Einrichtung der Bedarfsplanung

Dieser Artikel beschreibt, wie Sie Bedarfsplanung festlegen.

Artikelzuteilungsschlüssel

Artikelzuordnungsschlüssel legen Artikelgruppen fest. Das System berechnet eine Bedarfsprognose für einen Artikel und seine Abmessungen nur, wenn der Artikel Teil eines Elementzuordnungsschlüssels ist. Diese Regel gruppiert eine große Anzahl von Elementen, sodass das System Bedarfsprognosen schneller erstellen kann. Das System erstellt Prognosen nur basierend auf historischen Daten.

Ein Element und seine Dimensionen müssen nur Teil eines Elementzuordnungsschlüssels sein, wenn Sie den Elementzuweisungsschlüssel während der Prognoseerstellung verwenden.

Führen Sie die folgenden Schritte aus, um Elementzuordnungsschlüssel zu erstellen und eine Lagerhaltungseinheit (Stock-Keeping Unit, SKU) hinzuzufügen:

1. Gehen Sie zu Produktprogrammplanung>Einrichten>Bedarfsplanung>Artikelzuteilungsschlüssel.

2. Wählen Sie entweder einen Artikelzuordnungsschlüssel im Listenbereich, oder wählen Sie Neu im Aktivitätsbereich, um einen neuen zu erstellen. Legen Sie in der Kopfzeile für den neuen oder ausgewählten Schlüssel die folgenden Felder fest:

   • Artikelzuordnungsschlüssel – Geben Sie einen eindeutigen Namen für den Schlüssel ein.
   • Name - Geben Sie einen beschreibenden Namen für den Schlüssel ein.

3. Führen Sie einen dieser Schritte aus, um dem ausgewählten Artikelzuordnungsschlüssel Artikel hinzuzufügen oder Artikel zu entfernen:

   • Wählen Sie auf dem Inforegister Artikelzuordnung die Schaltflächen Neu und Löschen in der Symbolleiste, um Artikel nach Bedarf hinzuzufügen oder zu entfernen. Wählen Sie für jede Zeile die Artikelnummer aus, und weisen Sie dann den anderen Spalten nach Bedarf Dimensionswerte zu. Wählen Sie auf der Symbolleiste Displayabmessungen aus, um den im Raster angezeigten Satz von Dimensionsspalten zu ändern. (Der Wert in der Spalte Prozent wird ignoriert, wenn Bedarfsplanungen generiert werden.)
   • Wenn Sie dem Schlüssel eine große Anzahl von Artikeln hinzufügen möchten, wählen Sie im Aktivitätsbereich Artikel zuweisen aus, um eine Seite zu öffnen, auf der Sie mehrere Artikel suchen und der ausgewählten Taste zuweisen können.

Intercompany-Planungsgruppen

Die Bedarfsplanung kann unternehmensübergreifende Planungen generieren. Gruppieren Sie in Dynamics 365 Supply Chain Management Unternehmen, die Sie gemeinsam planen, in derselben gruppenübergreifenden Planungsgruppe. Um anzugeben, je Unternehmen, welche Artikelverteilungsschlüssel für die Bedarfsprognose berücksichtigt werden sollen, verknüpfen Sie einen Artikelverteilungsschlüssel mit dem Intercompany-Planungsgruppenmitglied.

Führen Sie die folgenden Schritte aus, um Ihre Intercompany Planning Groups einzurichten:

1. Wechseln Sie zu Produktprogrammplanung>Einrichten>Intercompany-Planungsgruppen.

2. Wählen Sie entweder eine Planungsgruppe im Listenbereich, oder wählen Sie Neu im Aktivitätsbereich, um eine neue zu erstellen. Legen Sie in der Kopfzeile für die neue oder ausgewählte Gruppe die folgenden Felder fest:

   • Name: Geben Sie hier einen eindeutigen Namen für die Planungsgruppe ein.
   • Beschreibung – Geben Sie eine kurze Beschreibung der Planungsgruppe ein.

3. Verwenden Sie im Inforegister Mitglieder der Intercompany-Planungsgruppe die Schaltflächen in der Symbolleiste, um eine Zeile für jede Firma (juristische Person) hinzuzufügen, die Teil der Gruppe sein soll. Legen Sie für jede Position die folgenden Felder fest:

   • Juristische Person – Wählen Sie den Namen einer Firma (juristische Person) aus, die Mitglied der ausgewählten Gruppe ist.
   • Planungsreihenfolge – Ordnen Sie die Reihenfolge zu, in der die Firma relativ zu anderen Firmen bearbeitet werden soll. Niedrige Werte werden zuerst verarbeitet. Diese Reihenfolge kann wichtig sein, wenn die Nachfrage nach einem Unternehmen andere Unternehmen beeinflusst. In diesen Fällen wird das Unternehmen, das die Nachfrage liefert, zuletzt verarbeitet.
   • Masterplan – Wählen Sie den Masterplan aus, der für das aktuelle Unternehmen ausgelöst werden soll.
   • Automatisch in statischen Plan kopieren – Aktivieren Sie dieses Kontrollkästchen, um das Ergebnis des Plans in den statischen Plan zu kopieren.
   • Automatisch in dynamischen Plan kopieren – Aktivieren Sie dieses Kontrollkästchen, um das Ergebnis des Plans in den dynamischen Plan zu kopieren.

4. Wenn Sie Elementzuweisungsschlüssel standardmäßig nicht den Mitgliedern der Intercompany Planning Group zuweisen, berechnet das System eine Bedarfsprognose für alle Elemente, die allen Elementzuordnungsschlüsseln aller Unternehmen zugewiesen sind. Weitere Filteroptionen für Unternehmen und Elementzuordnungsschlüssel finden Sie im Dialogfeld "Statistische Basisplanprognose generieren" (Master planning>Forecasting>>). Um einem Unternehmen in der ausgewählten Intercompany-Planungsgruppe Artikelzuordnungsschlüssel zuzuweisen, wählen Sie das Unternehmen und dann im Inforegister Mitglieder der Intercompany-Planungsgruppe auf der Symbolleiste Artikelzuordnungsschlüssel aus.

Weitere Informationen finden Sie in unternehmensübergreifende Planungsgruppen für die Bedarfsvorhersage.

Einrichten von Parametern für die Bedarfsvorhersage

Verwenden Sie die Seite " Parameter für die Bedarfsvorhersage ", um Optionen einzurichten, die steuern, wie die Bedarfsvorhersage in Ihrem System funktioniert.

Die Seite „Parameter der Bedarfsplanung“ öffnen

Um Parameter für die Bedarfsvorhersage einzurichten, wechseln Sie zu Hauptplanung>Einrichtung>Bedarfsvorhersage>Parameter der Bedarfsvorhersage. Da die Bedarfsplanung unternehmensübergreifend ausgeführt wird, sind die Einstellungen global. Sie gilt für alle juristischen Personen (Unternehmen).

Allgemeine Einstellungen

Verwenden Sie die Registerkarte Allgemein der Seite Bedarfsplanungsparameter, um allgemeine Einstellungen für die Bedarfsplanung zu definieren.

Bedarfsplanungseinheit

Die Bedarfsplanung generiert die Planung in Mengen. Daher müssen Sie die Maßeinheit für die Menge im Feld "Bedarfsvorhersageeinheit " angeben. Dieses Feld definiert die Einheit, die das System für alle Bedarfsprognosen verwendet, unabhängig von den üblichen Lagereinheiten für jedes Produkt. Durch die Verwendung einer konsistenten Einheit helfen Sie sicherzustellen, dass die Aggregation und Prozentverteilung sinnvoll sind. Weitere Informationen zur Aggregation und Prozentverteilung finden Sie unter Manuelle Anpassungen der Grundplanung.

Stellen Sie für jede Maßeinheit, die Sie für SKUs verwenden, die in der Bedarfsprognose enthalten sind, sicher, dass es eine Konvertierungsregel für die Maßeinheit und die allgemeine Prognoseeinheit gibt, die Sie hier auswählen. Wenn Sie eine Prognose generieren, protokolliert das System die Liste der Elemente, die keine Einheitenumrechnung haben. Daher können Sie die Einrichtung leicht korrigieren. Weitere Informationen über Maßeinheiten und wie sie untereinander konvertiert werden, finden Sie unter Maßeinheit verwalten.

Transaktionstypen

Verwenden Sie die Felder in den Transaktionstypen FastTab, um die Transaktionstypen auszuwählen, die vom System verwendet werden, wenn sie die statistische Basisplanprognose generiert.

Sie können die Nachfrageprognose verwenden, um abhängige Nachfrage und unabhängige Nachfrage zu prognostizieren. Wenn Sie beispielsweise nur die Option "Verkaufsauftrag " auf "Ja" festlegen und alle Elemente, die Sie für die Bedarfsprognose in Betracht ziehen, artikel sind, die verkauft werden, berechnet das System die unabhängige Nachfrage. Sie können jedoch kritische Teilkomponenten zu Elementzuordnungsschlüsseln hinzufügen und sie in die Bedarfsprognose einschließen. Wenn Sie in diesem Fall die Option "Produktionslinie " auf "Ja" festlegen, berechnet das System eine abhängige Prognose.

Sie können Transaktionsarten für einen oder mehrere bestimmte Artikelzuordnungsschlüssel überschreiben, indem Sie die Registerkarte Artikelzuordnungsschlüssel verwenden. Diese Registerkarte bietet ähnliche Felder.

Auswählen, wie Sie die Grundplanung erstellen

Verwenden Sie das Feld "Prognosegenerierungsstrategie ", um die Methode auszuwählen, die das System zum Erstellen einer Basisprognose verwendet. Es stehen drei Methoden zur Verfügung:

• Den historischen Bedarf kopieren – Erstellen Sie Planungen, indem Sie einfach historische Daten kopieren.
• Azure Machine Learning-Dienst – Verwenden Sie ein Planungsmodell, das den Azure Machine Learning Service verwendet. Der Azure Machine Learning Service ist die aktuelle Machine Learning-Lösung für Azure. Verwenden Sie es daher, wenn Sie ein Prognosemodell verwenden möchten.
• Azure Machine Learning – Verwenden Sie ein Planungsmodell, das Azure Machine Learning Studio (klassisch) verwendet. Azure Machine Learning Studio (klassisch) ist veraltet und wird bald aus Azure entfernt. Wählen Sie daher Azure Machine Learning Service aus, wenn Sie die Bedarfsprognose zum ersten Mal einrichten. Wenn Sie derzeit Azure Machine Learning Studio (klassisch) verwenden, sollten Sie so schnell wie möglich zum Azure Machine Learning Service wechseln.

Sie können die Planungsgenerierungsmethode für einen oder mehrere bestimmte Artikelzuordnungsschlüssel überschreiben, indem Sie die Registerkarte Artikelzuordnungsschlüssel verwenden. Diese Registerkarte bietet ähnliche Felder.

Standardparameter des Planungsalgorithmus global überschreiben

Standardvorhersagealgorithmusparameter und -werte werden auf der Seite " Bedarfsvorhersageparameter " (Master Planning>Setup>Demand forecasting>Demand Forecasting Parameters) zugewiesen. Sie können sie jedoch global überschreiben, indem Sie das Inforegister Parameter des Planungsalgorithmus auf der Registerkarte Allgemein der Seite Parameter der Bedarfsplanung verwenden. (Sie können sie auch für bestimmte Zuordnungsschlüssel überschreiben, indem Sie die Artikelzuordnungsschlüssel-Registerkarte auf der Parameter der Bedarfsplanung-Seite verwenden.)

Verwenden Sie die Schaltflächen Hinzufügen und Entfernen in der Symbolleiste, um die erforderliche Sammlung der Parameterüberschreibungen zu erstellen. Wählen Sie für jeden Parameter in der Liste einen Wert im Feld Name aus und geben Sie dann einen entsprechenden Wert in das Feld Wert ein. Alle Parameter, die hier nicht aufgeführt sind, nehmen ihre Werte von den Einstellungen auf der Seite "Parameter für die Bedarfsvorhersage" ab. Weitere Informationen zur Verwendung des Standardparametersatzes und zur Auswahl von Werten finden Sie im Abschnitt Standardparameter und -werte für Bedarfsplanungsmodelle Sektion.

Planungsdimensionen festlegen

Eine Prognosedimension zeigt die Detailebene für die Prognose an. Unternehmen, Site und Artikelzuordnungsschlüssel sind erforderliche Planungsdimensionen. Sie können auch Prognosen im Lager, dem Bestandsstatus, der Kundengruppe, dem Kundenkonto, dem Land/der Region, dem Bundesland und der Artikelebene und auf allen Elementdimensionsebenen generieren. Verwenden Sie die Registerkarte Planungsdimensionen auf der Seite Bedarfsplanungsparameter, um die Gruppe von Planungsdimensionen auswählen, die verwendet wird, wenn die Bedarfsplanung generiert wird.

Sie können jederzeit Planungsdimensionen zur Liste mit den Dimensionen hinzufügen, die für Bedarfsplanung verwendet werden. Sie können Planungsdimensionen auch aus der Liste entfernen. Allerdings gehen manuelle Anpassungen verloren, wenn Sie eine Planungsdimension hinzufügen oder entfernen.

Überschreibungen für bestimmte Artikelzuordnungsschlüssel einrichten

Nicht alle Artikel funktionieren aus Sicht der Bedarfsplanung auf dieselbe Weise. Daher können Sie für die meisten einstellungen, die auf der Registerkarte " Allgemein " verfügbar sind, zuordnungsschlüsselspezifische Außerkraftsetzungen einrichten. Die Ausnahme ist die Bedarfsprognoseeinheit. Führen Sie die folgenden Schritte aus, um Außerkraftsetzungen für einen bestimmten Elementzuweisungsschlüssel einzurichten:

1. Verwenden Sie auf der Seite Parameter der Bedarfsplanung, auf der Registerkarte Artikelzuordnungsschlüssel die Schaltflächen in der Symbolleiste, um dem Raster auf der linken Seite Artikelzuordnungsschlüssel hinzuzufügen oder sie nach Bedarf zu entfernen. Wählen Sie dann den Zuordnungsschlüssel aus, für den Sie Überschreibungen einrichten möchten.
2. Aktivieren Sie im Inforegister Transaktionsarten die Arten von Transaktionen, die Sie verwenden möchten, um die statistische Grundplanung für Produkte zu generieren, die zum ausgewählten Zuordnungsschlüssel gehören. Die Einstellungen funktionieren genauso wie auf der Registerkarte Allgemein, sie gelten jedoch nur für den ausgewählten Artikelzuordnungsschlüssel. Alle Einstellungen hier (die Ja- Werte und die Nein-Werte) überschreiben alle Transaktionsarten-Einstellungen auf der Registerkarte Allgemein.
3. Wählen Sie im Inforegister Parameter des Planungsalgorithmus die Planungsgenerierungsstrategie und die Parameterüberschreibungen des Planungsalgorithmus für Produkte aus, die zum ausgewählten Zuordnungsschlüssel gehören. Diese Einstellungen funktionieren genauso wie auf der Registerkarte Allgemein, sie gelten jedoch nur für den ausgewählten Artikelzuordnungsschlüssel. Verwenden Sie die Schaltflächen Hinzufügen und Entfernen in der Symbolleiste, um die erforderliche Sammlung der Parameterüberschreibungen zu definieren. Wählen Sie für jeden Parameter in der Liste einen Wert im Feld Name aus und geben Sie dann einen entsprechenden Wert in das Feld Wert ein. Weitere Informationen zur Verwendung des Standardparametersatzes und zur Auswahl von Werten finden Sie im Abschnitt Standardparameter und -werte für Bedarfsplanungsmodelle Sektion.

Einrichten der Verbindung mit dem Azure Machine Learning Service

Verwenden Sie die Registerkarte Azure Machine Learning Service, um die Verbindung mit dem Azure Machine Learning Service einzurichten. Diese Lösung ist eine der Optionen zum Erstellen der Grundplanung. Diese Einstellungen auf dieser Registerkarte werden nur wirksam, wenn das Strategiefeld "Prognosegenerierung " auf "Azure Machine Learning Service" festgelegt ist.

Weitere Informationen zum Einrichten des Azure Machine Learning Service und zum Herstellen einer Verbindung mit den Einstellungen hier finden Sie im Abschnitt Einrichten des Azure Machine Learning Service.

Einrichten der Verbindung mit Azure Machine Learning Studio (klassisch)

Wenn Sie bereits über einen verfügbaren Azure Machine Learning Studio (klassisch)-Arbeitsbereich verfügen, können Sie ihn zum Generieren von Planungen verwenden, indem Sie ihn mit Supply Chain Management verbinden. Sie können diese Verbindung herstellen, indem Sie die Registerkarte Azure Machine Learning auf der Seite Parameter der Bedarfsplanung verwenden. (Die Einstellungen auf dieser Registerkarte werden nur wirksam, wenn das Feld "Strategie für die Prognosegenerierung " auf Azure Machine Learning festgelegt ist.) Geben Sie die folgenden Details für Ihren Azure Machine Learning Studio (klassischen) Arbeitsbereich ein:

• API-Schlüssel des Webdiensts
• URL des Webdienst-Endpunkts
• Azure Speicherkontoname
• Azure-Speicherkontoschlüssel

Standardparameter und -werte für Bedarfsplanungsmodelle

Wenn Sie Machine Learning verwenden, um Ihre Prognoseplanungsmodelle zu generieren, steuern Sie die Optionen des Machine Learnning, indem Sie Werte für Parameter des Planungsalgorithmus festlegen. Supply Chain Management sendet diese Werte an Azure Machine Learning. Verwenden Sie die Seite mit den Parametern des Prognosealgorithmus , um zu steuern, welche Typen von Werten bereitgestellt werden sollen und welche Werte jeweils vorhanden sein sollen.

Um die Standardparameter und Werte für Bedarfsvorhersagemodelle einzurichten, wechseln Sie zu Masterplanung>Setup>Bedarfsvorhersage>Parameter des Vorhersagealgorithmus. Ein Standardsatz von Parametern wird bereitgestellt. Jeder Parameter hat die folgenden Felder:

• Name – Der Name des Parameters, wie er von Azure verwendet wird. Normalerweise sollten Sie diesen Namen nicht ändern, es sei denn, Sie haben das Experiment in Azure Machine Learning angepasst.
• Beschreibung – Ein allgemeiner Name für den Parameter. Verwenden Sie diesen Namen, um den Parameter an anderen Stellen im System zu identifizieren (z. B. auf der Seite " Bedarfsvorhersageparameter ").
• Wert – Der Standardwert für den Parameter. Der eingegebene Wert hängt von dem Parameter ab, den Sie bearbeiten.
• Erläuterung – Eine kurze Beschreibung des Parameters und seiner Verwendung. Diese Beschreibung enthält in der Regel Hinweise zu gültigen Werten für das Feld Wert.

Die folgenden Parameter werden standardmäßig bereitgestellt. (Wenn Sie zu dieser Standardliste zurückkehren möchten, wählen Sie im Aktionsbereich die Option "Wiederherstellen " aus.)

• Zuverlässigkeitsstufe (Prozentsatz) – Ein Zuverlässigkeitsintervall besteht aus einem Wertebereich, der eine gute Einschätzung der Bedarfsplanung ermöglicht. Eine Zuverlässigkeitsstufe von 95 % bedeutet beispielsweise, dass der zukünftige Bedarf mit einer Chance von 5 % aus dem Intervallbereich der Zuverlässigkeit fällt.

• Saisonalität erzwingen – Gibt an, ob das Modell gezwungen wird, eine bestimmte Art der Saisonalität zu verwenden. Dieser Parameter gilt nur für ARIMA und ETS. Optionen: AUTO (Standard), KEINE, ADDITIV, MULTIPLIKATIV.

• Planungsmodell – Gibt an, welches Planungsmodell verwendet werden soll. Optionen: ARIMA, ETS, STL, ETS+ARIMA, ETS+STL, ALLE. Um das passendste Modell auszuwählen, verwenden Sie ALLE.

• Maximaler vorhergesagter Wert – Gibt den Maximalwert an, der für Vorhersagen verwendet werden kann. Format: +1E[n] oder numerische Konstante.

• Minimaler vorhergesagter Wert – Gibt den Minimalwert an, der für Vorhersagen verwendet werden kann. Format: -1E[n] oder numerische Konstante.

• Fehlende Wertersetzung – Gibt an, wie Lücken in historischen Daten gefüllt werden. Optionen: (numerischer Wert), MITTEL, VORHERIG, LINEARINTERPOLATION, POLYNOMINTERPOLATION.

• Fehlender Wertersetzungsbereich – Gibt an, ob die Wertersetzung nur für den Datumsbereich jedes einzelnen Granularitätsattributs oder für das gesamte Dataset gilt. Folgende Optionen stehen zur Verfügung, um den Datumsbereich festzulegen, den das System beim Auffüllen von Lücken in historischen Daten verwendet:

  • GLOBAL – Das System verwendet den gesamten Datumsbereich aller Granularitätsattribute.
  • HISTORY_DATE_RANGE – Das System verwendet einen bestimmten Datumsbereich, der durch "Von Datum" und " Bis Datum " im Abschnitt " Historischen Horizont " im Dialogfeld " Statistische Basisplanvorhersage generieren " definiert ist.
  • GRANULARITY_ATTRIBUTE – Das System verwendet den Datumsbereich des aktuell verarbeiteten Granularitätsattributs.

  Note

  Ein Granularitätsattribut ist eine Kombination von Planungsdimensionen, für die die Planung erstellt wird. Sie können Planungsdimensionen auf der Seite Bedarfsplanungsparameter definieren.

• Hinweis zur Saisonalität – Geben Sie für Saisondaten einen Hinweis an das Planungsmodell, um die Planungsgenauigkeit zu verbessern. Format: Ganzzahl, die die Anzahl der Buckets angibt, die sich ein Bedarfsmuster wiederholt. Geben Sie zum Beispiel 6 für Daten ein, die alle sechs Monate wiederholt werden.

• Prozentsatz der Testsatzgröße – Prozentsatz der verlaufsbezogenen Daten, die als Testsatz für die Berechnung der Prognosegenauigkeit verwendet werden sollen.

Überschreiben Sie die Werte für diese Parameter, indem Sie zu Master Planning>Setup>Bedarfsprognose>Parameter für Bedarfsprognosen wechseln. Auf der Seite Bedarfsplanungsparameter können Sie die Parameter auf folgende Weise überschreiben:

• Verwenden Sie die Registerkarte llgemein, um die Parameter global zu überschreiben.
• Verwenden Sie die Registerkarte Artikelzuteilungsschlüssel, um die Parameter für bestimmte Artikelzuteilungsschlüssel zu überschreiben. Parameter, die Sie für einen bestimmten Elementzuweisungsschlüssel außer Kraft setzen, wirken sich nur auf die Prognose von Elementen aus, die diesem Elementzuweisungsschlüssel zugeordnet sind.

Einrichten des Azure Machine Learning Service

Supply Chain Management berechnet Bedarfsprognosen mithilfe des Azure Machine Learning Service. Sie müssen diesen Dienst in Ihrem eigenen Azure-Abonnement einrichten und ausführen. In diesem Abschnitt wird beschrieben, wie Sie den Azure Machine Learning Service in Azure einrichten und ihn dann mit Ihrer Supply Chain Management-Umgebung verbinden.

Aktivieren Sie den Azure Machine Learning Service in der Funktionsverwaltung

Um diese Funktion nutzen zu können, muss sie für Ihr System aktiviert werden. Ab Supply Chain Management Version 10.0.32 ist das Feature standardmäßig aktiviert. Ab Supply Chain Management Version 10.0.36 ist das Feature obligatorisch und kann nicht deaktiviert werden. Wenn Sie eine ältere Version als 10.0.36 ausführen, können Administratoren diese Funktionalität ein- oder ausschalten, indem sie nach dem Feature Azure Machine Learning Service für die Planung des Bedarfs im Arbeitsbereich Funktionsverwaltung suchen.

Einrichten von Machine Learning in Azure

Damit Azure maschinelles Lernen verwenden kann, um Ihre Prognosen zu verarbeiten, müssen Sie hierfür einen Azure Machine Learning-Arbeitsbereich einrichten. Sie haben zwei Möglichkeiten:

• Wenn Sie den Arbeitsbereich einrichten möchten, indem Sie ein von Microsoft bereitgestelltes Skript ausführen, befolgen Sie die Anweisungen in Option 1: Führen Sie ein Skript aus, um den Abschnitt "Machine Learning Workspace" automatisch einzurichten , und fahren Sie dann mit dem Abschnitt "Einrichten von Azure Machine Learning Service-Verbindungsparametern" im Abschnitt "Supply Chain Management " fort.
• Um Ihren Arbeitsbereich manuell einzurichten, indem Sie ein von Microsoft bereitgestelltes Skript ausführen, befolgen Sie die Anweisungen im Abschnitt Option 2: Manuell ein Skript ausführen, um automatisch Ihren Arbeitsbereich für Machine Learning einzurichten, und springen Sie dann zum Abschnitt Einrichten von Verbindungsparametern für Azure Machine Learning Service in Supply Chain Management. Diese Option nimmt mehr Zeit in Anspruch, gibt Ihnen aber mehr Kontrolle.

Informationen zum Relay

Der Konnektor für die Bedarfsprognose in Supply Chain Management kommuniziert mit Azure Machine Learning über den v1-REST-Vertrag für veröffentlichte Pipelines: Er übermittelt einen Lauf, fragt den Laufstatus regelmäßig ab, bricht einen Lauf ab und fragt aktive Läufe ab. Azure Machine Learning SDK v2 macht diesen Vertrag nicht verfügbar. Daher enthält die aktualisierte Vorlage ein Relay – ein einfaches Azure Function –, das diese vier Aufrufe akzeptiert und den entsprechenden SDK v2-Pipelineauftrag sendet. Eingabe- und Ausgabedaten fließen weiterhin über den Demplan-azureml-Blobcontainer , genau wie in der v1-Vorlage.

Das Relay authentifiziert jeden Aufrufer durch Überprüfung des Microsoft Entra-Tokens des Dienstprinzipals, sodass nur Ihre Supply Chain Management-Umgebung Prognosen auslösen kann. Das quick_setup.ps1 Skript erstellt die Funktions-App, weist sie einer verwalteten Identität zu, die Zugriff auf den Arbeitsbereich und das Speicherkonto hat, konfiguriert und den Relaycode bereitstellt. Die Pipelineendpunktadresse, die Sie in Supply Chain Management eingeben, ist die URL des Relays, die das Skript nach Abschluss des Vorgangs druckt.

Option 1: Führen Sie ein Skript aus, um Ihren Machine Learning-Arbeitsbereich automatisch einzurichten

In diesem Abschnitt wird beschrieben, wie Sie Ihren Maschinellen Lernarbeitsbereich mithilfe eines automatisierten Skripts einrichten, das Microsoft bereitstellt. Das Skript richtet die Azure-Machine-Learning-Ressourcen ein, erstellt den Dienstprinzipal und stellt das relay bereit und setzt es ein. Wenn Sie möchten, können Sie alle Ressourcen manuell einrichten, indem Sie die Anweisungen im Abschnitt Option 2:Ihren Machine Learning-Arbeitsbereich manuell einrichten befolgen. Sie müssen nicht beide Optionen ausführen.

Das Skript erfordert die Azure CLI und die Azure CLI-Erweiterung (v2).The script requires the Azure CLI and the Azure CLI ml extension (v2).

1. Öffnen Sie auf GitHub das Repository „Vorlagen für die Bedarfsprognose in Dynamics 365 Supply Chain Management mit Azure Machine Learning“ (Repository). Klonen Sie entweder das Repository, oder laden Sie es als .zip Datei herunter, sodass Sie über die vollständige Ordnerstruktur verfügen, einschließlich der folgenden Elemente:

   • quick_setup.ps1
   • sampleInput.csv
   • src/parameters.py
   • src/api_trigger.py
   • src/run.py
   • src/REntryScript/entry.py
   • src/REntryScript/forecast_entry.r
   • src/REntryScript/forecast.r
   • Der Ordner relay

2. Öffnen Sie ein PowerShell-Fenster im Stammverzeichnis des Repositorys, und führen Sie das quick_setup.ps1 Skript aus. Geben Sie die Parameter an, die in der folgenden Tabelle beschrieben werden. Folgen Sie den Anweisungen auf dem Bildschirm, einschließlich der Azure Anmeldeaufforderung.

   Parameter	Description
   -subscriptionId	Das Azure-Abonnement, in dem die Ressourcen erstellt werden sollen.
   -resourceGroupName	Die Ressourcengruppe, die erstellt oder wiederverwendet werden soll.
   -location	Die Azure-Region. Wählen Sie die Region aus, die Ihrer Supply Chain Management Bereitstellung entspricht.
   -storageAccountName	Das Speicherkonto, das der Bedarfsprognose gewidmet ist.
   -workspaceName	Der Azure Machine Learning Arbeitsbereich, der erstellt oder wiederverwendet werden soll.
   -AADApplicationName	Der Name der Microsoft Entra-Anwendung (Dienstprinzipal), die erstellt oder wiederverwendet werden soll.
   -functionAppName	Der Name der Azure-Funktions-App, die das Relay hosten soll.
   -functionStorageAccountName	Das Speicherkonto, das von der Function App für ihre Laufzeit verwendet wird.
   -d365TenantId (wahlweise)	Der Mandant, bei dem sich der Connector authentifiziert. Wenn Sie diesen Parameter weglassen, verwendet das Skript den aktuellen Mandanten.
   -d365AppId (wahlweise)	Die Dienstprinzipalanwendungs-ID des Connectors. Wenn Sie diesen Parameter weglassen, verwendet das Skript die erstellte Anwendung.

   Das Skript ist idempotent. Wenn Sie es erneut ausführen, werden vorhandene Ressourcen wiederverwendet. Es führt folgende Aufgaben aus:

   • Erstellt (oder verwendet erneut) den Arbeitsbereich, das Speicherkonto, den demplan-azureml-Blobcontainer, den workspaceblobdemplan-Datenspeicher, eine Computeinstanz und den e2ecpucluster-Computecluster.
   • Erstellt (oder wiederverwendet) Anwendung und Dienstprinzipal von Microsoft Entra, und weist sie der Rolle „Mitwirkender“ für den Arbeitsbereich und das Speicherkonto sowie der Rolle „Storage Blob Data-Mitwirkender“ für das Speicherkonto zu.
   • Stellt die Funktions-App für das Relay bereit, weist sie einer verwalteten Identität zu, die über die erforderlichen Rollen verfügt, konfiguriert und den Relaycode bereitstellt.

3. Erstellen Sie im Abschnitt "Zertifikate und geheime Schlüssel" der Microsoft Entra Anwendung, die das Skript erstellt hat, einen geheimen Clientschlüssel. Anweisungen finden Sie unter Hinzufügen eines Client-Geheimnisses. Notieren Sie sich den geheimen Wert. Sie geben sie später in Supply Chain Management ein.

4. Nach Abschluss des Skripts werden die Parameter für die Bedarfsvorhersage gedruckt, die Sie in Supply Chain Management eingeben, einschließlich der Pipelineendpunktadresse (die Relay-URL). Notieren Sie sich diese Werte.

5. Ihr Arbeitsbereich und Relay sind jetzt eingerichtet. Machen Sie bei Abschnitt Einrichten der Verbindungsparameter von Azure Machine Learning Service in Supply Chain Management weiter.

Option 2: Ihren Machine Learning-Arbeitsbereich manuell einrichten

In diesem Abschnitt wird beschrieben, wie Sie Ihren Machine Learning-Arbeitsbereich manuell einrichten. Führen Sie die Verfahren in diesem Abschnitt nur aus, wenn Sie sich entschieden haben, das Skript für das automatische Setup nicht auszuführen, wie in Option 1 beschrieben: Ausführen eines Skripts zum Einrichten des Arbeitsbereichs für maschinelles Lernen .

Schritt 1: Erstellen eines neuen Arbeitsbereichs

Gehen Sie zum Erstellen eines neuen Machine Learning-Arbeitsbereichs folgendermaßen vor.

1. Melden Sie sich bei Ihrem Azure-Portal an.

2. Öffnen Sie den Machine Learning-Service.

3. Wählen Sie in der Symbolleiste Erstellen aus, um den Erstellungsassistenten zu öffnen.

4. Schließen Sie den Assistenten ab, indem Sie die Bildschirmanweisungen befolgen. Beachten Sie bei Ihrer Arbeit folgende Punkte:

   • Verwenden Sie die Standardeinstellungen, es sei denn, andere Punkte in dieser Liste empfehlen andere Einstellungen.
   • Achten Sie darauf, die geografische Region auszuwählen, die der Region entspricht, in der Ihre Instanz von Supply Chain Management bereitgestellt wird. Andernfalls könnten einige Ihrer Daten die Regionsgrenzen überschreiten. Weitere Informationen finden Sie im Datenschutzhinweis weiter unten in diesem Artikel.
   • Verwenden Sie dedizierte Ressourcen, z. B. Ressourcengruppen, Speicherkonten, Containerregistrierungen, Azure Key Vaults und Netzwerkressourcen.
   • Auf der Seite Einrichten der Verbindungsparametern von Azure Machine Learning Service des Assistenten müssen Sie einen Speicherkontonamen angeben. Verwenden Sie ein Konto, das für die Bedarfsprognose vorgesehen ist. Die Eingabe- und Ausgabedaten der Nachfrageprognose werden in diesem Speicherkonto gespeichert.

Weitere Informationen finden Sie unter "Arbeitsbereich erstellen".

Schritt 2: Speicher konfigurieren

Verwenden Sie die folgende Prozedur, um Ihren Speicher einzurichten.

1. Öffnen Sie auf GitHub die Vorlagen für Dynamics 365 Supply Chain Management-Bedarfsprognosen mit Azure Machine Learning-Repository , und laden Sie die sampleInput.csv Datei herunter.
2. Öffnen Sie das Speicherkonto, das Sie im Abschnitt Schritt 1: Erstellen eines neuen Arbeitsbereichs erstellt haben.
3. Befolgen Sie die Anweisungen unter "Erstellen eines Containers ", um einen Container mit dem Namen "demplan-azureml" zu erstellen.
4. Laden Sie die sampleInput.csv Datei, die Sie in Schritt 1 heruntergeladen haben, in den soeben erstellten Container hoch. Sie benötigen diese Datei, um die Pipeline zu veröffentlichen und eine Testprognose zu generieren. Anweisungen finden Sie unter Einen Blockblob hochladen.

Schritt 3: Konfigurieren eines Standarddatenspeichers

Führen Sie die folgenden Schritte aus, um Ihren Standarddatenspeicher einzurichten:

1. Wählen Sie in Azure Machine Learning Studio im Navigator Datenspeicher aus.
2. Erstellen Sie einen neuen Datenspeicher des Typs Azure Blob Storage, der auf den Blob Storage-Container demplan-azureml weist, den Sie im Abschnitt Schritt 2: Speicher konfigurieren erstellt haben. Wenn der Authentifizierungstyp des neuen Datenspeichers "Kontoschlüssel" lautet, geben Sie einen Kontoschlüssel für das erstellte Speicherkonto an. Anweisungen finden Sie unter Verwalten von Zugriffstasten für Speicherkonten.
3. Machen Sie Ihren neuen Datenspeicher zum Standarddatenspeicher, indem Sie die Details öffnen und Als Standard-Datenspeicher festlegen auswählen.

Schritt 4: Rechenressourcen konfigurieren

Führen Sie die folgenden Schritte aus, um eine Computeressource in Azure Machine Learning Studio zum Ausführen Ihrer Skripts für die Prognosegenerierung einzurichten:

1. Öffnen Sie die Detailseite für den Machine Learning-Arbeitsbereich, den Sie im Abschnitt Schritt 1: Erstellen eines neuen Arbeitsbereichs erstellt haben. Finden Sie den Wert Studio-Web-URL, und wählen Sie den Link aus, um ihn zu öffnen.

2. Wählen Sie im Navigationsbereich Berechnen aus.

3. Wählen Sie auf der Registerkarte "Computeinstanzen " die Option "Neu " aus, um einen Assistenten zu öffnen, mit dem Sie eine neue Computeinstanz erstellen können. Befolgen Sie die Anweisungen auf dem Bildschirm. Verwenden Sie die Standardeinstellungen. Die Compute-Instanz wird verwendet, um die Bedarfsplanungs-Pipeline zu erstellen. Sie können sie löschen, nachdem die Pipeline veröffentlicht wurde.

4. Wählen Sie auf der Registerkarte "Computecluster " die Option "Neu " aus, um einen Assistenten zu öffnen, mit dem Sie einen neuen Computecluster erstellen können. Befolgen Sie die Anweisungen auf dem Bildschirm. Der Computecluster generiert Bedarfsprognosen. Seine Einstellungen wirken sich auf die Leistung und den maximalen Grad der Parallelisierung bei der Ausführung aus. Legen Sie die folgenden Felder fest, verwenden Sie jedoch die Standardeinstellungen für alle anderen Felder:

   • Name – geben Sie e2ecpucluster ein.
   • Größe des virtuellen Computers – passen Sie diese Einstellung an das Datenvolumen an, das Sie voraussichtlich als Eingabe für die Bedarfsplanung verwenden werden. Die Anzahl der Knoten sollte 11 nicht überschreiten, da ein Knoten erforderlich ist, um die Erzeugung der Bedarfsplanung auszulösen, und die maximale Anzahl von Knoten, die dann zum Erstellen einer Planung verwendet werden können, 10 beträgt. Außerdem legen Sie die Knotenanzahl in der parameters.py Datei in Schritt 5 fest: Bereitstellen des Relayabschnitts . Auf jedem Knoten führen mehrere Arbeitsprozesse Prognoseskripts parallel aus. Die Gesamtzahl der Worker-Prozesse in Ihrem Einzelvorgang beträgt Anzahl der Kerne, die ein Knoten hat × Knotenanzahl. Wenn Ihr Computecluster beispielsweise einen Typ von Standard_D4 (acht Kerne) und maximal 11 Knoten aufweist und der nodes_count Wert in der Datei auf parameters.py festgelegt ist, beträgt die effektive Parallelitätsebene 80.

Schritt 5: Bereitstellen des Relays

In SDK v2 erreicht der Konnektor Azure Machine Learning über das Relay statt über eine veröffentlichte v1-Pipeline. Führen Sie die folgenden Schritte aus, um das Relay manuell bereitzustellen. In diesen Schritten werden die Azure CLI und die Azure CLI ml Erweiterung (v2) verwendet.

1. Öffnen Sie auf GitHub die Vorlagen für Dynamics 365 Supply Chain Management Bedarfsprognose mit Azure Machine Learning Repository, und klonen Sie sie, oder laden Sie sie als .zip Datei herunter, sodass Sie über die und src die relay Ordner verfügen.

2. Öffnen Sie die Datei src/parameters.py . Stellen Sie sicher, dass der nodes_count Wert nicht größer als die Anzahl der Knoten ist, die Sie für den Computecluster im Abschnitt "Schritt 4: Konfigurieren von Computeressourcen" konfiguriert haben. Wenn der nodes_count Wert größer als die Anzahl der Knoten ist, die im Cluster verfügbar sind, wird die Ausführung möglicherweise in die Warteschlange gestellt, bis weitere Ressourcen verfügbar sind.

3. Erstellen Sie ein Speicherkonto für die Laufzeit der Funktions-App. Dieses Konto unterscheidet sich vom Speicherkonto für die Bedarfsprognose.

   az storage account create --name <functionStorageAccountName> --resource-group <resourceGroupName> --location <location> --sku Standard_LRS
   

4. Erstellen Sie eine Linux Function-App, die Python 3.11 für einen Verbrauchsplan ausführt, und aktivieren Sie den Remotebuild.

   az functionapp create --name <functionAppName> --resource-group <resourceGroupName> --storage-account <functionStorageAccountName> --consumption-plan-location <location> --os-type Linux --runtime python --runtime-version 3.11 --functions-version 4
   az functionapp config appsettings set --name <functionAppName> --resource-group <resourceGroupName> --settings SCM_DO_BUILD_DURING_DEPLOYMENT=1 ENABLE_ORYX_BUILD=true
   

5. Weisen Sie der Funktions-App eine vom System zugewiesene verwaltete Identität zu.

   az functionapp identity assign --name <functionAppName> --resource-group <resourceGroupName>
   

   Weisen Sie der zurückgegebenen Principal-ID für den Azure Machine Learning-Arbeitsbereich die Rolle „Mitwirkender“ und für das Speicherkonto der Bedarfsprognose die Rolle „Mitwirkender für Storage-Blobdaten“ zu. Anweisungen hierzu finden Sie unter Zuweisen von Azure-Rollen über das Azure-Portal.

6. Konfigurieren Sie die App-Einstellungen des Relays. Legen Sie für RELAY_EXPECTED_TENANT_ID und RELAY_EXPECTED_APP_ID die Mandanten-ID bzw. die Dienstprinzipalanwendungs-ID aus dem Abschnitt Neue Microsoft Entra-Anwendung einrichten fest. Das Relay lehnt jeden Aufrufer ab, der kein Token für diesen Mandanten und diese Anwendung vorlegt.

   az functionapp config appsettings set --name <functionAppName> --resource-group <resourceGroupName> --settings AML_SUBSCRIPTION_ID=<subscriptionId> AML_RESOURCE_GROUP=<resourceGroupName> AML_WORKSPACE_NAME=<workspaceName> RELAY_DATASTORE=workspaceblobdemplan RELAY_EXPECTED_TENANT_ID=<tenantId> RELAY_EXPECTED_APP_ID=<servicePrincipalApplicationId>
   

7. Kopieren Sie den src Ordner in den relay Ordner (das Relay importiert die Pipeline-Generatoren daraus), packen Sie das Relay, und stellen Sie ihn mit einem Remotebuild bereit.

   Copy-Item .\src .\relay\src -Recurse -Force
   Compress-Archive -Path .\relay\* -DestinationPath .\relay.zip -Force
   az functionapp deployment source config-zip --name <functionAppName> --resource-group <resourceGroupName> --src .\relay.zip --build-remote true
   

   Important

   Die --build-remote true-Option ist erforderlich. Ohne diese werden die in relay/requirements.txt enthaltenen Pakete nicht installiert, und das Relay schlägt zur Laufzeit fehl.

8. Das Relay ist jetzt bereitgestellt. Die Adresse des Pipelineendpunkts hat die folgende Form. Sie geben diese URL als Pipelineendpunktadresse in Supply Chain Management ein. Nur der Host wird vom Connector verwendet; die Pfadsegmente liefern das Abonnement, die Ressourcengruppe und den Arbeitsbereich.

   https://<functionAppName>.azurewebsites.net/pipelines/v1.0/subscriptions/<subscriptionId>/resourceGroups/<resourceGroupName>/providers/Microsoft.MachineLearningServices/workspaces/<workspaceName>/PipelineRuns/PipelineEndpointSubmit/Id/relay
   

Einrichten einer neuen Microsoft Entra-Anwendung

Um sich mithilfe eines Service Principals mit den Ressourcen zu authentifizieren, die für die Bedarfsplanung vorgesehen sind, benötigen Sie eine Microsoft Entra-Anwendung. Daher sollte die Anwendung die niedrigste Berechtigungsebene haben, die zum Generieren der Planung erforderlich ist.

1. Melden Sie sich bei Ihrem Azure-Portal an.

2. Registrieren Sie eine neue Anwendung in der Microsoft Entra ID des Mandanten Anweisungen finden Sie unter Verwenden Sie das Portal, um eine Microsoft Entra-Anwendung und einen Dienstprinzipal zu erstellen, die auf Ressourcen zugreifen können.

3. Befolgen Sie die Bildschirmanweisungen, wenn Sie den Assistenten abschließen. Verwenden Sie die Standardeinstellungen.

4. Gewähren Sie Ihrer neuen Microsoft Entra-Anwendung Zugriff auf die folgenden Ressourcen, die Sie im Abschnitt "Maschinelles Lernen in Azure einrichten " erstellt haben. Anweisungen hierzu finden Sie unter Zuweisen von Azure-Rollen über das Azure-Portal. Dieser Schritt ermöglicht dem System, Prognosedaten zu importieren und zu exportieren und maschinelle Lernpipelines aus dem Supply-Chain-Management auszulösen.

   • Mitwirkender-Rolle im Machine Learning-Arbeitsbereich
   • Mitwirkender-Rolle für das dedizierte Speicherkonto
   • Storage Blob Data-Mitwirkender-Rolle für das dedizierte Speicherkonto

5. Im Zertifikate & Geheimnisse-Abschnitt der Anwendung, die Sie erstellt haben, erstellen Sie ein Geheimnis für die Anwendung. Anweisungen finden Sie unter Hinzufügen eines Client-Geheimnisses.

6. Notieren Sie sich die Anwendungs-ID und ihr Geheimnis. Die Angaben zu dieser Anwendung benötigen Sie später bei der Einrichtung der Seite Bedarfsplanungsparameter im Supply Chain Management.

Machen Sie bei Abschnitt Einrichten der Verbindungsparameter von Azure Machine Learning Service in Supply Chain Management weiter

Verwenden Sie das folgende Verfahren, um Ihre Supply Chain Management-Umgebung mit dem maschinellen Lerndienst zu verbinden, den Sie in Azure eingerichtet haben.

1. Melden Sie sich im Supply Chain Management an.

2. Wechseln Sie zu Produktprogrammplanung>Einrichten>Bedarfsplanung>Bedarfsplanungsparameter.

3. Stellen Sie auf der Registerkarte Allgemein sicher, dass das Feld Strategie zur Prognosegenerierung auf Azure Machine Learning Service festgelegt ist.

4. Stellen Sie auf der Registerkarte Artikelzuordnungsschlüssel sicher, dass das Feld Strategie zur Prognosegenerierung für jeden Zuordnungsschlüssel, der den Azure Machine Learning Service für die Bedarfsprognose verwenden soll auf Azure Machine Learning Service festgelegt ist.

5. Legen Sie auf der Registerkarte Azure Machine Learning Service die folgenden Felder fest:

   • Mandanten-ID - geben Sie die ID für Ihren Azure-Mandanten ein. Supply Chain Management verwendet diese ID, um sich beim Azure Machine Learning Service zu authentifizieren. Ihre Mandanten-ID finden Sie auf der Seite Überblick für Microsoft Entra ID im Azure-Portal.
   • Dienstprinzipalanwendungs-ID – geben Sie die Anwendungs-ID für die Anwendung ein, die Sie im Abschnitt Active Directory-Anwendung erstellt haben. Supply Chain Management verwendet diesen Wert, um API-Anforderungen an Azure Machine Learning Service zu autorisieren.
   • Dienstprinzipal-Anwendungsgeheimnis – geben Sie das Dienstprinzipal-Anwendungsgeheimnis für die Anwendung ein, die Sie im Abschnitt Active Directory-Anwendung erstellt haben. Supply Chain Management verwendet diesen Wert, um das Zugriffstoken für den Sicherheitsprinzipal abzurufen, den Sie erstellt haben, um autorisierte Vorgänge für Azure Storage und den Azure Machine Language-Arbeitsbereich auszuführen.
   • Name des Speicherkontos – geben Sie den Namen des Azure-Speicherkontos ein, den Sie beim Ausführen des Einrichtungsassistenten in Ihrem Azure-Arbeitsbereich angegeben haben. (Weitere Informationen finden Sie im Abschnitt "Einrichten des maschinellen Lernens in Azure ".)
   • Pipelineendpunktadresse – Geben Sie die URL des Relays ein, das Sie bereitgestellt haben, wenn Sie maschinelles Lernen in Azure einrichten. Wenn Sie das Skript (Option 1) verwendet haben, ist diese URL die Pipelineendpunktadresse , die das quick_setup.ps1 Skript nach Abschluss des Skripts druckt. Wenn Sie das Relay manuell einrichten (Option 2), erstellen Sie die URL wie im Schritt 5 beschrieben: Bereitstellen des Relayabschnitts .

   

Datenschutzhinweis

Wenn Sie Azure Machine Learning Service als Ihre Strategie zur Planungserstellung auswählen, sendet Supply Chain Management automatisch Ihre Kundendaten für den historischen Bedarf, wie aggregierte Mengen, Produktnamen und deren Produktabmessungen, Versand- und Empfangsorte, Kundenbezeichner und auch Planungsparameter zum Zweck der Planung des zukünftigen Bedarfs an die geografische Region, in der sich Ihr Machine Learning-Arbeitsbereich und sein verknüpftes Speicherkonto befinden. Der Azure Machine Learning Service befindet sich möglicherweise in einer anderen geografischen Region als der geografischen Region, in der Supply Chain Management bereitgestellt wird. Einige Benutzer können steuern, ob diese Funktion aktiviert ist, indem sie die Strategie der Planungserstellung auf der Seite Parameter der Bedarfsplanung auswählen.

Verwandte Informationen

• Bedarfsplanung – Übersicht
• Eine statistische Grundplanung generieren
• Manuelle Anpassungen an der Grundplanung
• Webinar: Reihe „Bedarfsplanung mit Azure Machine Learning“