Impostazione della previsione della domanda

In questo articolo viene descritto come impostare la previsione della domanda.

Chiavi di allocazione articoli

Le chiavi di allocazione articoli stabiliscono gruppi di articoli. Il sistema calcola una previsione della domanda per un elemento e le relative dimensioni solo se l'elemento fa parte di una chiave di allocazione degli elementi. Questa regola raggruppa un numero elevato di elementi in modo che il sistema possa creare previsioni della domanda più rapidamente. Il sistema crea previsioni basate solo sui dati cronologici.

Un elemento e le relative dimensioni devono far parte di una sola chiave di allocazione degli elementi se si utilizza la chiave di allocazione dell'elemento durante la creazione della previsione.

Per creare chiavi di allocazione degli elementi e aggiungere un'unità di mantenimento delle scorte (SKU), seguire questa procedura:

1. Passare a Pianificazione generale>Impostazione>Previsione della domanda>Chiavi di allocazione articolo.

2. Seleziona una chiave di allocazione articoli nel riquadro dell'elenco oppure seleziona Nuovo nel riquadro azioni per crearne una nuova. Nell'intestazione della chiave nuova o selezionata, imposta i seguenti campi:

   • Chiave di allocazione articoli – Immetti un nome univoco per la chiave.
   • Nome – Immettere un nome descrittivo per la chiave.

3. Segui uno di questi passaggi per aggiungere articoli alla chiave di allocazione articoli selezionata o rimuovere articoli:

   • Nella scheda dettaglio Allocazione articoli, utilizza i pulsanti Nuovo ed Elimina nella barra degli strumenti per aggiungere o rimuovere articoli come necessario. Per ogni riga, seleziona il numero dell'articolo, quindi assegna i valori delle dimensioni nelle altre colonne in base alle tue esigenze. Seleziona Visualizza dimensioni sulla barra degli strumenti per modificare il set di colonne delle dimensioni visualizzato nella griglia. Il valore della colonna Percentuale viene ignorata quando vengono generate le previsioni della domanda.
   • Se desideri aggiungere un numero elevato di articoli alla chiave, seleziona Assegna articoli nel riquadro azioni per aprire una pagina in cui è possibile trovare e assegnare più articoli alla chiave selezionata.

Gruppi di pianificazione interaziendale

Le previsioni della domanda possono generare previsioni interaziendali. In Dynamics 365 Sales, raggruppa le società che intendi pianificare insieme nello stesso gruppo di pianificazione interaziendale. Per specificare, per azienda, quali chiavi di allocazione degli elementi prendere in considerazione per la previsione della domanda, associare una chiave di allocazione degli elementi al membro del gruppo di pianificazione interaziendale.

Per configurare i gruppi di pianificazione interaziendale, seguire questa procedura:

1. Andare a Pianificazione generale>Impostazione>Gruppi di pianificazione interaziendale.

2. Seleziona un gruppo di pianificazione nel riquadro dell'elenco oppure seleziona Nuovo nel riquadro azioni per creare uno nuovo. Nell'intestazione del gruppo nuovo o selezionato, imposta i seguenti campi:

   • Nome - Immetti un nome univoco per il gruppo di pianificazione.
   • Descrizione - Immetti una breve descrizione del gruppo di pianificazione.

3. Nella scheda dettaglio Membri del gruppo di pianificazione interaziendale utilizza i pulsanti sulla barra degli strumenti per aggiungere una riga per ogni società (persona giuridica) che deve far parte del gruppo. Per ciascuna riga, imposta i seguenti campi:

   • Persona giuridica – Seleziona il nome di una società (persona giuridica) membro del gruppo selezionato.
   • Sequenza di pianificazione – Assegna l'ordine in cui la società deve essere elaborata rispetto ad altre società. I valori bassi vengono elaborati per primi. Questo ordine può essere importante quando la domanda di una società interessa altre società. In questi casi, l'azienda che soddisfa la domanda viene trattata per ultima.
   • Piano generale - Seleziona il piano generale da attivare per la società corrente.
   • Copia automatica su piano statico – Seleziona questa casella di controllo per copiare il risultato del piano nel piano statico.
   • Copia automatica su piano dinamico – Seleziona questa casella di controllo per copiare il risultato del piano nel piano dinamico.

4. Per impostazione predefinita, se non si assegnano chiavi di allocazione degli elementi ai membri del gruppo di pianificazione interaziendale, il sistema calcola una previsione della domanda per tutti gli elementi assegnati a tutte le chiavi di allocazione degli elementi di tutte le aziende. È possibile trovare opzioni di filtro aggiuntive per le aziende e le chiavi di allocazione degli elementi nella finestra di dialogo Genera previsione statistica di base (Pianificazione master>Previsione>domanda>Genera previsione statistica di base). Per assegnare chiavi di allocazione articoli a una società nel gruppo di pianificazione interaziendale selezionato, seleziona la società, quindi, nella scheda dettaglio Membri del gruppo di pianificazione interaziendale seleziona Chiavi di allocazione articoli sulla barra degli strumenti.

Per altre informazioni, vedere Gruppi di pianificazione intercompany per la previsione della domanda.

Configurare i parametri di previsione della domanda

Usare la pagina Parametri di previsione della domanda per configurare le opzioni che controllano il funzionamento della previsione della domanda nel sistema.

Aprire la pagina dei parametri della previsione della domanda

Per configurare i parametri di previsione della domanda, accedere a Master planning>Setup>Demand forecasting>Demand forecasting parameters. Poiché le previsioni della domanda vengono eseguite a livello interaziendale, l'impostazione è globale. Si applica a tutte le persone giuridiche (società).

Impostazioni generali

Utilizza la scheda Generale della pagina Parametri di previsione della domanda per definire le impostazioni generali per la previsione della domanda.

Unità previsione domanda

La previsione della domanda genera la previsione in quantità. Pertanto, è necessario specificare l'unità di misura per la quantità nel campo Unità di previsione domanda . Questo campo definisce l'unità utilizzata dal sistema per tutte le previsioni della domanda, indipendentemente dalle normali unità di inventario per ogni prodotto. L'uso di un'unità di previsione coerente garantisce che l'aggregazione e la percentuale di distribuzione siano appropriate. Per ulteriori informazioni su aggregazione e percentuale di distribuzione, vedere Effettuare correzioni manuali alla previsione di base.

Per ogni unità di misura usata per gli SKU inclusi nella previsione della domanda, assicurarsi che sia presente una regola di conversione per l'unità di misura e l'unità di misura generale per le previsioni selezionata qui. Quando si genera una previsione, il sistema registra l'elenco di elementi che non dispongono di un'unità di conversione della misura. Pertanto, è possibile correggere facilmente l'impostazione. Per altre informazioni su come creare unità di misura e come convertirle, vedi Gestire unità di misura.

Tipi di transazione

Utilizzare i campi nella Scheda dettaglio Tipi di transazione per selezionare i tipi di transazione che il sistema utilizza quando genera la previsione statistica di riferimento.

È possibile usare la previsione della domanda per prevedere sia la domanda dipendente che la domanda indipendente. Ad esempio, se si imposta solo l'opzione Ordine vendite su Sì e tutti gli elementi che si considerano per la previsione della domanda sono articoli venduti, il sistema calcola la domanda indipendente. Tuttavia, è possibile aggiungere sottocomponenti critici alle chiavi di allocazione degli elementi e includerli nella previsione della domanda. In questo caso, se si imposta l'opzione Linea di produzione su Sì, il sistema calcola una previsione dipendente.

È possibile sostituire i tipi di transazione per una o più chiavi di allocazione articoli specifiche utilizzando la scheda Chiavi di allocazione articoli. Questa scheda fornisce campi simili.

Scegliere come creare la previsione di base

Usare il campo Strategia di generazione previsione per selezionare il metodo usato dal sistema per creare una previsione di base. Sono disponibili tre metodi:

• Copia della domanda storica – Crea previsioni semplicemente copiando i dati storici.
• Servizio Azure Machine Learning – Usa un modello di previsione che utilizza il servizio Azure Machine Learning. Il servizio Azure Machine Learning è l'attuale soluzione di Machine Learning per Azure. Pertanto, usarlo se si vuole usare un modello di previsione.
• Azure Machine Learning – Usa un modello di previsione che utilizza Azure Machine Learning Studio (classico). Azure Machine Learning Studio (versione classica) è deprecato e verrà presto rimosso da Azure. Selezionare quindi il servizio Azure Machine Learning se si configura la previsione della domanda per la prima volta. Se stai usando Azure Machine Learning Studio (classico), dovresti pianificare di passare al servizio Azure Machine Learning il prima possibile.

È possibile sostituire il metodo di generazione della previsione per una o più chiavi di allocazione articoli specifiche utilizzando la scheda Chiavi di allocazione articoli. Questa scheda fornisce campi simili.

Sostituire i parametri dell'algoritmo di previsione predefinito a livello globale

I parametri predefiniti dell'algoritmo di previsione e i valori sono assegnati nella pagina Parametri di previsione della domanda (Pianificazione master>Impostazione>Previsione della domanda>Parametri di previsione della domanda). Tuttavia, puoi sostituirli globalmente usando la scheda dettaglio Parametri dell'algoritmo di previsione nella scheda Generale della pagina Parametri di previsione della domanda. Puoi anche sostituirli per chiavi di allocazione specifiche usando la scheda Chiavi di allocazione articoli della pagina Parametri di previsione della domanda.

Utilizza i pulsanti Aggiungi e Rimuovi sulla barra degli strumenti per stabilire la raccolta di parametri sostituiti. Per ogni parametro nell'elenco, seleziona un valore nel campo Nome e quindi immetti un valore appropriato nel campo Valore. Tutti i parametri che non sono elencati qui accettano i valori dalle impostazioni nella pagina Parametri di previsione della domanda . Per ulteriori informazioni su come utilizzare il set di parametri standard e selezionarne i valori, vedi la sezione Parametri e valori predefiniti per i modelli di previsione della domanda.

Impostare le dimensioni di previsione

Una dimensione di previsione mostra il livello di dettaglio per la previsione. Società, sito e chiave di allocazione articoli sono dimensioni di previsione obbligatorie. È anche possibile generare previsioni al magazzino, allo stato dell'inventario, al gruppo di clienti, all'account cliente, al paese/area geografica, allo stato e al livello di articolo e a tutti i livelli di dimensione degli articoli. Usa la scheda Dimensioni previsione della pagina Parametri di previsione della domanda per selezionare il set di dimensioni di previsione da utilizzare quando la previsione della domanda viene generata.

In qualsiasi momento, è possibile aggiungere le dimensioni di previsione all'elenco delle dimensioni utilizzate per previsione della domanda. È anche possibile eliminare una dimensione previsione dall'elenco. Tuttavia, le correzioni manuali vengono perse se si aggiunge o rimuove una dimensione previsione.

Impostare sostituzioni per chiavi di allocazione articoli specifiche

Non tutti gli articoli si comportano nello stesso modo da un punto di vista della previsione della domanda. È quindi possibile stabilire sostituzioni specifiche della chiave di allocazione per la maggior parte delle impostazioni disponibili nella scheda Generale . L'eccezione è l'unità di previsione della domanda. Per configurare le sostituzioni per una chiave di allocazione di elementi specifica, seguire questa procedura:

1. Nella pagina Parametri di previsione della domanda nella scheda Chiavi di allocazione articoli utilizza i pulsanti della barra degli strumenti per aggiungere le chiavi di allocazione articoli alla griglia a sinistra o per rimuoverle, come necessario. Quindi seleziona la chiave di allocazione per la quale desideri impostare le sostituzioni.
2. Nella scheda dettaglio Tipi di transazione abilita i tipi di transazioni che vuoi utilizzare per generare la previsione di base statistica per i prodotti che appartengono alla chiave di allocazione selezionata. Le impostazioni funzionano come nella scheda Generale ma si applicano solo alla chiave di allocazione articolo selezionata. Tutte le impostazioni qui (entrambi i valori sì e no) sostituiscono tutte le impostazioni Tipi di transazione della scheda Generale.
3. Nella scheda dettaglio Parametri dell'algoritmo di previsione seleziona la strategia di generazione della previsione e le sostituzioni dei parametri dell'algoritmo di previsione per i prodotti che appartengono alla chiave di allocazione selezionata. Queste impostazioni funzionano come nella scheda Generale ma si applicano solo alla chiave di allocazione articolo selezionata. Utilizza i pulsanti Aggiungi e Rimuovi sulla barra degli strumenti per definire la raccolta di parametri sostituiti. Per ogni parametro nell'elenco, seleziona un valore nel campo Nome e quindi immetti un valore appropriato nel campo Valore. Per ulteriori informazioni su come utilizzare il set di parametri standard e selezionarne i valori, vedi la sezione Parametri e valori predefiniti per i modelli di previsione della domanda.

Configurare la connessione al servizio Azure Machine Learning

Utilizza la scheda Servizio Azure Machine Learning per configurare la connessione al servizio Azure Machine Learning. Questa soluzione è una delle opzioni per creare la previsione di base. Queste impostazioni in questa scheda diventano effettive solo quando il campo Strategia di generazione previsione è impostato su Servizio Azure Machine Learning.

Per ulteriori informazioni su come configurare il servizio Azure Machine Learning e quindi utilizzare le impostazioni per connettersi, vedi la sezione Configurare il servizio Azure Machine Learning.

Configurare la connessione a Azure Machine Learning Studio (classico)

Se disponi già di un'area di lavoro di Azure Machine Learning Studio (classico), puoi usarla per generare previsioni connettendola a Gestione Supply Chain. È possibile stabilire questa connessione utilizzando la scheda Azure Machine Learning della pagina Parametri di previsione della domanda. Le impostazioni in questa scheda diventano effettive solo quando il campo Strategia di generazione previsione è impostato su Azure Machine Learning. Immettere i dettagli seguenti per l'area di lavoro di Azure Machine Learning Studio (versione classica):

• Chiave dell'API del servizio Web
• URL dell'endpoint del servizio Web
• Nome account di archiviazione Azure
• Chiave dell'account di archiviazione di Azure

Parametri e valori predefiniti per i modelli di previsione della domanda

Quando utilizzi Machine Learning per generare i modelli di pianificazione delle previsioni, controlli le opzioni di Machine Learning impostando i valori per i parametri dell'algoritmo di previsione. Gestione Supply Chain invia questi valori ad Azure Machine Learning. Utilizzare la pagina Parametri dell'algoritmo di previsione per controllare quali tipi di valori specificare e quali valori devono avere.

Per configurare i parametri e i valori predefiniti per i modelli di previsione della domanda, accedere a Master Planning > Impostazioni > Previsione della domanda > Parametri dell'algoritmo di previsione . Viene fornito un set standard di parametri. Ogni parametro ha i seguenti campi:

• Nome – Il nome del parametro, come usato da Azure. In genere, non devi modificare questo nome a meno che tu non abbia personalizzato l'esperimento in Azure Machine Learning.
• Descrizione – Un nome comune per il parametro. Usare questo nome per identificare il parametro in altre posizioni del sistema, ad esempio nella pagina Parametri di previsione della domanda .
• Valore – Il valore predefinito del parametro. Il valore immesso dipende dal parametro che si sta modificando.
• Spiegazione – Una breve descrizione del parametro e come utilizzarlo. Questa descrizione in genere include consigli sui valori validi per il campo Valore.

I seguenti parametri sono forniti per impostazione predefinita. Per ripristinare questo elenco standard, selezionare Ripristina nel riquadro azioni.

• Percentuale livello di fiducia - Un intervallo di fiducia è costituito da una gamma di valori che rappresentano una buona stima per la previsione della domanda. Un livello di fiducia del 95% indica che è presente una percentuale di rischio del 5% che la domanda futura non sia compresa nell'intervallo di fiducia.

• Forza stagionalità - Specifica se forzare il modello a utilizzare uno specifico tipo di stagionalità. Questo parametro si applica solo ad ARIMA ed ETS. Opzioni: AUTO (predefinita), NESSUNO, ADDITIVO, MOLTIPLICATIVO.

• Modello di previsione – Specifica quale modello di previsione utilizzare. Opzioni: ARIMA, ETS, STL, ETS+ARIMA, ETS+STL, TUTTI. Per selezionare il modello più adatto, utilizza TUTTI.

• Valore previsto massimo - Specifica il valore massimo da utilizzare per le previsioni. Formato: +1E[n] o costante numerica.

• Valore previsto minimo - Specifica il valore minimo da utilizzare per le previsioni. Formato: -1E[n] o costante numerica.

• Sostituzione di valori mancanti : specifica come riempire le lacune nei dati cronologici. Opzioni: (valore numerico), MEDIA, PRECEDENTE, INTERPOLAZIONE LINEARE, INTERPOLAZIONE POLINOMIALE.

• Ambito di sostituzione del valore mancante : specifica se la sostituzione dei valori si applica solo all'intervallo di date di ogni singolo attributo di granularità o all'intero set di dati. Sono disponibili le seguenti opzioni per stabilire l'intervallo di date che il sistema utilizza per colmare le lacune nei dati cronologici:

  • GLOBAL – Il sistema utilizza l'intero intervallo di date di tutti gli attributi di granularità.
  • HISTORY_DATE_RANGE : il sistema usa un intervallo di date specifico definito dai campi Da data e A data nella sezione Orizzonte cronologico della finestra di dialogo Genera previsione di previsione statistica .
  • GRANULARITY_ATTRIBUTE - Il sistema utilizza l'intervallo di date dell'attributo di granularità attualmente elaborato.

  Note

  Un attributo di granularità è una combinazione di dimensioni di previsione rispetto alle quali viene eseguita la previsione. È possibile definire le dimensioni della previsione nella pagina Parametri di previsione della domanda.

• Suggerimento stagionalità - Per i dati stagionali, fornire un suggerimento al modello previsionale per migliorare la precisione della previsione. Formato: numero intero che rappresenta il periodo di ripetizione di un modello di domanda. Utilizzare ad esempio 6 per dati che si ripetono ogni sei mesi.

• Percentuale di dimensioni del set di test: percentuale di dati cronologici da usare come set di test per il calcolo dell'accuratezza della previsione.

Sostituire i valori di questi parametri andando su Pianificazione generale> Impostazione>Previsione della domanda>Parametri di previsione della domanda. Puoi sovrascrivere i parametri nella pagina Parametri di previsione della domanda nei seguenti modi:

• Utilizza la scheda Generale per sovrascrivere i parametri globalmente.
• Utilizza la scheda Chiavi di allocazione articoli per sovrascrivere i parametri per chiavi di allocazione articolo specifiche. I parametri di cui si esegue l'override per una chiave di allocazione di elementi specifica influiscono solo sulla previsione degli elementi associati alla chiave di allocazione dell'elemento.

Configurare il servizio Azure Machine Learning

Gestione Supply Chain calcola le previsioni della domanda usando il servizio Azure Machine Learning. È necessario configurare ed eseguire questo servizio nella propria sottoscrizione di Azure. Questa sezione descrive come configurare il servizio Azure Machine Learning in Azure e quindi connetterlo all'ambiente Gestione Supply Chain.

Abilitare il servizio Azure Machine Learning in Gestione funzionalità

Per utilizzare questa funzionalità, è necessario attivarla per il sistema. A partire dalla versione 10.0.32 di Gestione Supply Chain, la funzionalità è attivata per impostazione predefinita. A partire dalla versione 10.0.36 di Gestione Supply Chain, la funzionalità è obbligatoria e non può essere disattivata. Se stai eseguendo una versione precedente alla versione 10.0.36, gli amministratori possono attivare o disattivare questa funzionalità cercando la funzionalità Servizio Azure Machine Learning per la previsione della domanda nell'area di lavoro Gestione funzionalità.

Configurare Machine Learning in Azure

Per consentire ad Azure di usare Machine Learning per elaborare le previsioni, è necessario configurare un'area di lavoro di Azure Machine Learning a questo scopo. È possibile procedere in due modi:

• Per configurare l'area di lavoro eseguendo uno script fornito da Microsoft, seguire le istruzioni riportate nella sezione Opzione 1: Eseguire uno script per configurare automaticamente l'area di lavoro di Machine Learning e quindi passare alla sezione Configurare i parametri di connessione del servizio Azure Machine Learning in Gestione Supply Chain .
• Per configurare manualmente l'area di lavoro segui le istruzioni nella sezione Opzione 2: configurare manualmente l'area di lavoro di Machine Learning, quindi passa alla sezione Configurare i parametri di connessione del servizio Azure Machine Learning in Gestione Supply Chain. Questa opzione richiede più tempo, ma ti offre più controllo.

Informazioni sul relè

Il connettore per la previsione della domanda di Gestione Supply Chain comunica con Azure Machine Learning tramite il contratto REST v1 della pipeline pubblicata: invia un'esecuzione, controlla periodicamente lo stato dell'esecuzione, annulla un'esecuzione e interroga le esecuzioni attive. Azure Machine Learning SDK v2 non espone questo contratto, quindi il template aggiornato include un relay — una funzione di Azure leggera — che accetta queste quattro chiamate e invia il processo di pipeline equivalente dell'SDK v2. I dati di input e output continuano a transitare attraverso il contenitore BLOB demplan-azureml, esattamente come nel modello v1.

Il relay autentica ogni chiamante convalidando il token Microsoft Entra dell'entità servizio, in modo che solo l'ambiente Gestione Supply Chain possa attivare le previsioni. Lo script quick_setup.ps1 crea l'app per le funzioni, le assegna un'identità gestita con accesso all'area di lavoro e all'account di archiviazione, la configura e distribuisce il codice del relay. L'indirizzo dell'endpoint della pipeline inserito in Gestione Supply Chain è l'URL del relay, che lo script stampa quando termina.

Opzione 1: eseguire uno script per configurare automaticamente l'area di lavoro di Machine Learning

Questa sezione descrive come configurare l'area di lavoro di Machine Learning usando uno script automatizzato fornito da Microsoft. Lo script effettua il provisioning delle risorse di Azure Machine Learning, crea l'entità servizio ed effettua il provisioning e distribuisce il relay. Se preferisci, puoi impostare manualmente tutte le risorse seguendo le istruzioni nella sezione Opzione 2: configurare manualmente l'area di lavoro di Machine Learning. Non è necessario completare entrambe le opzioni.

Lo script richiede l'interfaccia della riga di comando di Azure e l'estensione interfaccia della riga di comando di Azure ml (v2).

1. Su GitHub, apri il repository Modelli per la previsione della domanda in Dynamics 365 Sales con Azure Machine Learning (repo). Clonare il repository o scaricarlo come file di .zip, in modo da avere la struttura di cartelle completa, inclusi questi elementi:

   • 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
   • La cartella relay

2. Aprire una finestra di PowerShell nella radice del repository ed eseguire lo quick_setup.ps1 script. Specificare i parametri descritti nella tabella seguente. Seguire le istruzioni visualizzate, inclusa la richiesta di accesso Azure.

   Parametro	Description
   -subscriptionId	Sottoscrizione Azure in cui creare le risorse.
   -resourceGroupName	Gruppo di risorse da creare o riutilizzare.
   -location	Area di Azure. Selezionare la regione che corrisponde alla distribuzione di Gestione Supply Chain.
   -storageAccountName	Account di archiviazione dedicato alla previsione della domanda.
   -workspaceName	Area di lavoro Azure Machine Learning da creare o riutilizzare.
   -AADApplicationName	Nome dell'applicazione Microsoft Entra (service principal) da creare o riutilizzare.
   -functionAppName	Il nome dell'app per le funzioni di Azure che ospita il relè.
   -functionStorageAccountName	L'account di archiviazione usato dall'app per le funzioni per il proprio runtime.
   -d365TenantId (facoltativo)	Il tenant da cui il connettore effettua l'autenticazione. Se si omette questo parametro, lo script usa il tenant corrente.
   -d365AppId (facoltativo)	ID dell'applicazione dell'entità servizio del connettore. Se si omette questo parametro, lo script usa l'applicazione creata.

   Lo script è idempotente. Se lo si esegue di nuovo, vengono riutilizzate le risorse esistenti. Esegue le operazioni seguenti:

   • Crea o riutilizza l'area di lavoro, l'account di archiviazione, il contenitore BLOB demplan-azureml , l'archivio dati workspaceblobdemplan , un'istanza di calcolo e il cluster di calcolo e2ecpucluster .
   • Crea, o riutilizza, l'applicazione Microsoft Entra e l'entità servizio e assegna loro il ruolo Collaboratore per l'area di lavoro e l'account di archiviazione, nonché il ruolo Collaboratore dati BLOB di archiviazione per l'account di archiviazione.
   • Effettua il provisioning dell'app per le funzioni per l'inoltro, assegna un'identità gestita con i ruoli necessari, la configura e distribuisce il codice di inoltro.

3. Nella sezione Certificati e segreti dell'applicazione Microsoft Entra creata dallo script creare un segreto client. Per le istruzioni, vedi Aggiungere un segreto client. Prendi nota del valore segreto. Lo inserirai successivamente in Gestione Supply Chain.

4. Al termine dello script, stampa i parametri di previsione della domanda immessi in Gestione Supply Chain, incluso l'indirizzo endpoint della pipeline (URL di inoltro). Prendere nota di questi valori.

5. Lo spazio di lavoro e il relay sono ora configurati. Passa alla sezione Configurare i parametri di connessione del servizio Azure Machine Learning in Gestione Supply Chain.

Opzione 2: configurare manualmente l'area di lavoro di Machine learning

Questa sezione descrive come configurare manualmente l'area di lavoro di Machine Learning. Completare le procedure descritte in questa sezione solo se si è deciso di non eseguire lo script di installazione automatica, come descritto nella sezione Opzione 1: Eseguire uno script per configurare l'area di lavoro di Machine Learning .

Passaggio 1: creare una nuova area di lavoro

Per creare una nuova area di lavoro di Machine Learning, attieniti alla procedura indicata di seguito.

1. Accedi al tuo portale di Azure.

2. Apri il servizio Machine Learning.

3. Seleziona Crea sulla barra degli strumenti per aprire la Creazione guidata.

4. Completa la procedura guidata seguendo le istruzioni sullo schermo. Tieni a mente i seguenti punti mentre lavori:

   • Utilizzare le impostazioni predefinite a meno che altri punti in questo elenco non suggeriscano impostazioni diverse.
   • Assicurati di selezionare l'area geografica che corrisponde all'area in cui è distribuita la tua istanza di Gestione Supply Chain. In caso contrario, alcuni dei tuoi dati potrebbero attraversare i confini regionali. Altre informazioni sono disponibili nell'informativa sulla privacy più avanti in questo articolo.
   • Usare risorse dedicate, ad esempio gruppi di risorse, account di archiviazione, registri contenitori, Azure Key Vault e risorse di rete.
   • Nella pagina Configurare i parametri di connessione del servizio Azure Machine Learning della procedura guidata, è necessario fornire un nome per l'account di archiviazione. Usare un account dedicato alla previsione della domanda. I dati di input e output di previsione della domanda vengono archiviati in questo account di archiviazione.

Per altre informazioni, vedere Creare l'area di lavoro.

Passaggio 2: configurare lo spazio di archiviazione

Per impostare lo spazio di archiviazione attieniti alla seguente procedura.

1. In GitHub aprire i modelli per la previsione della domanda di Dynamics 365 Sales con il repository di Azure Machine Learning e scaricare il sampleInput.csv file.
2. Apri l'account di archiviazione che hai creato nella sezione Passaggio 1: creare una nuova area di lavoro.
3. Seguire le istruzioni in Creare un contenitore per creare un contenitore denominato demplan-azureml.
4. Caricare il sampleInput.csv file scaricato nel passaggio 1 nel contenitore appena creato. Questo file è necessario per pubblicare la pipeline e generare una previsione di test. Per le istruzioni, vedi Caricare un BLOB in blocchi.

Passaggio 3: configurare un archivio dati predefinito

Per configurare l'archivio dati predefinito, seguire questa procedura:

1. In Azure Machine Learning Studio seleziona Archivi dati nella barra di spostamento.
2. Crea un nuovo archivio dati di tipo Archiviazione BLOB di Azure che punta al contenitore di archiviazione BLOB demplan-azureml creato nella sezione Passaggio 2: configurare lo spazio di archiviazione. Se il tipo di autenticazione del nuovo archivio dati è La chiave dell'account, specificare una chiave dell'account per l'account di archiviazione creato. Per istruzioni, vedere Gestire le chiavi di accesso dell'account di archiviazione.
3. Rendi il tuo nuovo archivio dati come predefinito aprendo i dettagli e selezionando Imposta come archivio dati predefinito.

Passaggio 4: configurare le risorse di calcolo

Per configurare una risorsa di calcolo in Azure Machine Learning Studio per eseguire gli script di generazione delle previsioni, seguire questa procedura:

1. Apri la pagina dei dettagli per l'area di lavoro di Machine Learning che hai creato nella sezione Passaggio 1: creare una nuova area di lavoro. Trova il valore URL Web di Studio e seleziona il collegamento per aprirlo.

2. Seleziona Calcolo nel riquadro di spostamento.

3. Nella scheda Istanze di calcolo selezionareNuovo per aprire una procedura guidata che consente di creare una nuova istanza di calcolo. Seguire le istruzioni visualizzate. Usa le impostazioni predefinite. L'istanza di calcolo viene usata per creare la pipeline di previsione della domanda. È possibile eliminarlo dopo la pubblicazione della pipeline.

4. Nella scheda Cluster di calcolo selezionareNuovo per aprire una procedura guidata che consente di creare un nuovo cluster di calcolo. Seguire le istruzioni visualizzate. Il cluster di calcolo genera previsioni sulla domanda. Le sue impostazioni influiscono sulle prestazioni e sul livello massimo di parallelizzazione dell'esecuzione. Imposta i seguenti campi, ma usa le impostazioni predefinite per tutti gli altri campi:

   • Nome - Immetti e2ecpucluster.
   • Dimensioni macchina virtuale – Modifica questa impostazione in base al volume di dati che si prevede di utilizzare come input per la previsione della domanda. Il conteggio dei nodi non deve superare 11, poiché è necessario un nodo per attivare la generazione della previsione della domanda e il numero massimo di nodi che possono essere utilizzati per generare una previsione è 10. Imposterai anche il numero di nodi nel file parameters.py nella sezione Passaggio 5: Distribuire il relay. In ogni nodo diversi processi di lavoro eseguono script di previsione in parallelo. Il numero totale di processi di lavoro nel tuo processo è Numero di core di un nodo × Conteggio nodi. Ad esempio, se il cluster di calcolo ha un tipo di Standard_D4 (otto core) e un massimo di 11 nodi e se il nodes_count valore è impostato su 10 nel parameters.py file, il livello effettivo di parallelismo è 80.

Passaggio 5: Distribuisci il relay

Nell’SDK v2, il connettore raggiunge Azure Machine Learning tramite il relay anziché tramite una pipeline pubblicata di v1. Seguire questi passaggi per distribuire manualmente il relay. Questi passaggi usano il interfaccia della riga di comando di Azure e l'estensione interfaccia della riga di comando di Azure ml (v2).

1. Su GitHub, apri la repo Templates for Dynamics 365 Sales demand forecasting with Azure Machine Learning e clonala oppure scaricala come file .zip, in modo da avere le cartelle src e relay.

2. Aprire il src/parameters.py file. Assicurarsi che il nodes_count valore non sia maggiore del numero di nodi configurati per il cluster di calcolo nella sezione Passaggio 4: Configurare le risorse di calcolo . Se il valore nodes_count è maggiore del numero di nodi disponibili nel cluster, l'esecuzione potrebbe essere accodata finché non saranno disponibili più risorse.

3. Crea un account di archiviazione per il runtime dell'app per le funzioni. Questo account è separato dall'account di archiviazione di previsione della domanda.

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

4. Crea un'app per funzioni Linux che esegue Python 3.11 con un piano a consumo e abilita la compilazione remota.

   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. Assegnare all'app per le funzioni un'identità gestita assegnata dal sistema.

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

   Assegna all'ID entità restituito il ruolo Collaboratore nell'area di lavoro di Azure Machine Learning e il ruolo Collaboratore dei dati del BLOB di archiviazione nell'account di archiviazione per la previsione della domanda. Per istruzioni, vedere Assegnare ruoli di Azure usando il portale di Azure.

6. Configura le impostazioni dell'app del relè. Imposta RELAY_EXPECTED_TENANT_ID e RELAY_EXPECTED_APP_ID sull'ID tenant e sull'ID applicazione dell'entità servizio nella sezione Configurare una nuova applicazione Microsoft Entra. Il server di inoltro rifiuta qualsiasi chiamante che non presenta un token di questo tenant e di questa applicazione.

   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. Copiare la cartella src nella cartella relay (il relay importa da lì i generatori della pipeline), creare il pacchetto del relay e distribuirlo usando una compilazione remota.

   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
   

   Importante

   L'opzione --build-remote true è obbligatoria. Senza di esso, i pacchetti in relay/requirements.txt non sono installati e l'inoltro ha esito negativo in fase di esecuzione.

8. Il relè è ora distribuito. L'indirizzo dell'endpoint della pipeline ha il formato seguente. Immetti questo URL come indirizzo dell'endpoint della pipeline in Gestione Supply Chain. Solo l'host viene usato dal connettore; i segmenti di percorso forniscono la sottoscrizione, il gruppo di risorse e l'area di lavoro.

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

Configurare una nuova applicazione Microsoft Entra

Per eseguire l'autenticazione usando un'entità servizio con le risorse specifiche per la previsione della domanda, è necessaria un'applicazione Microsoft Entra. Pertanto, l'applicazione deve disporre del livello di privilegio più basso necessario per generare la previsione.

1. Accedi al tuo portale di Azure.

2. Registra una nuova applicazione nell'ID Microsoft Entra del tenant. Per istruzioni, vedere Usare il portale per creare un'applicazione Microsoft Entra e un'entità servizio che possano accedere alle risorse.

3. Completa la procedura guidata seguendo le istruzioni sullo schermo. Usa le impostazioni predefinite.

4. Concedere alla nuova applicazione Microsoft Entra l'accesso alle risorse seguenti create nella sezione Configurare Machine Learning in Azure . Per istruzioni, vedere Assegnare ruoli di Azure usando il portale di Azure. Questo passaggio consente al sistema di importare ed esportare i dati di previsione e di attivare le esecuzioni di pipeline di Machine Learning da Gestione Supply Chain.

   • Ruolo di collaboratore nell'area di lavoro di machine learning
   • Ruolo di collaboratore per l'account di archiviazione dedicato
   • Ruolo di collaboratore dei dati del BLOB di archiviazione per l'account di archiviazione dedicato

5. Nella sezione Certificati e segreti dell'applicazione che hai creato, crea un segreto per l'applicazione. Per le istruzioni, vedi Aggiungere un segreto client.

6. Prendi nota dell'ID applicazione e del relativo segreto. Avrai bisogno dei dettagli di questa applicazione in seguito, quando configuri la pagina Parametri di previsione della domanda in Gestione Supply Chain.

Configurare i parametri di connessione del servizio Azure Machine Learning in Gestione Supply Chain

Usare la procedura seguente per connettere l'ambiente Gestione Supply Chain al servizio di Machine Learning configurato in Azure.

1. Accedere a Gestione Supply Chain.

2. Andare a Pianificazione generale>Impostazioni>Previsione della domanda>Parametri di previsione della domanda.

3. Nella scheda Generale assicurati che il campo Strategia di generazione delle previsioni sia impostato su Servizio Azure Machine Learning.

4. Nella scheda Chiavi di allocazione articoli assicurati che il campo Strategia di generazione delle previsioni sia impostato su Servizio Azure Machine Learning per ogni chiave di allocazione che deve usare il servizio Azure Machine Learning per la previsione della domanda.

5. Nella scheda Servizio Azure Machine Learning imposta i seguenti campi:

   • ID tenant - Immetti l'ID del tenant di Azure. Gestione Supply Chain usa questo ID per eseguire l'autenticazione con il servizio Azure Machine Learning. Puoi trovare il tuo ID tenant nella pagina Panoramica per Microsoft Entra ID nel portale di Azure.
   • ID applicazione entità servizio – Inserisci l'ID dell'applicazione che hai creato nella sezione Applicazione Active Directory. Gestione Supply Chain usa questo valore per autorizzare le richieste API al servizio Azure Machine Learning.
   • Segreto entità servizio – Inserisci il segreto applicazione entità servizio dell'applicazione che hai creato nella sezione Applicazione Active Directory. Gestione Supply Chain utilizza questo valore per acquisire il token di accesso per l'entità di sicurezza creata per eseguire operazioni autorizzate su Archiviazione di Azure e l'area di lavoro Azure Machine Learning.
   • Nome dell'account di archiviazione – Immetti il nome dell'account di archiviazione di Azure specificato durante l'esecuzione dell'installazione guidata nell'area di lavoro di Azure. Per altre informazioni, vedere la sezione Configurare Machine Learning in Azure .
   • Indirizzo dell'endpoint della pipeline – immetti l'URL del relay che hai distribuito quando hai configurato Azure Machine Learning. Se hai usato lo script (Opzione 1), questo URL è l'indirizzo dell'endpoint della pipeline che lo quick_setup.ps1 script stampa al termine dell'operazione. Se si configura manualmente l'inoltro (opzione 2), creare l'URL come descritto nella sezione Passaggio 5: Distribuire l'inoltro .

   

Informativa sulla privacy

Quando selezioni Servizio Azure Machine Learning come strategia di generazione delle previsioni, Gestione Supply Chain invia automaticamente i dati dei clienti per la domanda storica, come quantità aggregate, nomi di prodotti e relative dimensioni del prodotto, località di spedizione e ricezione, identificatori dei clienti e anche parametri di previsione, all'area geografica in cui si trovano l'area di lavoro di Machine Learning e l'account di archiviazione collegato allo scopo di prevedere le richieste future. Il servizio Azure Machine Learning potrebbe trovarsi in un'area geografica diversa dall'area geografica in cui è distribuito Gestione Supply Chain. Alcuni utenti possono controllare se questa funzionalità è abilitata selezionando la strategia di generazione delle previsioni nella pagina Parametri di previsione della domanda.

Informazioni correlate

• Panoramica previsioni della domanda
• Generare una previsione di base statistica
• Implementare correzioni manuali nella previsione di base
• Webinar: Previsione della domanda con Azure Machine Learning Series