellig fra UOM'en for efterspørgselsprognosen.

Oprettelse af budget (Måleenhed for lager > Måleenhed for efterspørgselsprognose) bruger konvertering af måleenhed for produkt. Når du indlæser historiske data for generering af behovsprognosen, bruges UOM-konverteringen på produktniveau altid, når der konverteres fra lager-UOM til UOM'en for efterspørgselsprognosen, også selvom der er defineret konverteringer på variantniveau.

Den første del af den godkendende prognose (Måleenhed for efterspørgselsprognose > Måleenhed for lager) bruger konvertering af måleenhed for produkt. Den anden del af den godkendende prognose (Måleenhed for lager > Måleenhed for salg) bruger konvertering af måleenhed for variant. Når den genererede behovsprognose er godkendt, bruger konverteringen til lager-UOM fra behovsprognose UOM-konvertering på produktniveau. Samtidig respekterer konverteringen mellem lagerenheden og salgs-UOM de variantniveaudefinerede konverteringer.

Fejlfinding på efterspørgselsprognoser

Hvis du oplever problemer med efterspørgselsprognoser, skal du gennemse følgende tabel for at få vejledning til almindelige opgaver og scenarier, før du kontakter support.

Relaterede oplysninger

• Konfigurere behovsprognoser
• Generere et statistisk budgetgrundlag
• Foretage manuelle justeringer af prognosegrundlaget
• Autorisere en justeret prognose
• Overvåge prognosenøjagtighed
• Fjerne afvigende fra historiktransaktionsdata, når du beregner en efterspørgselsprognose
• Interne planlægningsgrupper til behovsprognoser
• Varedisponering med behovsprognoser
• Forudsig fremtidig efterspørgsel efter produkter og tjenester med efterspørgselsprognoser for at drive forretningsbeslutninger
• Video: Udvide behovsprognosefunktionen
• Webinar: Behovsprognose med Azure Machine Learning Series