需要予測の設定

この記事では、需要予測の設定方法について説明します。

品目配賦キー

品目配賦キーは、品目のグループを設定します。 品目が品目配賦キーの一部である場合にのみ、品目とそのディメンションの需要予測が計算されます。 このルールは、システムが需要予測をより迅速に作成できるように、多数の項目をグループ化します。 履歴データのみに基づいて予測が作成されます。

予測の作成時に品目配賦キーを使用する場合、品目とそのディメンションは 1 つの品目割当キーにのみ含まれる必要があります。

品目配賦キーを作成し、それらに在庫保管単位 (SKU) を追加するには、次の手順に従います。

1. マスタープランニング>設定>需要予測>品目割り当てキーに移動します。

2. リスト ペインで品目配賦キーを選択するか、アクション ペインで 新規 を選択して新しいものを作成します。 新規または選択されたキーのヘッダーで、次のフィールドを設定します。

   • 品目配賦キー - キーの固有の名前を入力します。
   • 名前 - キーに内容を示す名前を入力します。

3. 次のいずれかの手順に従って、選択した品目配賦キーに品目を追加するか、品目を削除します。

   • 品目配賦 クイック タブで、ツールバーの 新規 ボタンや 削除 ボタンを使用して、必要に応じて品目を追加または削除します。 各行に対して品目番号を選択し、必要に合って他の列の分析コード値を割り当てる必要があります。 ツールバーで 分析コードの表示 を選択して、グリッドに表示される分析コード列のセットを変更します。 (パーセント 列の値は、需要予測が生成されたときは無視されます。)
   • 多数の品目をキーに追加する場合は、[アクション ウィンドウ] で 品目の割り当て を選択すると、選択したキーに複数の項目を見つけて割り当てるページが開 きます。

会社間計画グループ

需要予測は会社間予測を生成できます。 Dynamics 365 Supply Chain Management では、一緒に計画する会社を同じ会社間計画グループにグループ化します。 需要予測で考慮する品目配賦キーを会社ごとに指定するには、品目配賦キーを会社間計画グループ メンバーに関連付けます。

会社間計画グループを設定するには、次の手順に従います。

1. マスター プランニング>Setup>会社間計画グループに移動します。

2. リスト ウィンドウで計画グループを選択するか、アクション ウィンドウで 新規 を選択して新しいグループを作成します。 新規または選択されたグループのヘッダーで、次のフィールドを設定します。

   • 名前 – 計画グループの一意の名前を入力します。
   • 説明 – 計画グループの短い説明を入力します。

3. 会社間計画グループ メンバーのクイック タブで、ツール バーのボタンを使用して、グループに含む必要がある会社 (法人) ごとに行を追加します。 各行で、次のフィールドを設定します:

   • 法人 - 選択したグループのメンバーである会社 (法人) の名前を選択します。
   • スケジューリング シーケンス - 他の会社との関連において会社を処理する順序を割り当てます。 低い値が最初に処理されます。 この注文は、ある会社の需要が他の会社に影響する場合に重要になる可能性があります。 このような場合、需要を提供する会社は最後に処理されます。
   • マスター プラン - 現在の会社に対してトリガーするマスター プランを選択します。
   • 静的プランへの自動コピー - 計画の結果を静的プランにコピーする場合は、このチェック ボックスをオンにします。
   • 動的プランへの自動コピー - 計画の結果を動的プランにコピーする場合は、このチェック ボックスをオンにします。

4. 既定では、会社間計画グループメンバーに品目配賦キーを割り当てない場合、すべての会社のすべての品目配賦キーに割り当てられているすべての品目の需要予測が計算されます。 企業と品目の割り当てキーに関する追加のフィルターオプションは、[ 統計ベースライン予測の生成 ] ダイアログ ボックス (マスター プランニング>Forecasting>Demand 予測>統計ベースライン予測の生成) にあります。 選択した会社間計画グループ内の会社に品目配賦キーを割り当てるには、会社を選択し、会社間計画グループ メンバー のクイック タブで、ツール バーの 品目配賦キー を選択します。

詳細については、 需要予測の会社間計画グループを参照してください。

需要予測パラメーターを設定する

[需要予測パラメーター] ページを使用して、システムでの需要予測の動作を制御するオプションを設定します。

需要予測のパラメーター ページを開く

需要予測パラメーターを設定するには、マスター プランニング>設定>需要予測>需要予測パラメーターに移動します。 需要予測が会社間で実行されるため、設定はグローバルです。 これは、すべての法人 (会社) に適用されます。

全般設定

需要予測の一般設定を定義するには、需要予測パラメータ ページの 一般 タブを使用します。

需要予測単位

需要予測は予測数量を生成します。 そのため、[ 需要予測 単位] フィールドで数量の数量単位を指定する必要があります。 このフィールドでは、各製品の通常の在庫単位に関係なく、システムがすべての需要予測に使用する単位を定義します。 一貫した予測ユニットを使用することで、集約およびパーセント配分が意味をなすものであることを確認します。 集計およびパーセント配分の詳細については、「ベースライン予測に対して手動調整を行う」を参照してください。

需要予測に含まれる SKU に使用するすべての測定単位について、ここで選択する測定単位と一般的な予測単位の変換ルールがあることを確認します。 予測を生成すると、測定単位の変換がない項目の一覧がログに記録されます。 そのため、設定を簡単に修正できます。 測定単位とこれらを変換する方法の詳細については、測定単位の管理 を参照してください。

トランザクション タイプ

統計ベースライン予測を生成するときに使用するトランザクションの種類を選択するには、[ トランザクションの種類 ] クイック タブのフィールドを使用します。

需要予測を使用して、依存需要と独立した需要の両方を予測できます。 たとえば、[ 販売注文 ] オプションのみを [はい] に設定し、需要予測で考慮するすべての品目が販売品目である場合、独立した需要が計算されます。 ただし、重要なサブコンポーネントを品目割り当てキーに追加し、需要予測に含めることができます。 この場合、[ 生産ライン ] オプションを [はい] に設定すると、依存予測が計算されます。

品目配賦キー タブを使用して、1 つ以上の特定の品目配賦キーの トランザクション タイプを上書き できます。このタブには同様のフィールドが表示されます。

ベースライン予測の作成方法の選択

[ 予測生成戦略 ] フィールドを使用して、ベースライン予測の作成に使用する方法を選択します。 3 つのメソッドを使用できます。

• 履歴需要のコピー - 履歴データをコピーするだけで予測を作成します。
• Azure Machine Learning Service - : Azure Machine Learningサービスを使用する予測モデルを使用します。 Azure Machine Learning サービスは、Azure の最新の機械学習ソリューションです。 そのため、予測モデルを使用する場合に使用します。
• Azure Machine Learning - Azure Machine Learning スタジオ (クラシック) を使用する予測モデルを使用します。 Azure Machine Learning Studio (クラシック) は非推奨となり、間もなく Azure から削除されます。 そのため、需要予測を初めて設定する場合は、 Azure Machine Learning Service を選択します。 現在、Azure Machine Learning スタジオ (クラシック) を使用している場合は、できるだけ早く Azure Machine Learning Service に切り替える必要があります。

品目配賦キー タブを使用して、1 つ以上の特定の品目配賦キーの予測生成メソッドを上書きできます。このタブには同様のフィールドが表示されます。

既定の予測アルゴリズム パラメータのグローバルな上書き

既定の予測アルゴリズムのパラメーターと値は、[ 需要予測パラメーター ] ページ (マスター プランニング>Setup>Demand 予測>Demand 予測パラメーター) で割り当てられます。 ただし、需要予測パラメータ ページの 一般 タブにある 予測アルゴリズム パラメータ クイック タブを使用して、グローバルに上書きできます。 需要予測パラメータ ページの 品目配賦キー タブを使用して、これらのキーを特定の配賦キーに対して上書きすることもできます。

ツール バーの 追加 ボタンと 削除 ボタンを使用して、必要なパラメーター上書きのコレクションを確立します。 リストの各パラメータについて、名前 フィールドの値で次のいずれかの値を選択し、値 フィールドに適切な値を入力します。 ここに記載されていないすべてのパラメーターは、[ 需要予測パラメーター ] ページの設定から値を取得します。 標準パラメータ セットの使用方法およびパラメータの値の選択方法の詳細については、需要予測モデルの既定のパラメータと値 を参照してください。

予測分析コードの設定

予測ディメンションには、予測の詳細レベルが表示されます。 会社、サイト、品目配賦キーは、必要な予測分析コードです。 また、倉庫、在庫状態、顧客グループ、顧客アカウント、国/地域、状態、および品目レベル、およびすべての品目ディメンション レベルで予測を生成することもできます。 需要予測のパラメーター ページの 予測分析コード を使用して、需要予測を生成するときに使用する予測分析コードのセットを選択することもできます。

予測の分析コードを、需要予測に使用される分析コードの一覧にいつでも追加できます。 予測分析コードを一覧から削除することもできます。 ただし、手動調整は、予測分析コードを追加、または削除すると失われます。

特定の品目配賦キーに対する上書きの設定

需要予測の観点からみてすべての品目が同じ方法で動作するわけではありません。 そのため、[ 全般 ] タブで使用できるほとんどの設定に対して、割り当てキー固有のオーバーライドを確立できます。例外は需要予測単位です。 特定の項目割り当てキーのオーバーライドを設定するには、次の手順に従います。

1. 需要予測パラメータ ページの 品目配賦キー タブで、ツール バー ボタンを使用して、左側のグリッドに品目配賦キーを追加するか、必要に応じて削除 します。 次に、上書きを設定する配賦キーを選択します。
2. トランザクション タイプ クイック タブで、選択した配賦キーに属する製品の統計ベースライン予測の生成に使用するトランザクションのタイプを有効します。 この設定は、一般 タブでの作業と同様に機能しますが、選択した品目配賦キー にのみ適用されます。 ここでのすべての設定 (はい 値と いいえ の値の両方) は、一般 タブのすべての トランザクション タイプ 設定を上書きします。
3. 予測アルゴリズム パラメータ クイック タブで、選択した配賦キーに属する製品に対する予測生成戦略および予測アルゴリズム パラメータの上書 きを選択します。 これらの設定は、一般 タブでの作業と同様に機能しますが、選択した品目配賦キーにのみ適用されます。 ツール バーの 追加 ボタンと 削除 ボタンを使用して、必要なパラメーター上書きのコレクションを定義します。 リストの各パラメータについて、名前 フィールドの値で次のいずれかの値を選択し、値 フィールドに適切な値を入力します。 標準パラメータ セットの使用方法およびパラメータの値の選択方法の詳細については、需要予測モデルの既定のパラメータと値 を参照してください。

Azure Machine Learning Service への接続の設定

Azure Machine Learning Service タブ を使用して、Azure Machine Learning Service への接続を設定します。 このソリューションは、ベースライン予測を作成するためのオプションの 1 つです。 このタブのこれらの設定は、[ 予測生成戦略 ] フィールドが Azure Machine Learning Service に設定されている場合にのみ有効になります。

Azure Machine Learning Service を設定し、この設定を使用して接続する方法の詳細については、Azure Machine Learning Service の設定 を参照してください。

Azure Machine Learning スタジオ (クラシック) への接続の設定

既に使用できる Azure Machine Learning スタジオ (クラシック) ワークスペースがある場合は、それを使用して Supply Chain Management に接続することで予測を生成できます。 この接続を設定するには、需要予測パラメータ ページの Azure Machine Learning タブを使用 します。 (このタブの設定は、[ 予測生成戦略 ] フィールドが Azure Machine Learning に設定されている場合にのみ有効になります)。Azure Machine Learning Studio (クラシック) ワークスペースの次の詳細を入力します。

• Web サービス アプリケーション プログラミング インターフェイス (API) キー
• Web サービス エンドポイント URL
• Azure ストレージ アカウント名
• Azure ストレージ アカウント キー

需要予測モデルの既定のパラメータと値

機械学習を使用して予測計画モデルを生成する場合は、アルゴリズム パラメータを予測 するための値を設定して機械学習オプションを制御します。 サプライ チェーン管理は、これらの値を Azure Machine Learning に送信します。 [予測アルゴリズム パラメーター] ページを使用して、提供する値の種類と、それぞれに必要な値を制御します。

需要予測モデルの既定のパラメーターと値を設定するには、マスター プランニング>設定>需要予測>予測アルゴリズム パラメーターにアクセスします。 標準的なパラメータ セットが用意されています。 各パートナーにじゃ次のフィールドがあります。

• 名前 - Azure で使用されるパラメータの名前。 通常、この名前は、Azure Machine Learning のテストをカスタマイズしていない限り変更しないのが一般的です。
• 説明 - パラメータの一般的な名前。 この名前を使用して、システム内の他の場所 (たとえば、[ 需要予測パラメーター ] ページ) でパラメーターを識別します。
• 値 - パラメータの規定値を選択します。 入力する値は、編集中のパラメーターによって異なります。
• 説明 - パラメータの簡単な説明、およびパラメータの使用方法。 通常、この説明には、値 フィールドの有効な値に関する情報が含 まれます。

既定では、次のパラメータが提供されます。 (この標準リストに戻すには、[操作ウィンドウ] で [復元 ] を選択します)。

• 信頼レベルのパーセンテージ – 信頼区間は、需要予測の商品見積として機能する値の範囲で構成されます。 95% の信頼レベルのパーセンテージは、未来の需要が信頼区間の範囲外になるリスクが 5% あることを示します。

• 季節性の強制 – 特定のタイプの季節性を使用するようにモデルに強制するかどうかを指定します。 このパラメーターは ARIMA と ETS のみ適用されます。 オプション: AUTO (既定)、NONE、ADDITIVE、MULTIPLICATIVE。

• 予測モデル - 使用する予測モデルを指定します。 オプション: ARIMA、ETS、STL、ETS+ARIMA、ETS+STL、ALL。 最も適合するモデルを選択するには、ALL を使用してください。

• 最大予測値 – 予測に使用する最大値を指定します。 形式: +1E [n] または数値定数。

• 最小予測値 – 予測に使用する最小値を指定します。 形式: -1E [n] または数値定数。

• 欠損値の置換 – 履歴データのギャップを埋める方法を指定します。 オプション: (数値)、MEAN、PREVIOUS、INTERPOLATE LINEAR、INTERPOLATE POLYNOMIAL。

• 欠損値置換スコープ – 値の置換が各粒度属性の日付範囲にのみ適用されるか、データセット全体に適用されるかを指定します。 履歴データのギャップを埋めるときにシステムが使用する日付範囲を確立するには、次のオプションを使用できます。

  • GLOBAL – システムは、すべての精度属性の日付の全範囲を使用します。
  • HISTORY_DATE_RANGE – システムは、統計ベースライン予測の生成 ダイアログ ボックスの 履歴期間 セクションの 開始日 フィールドと 終了日 フィールドで定義された特定の日付範囲を使用します。
  • GRANULARITY_ATTRIBUTE – システムは、現在処理されている精度属性の日付範囲を使用します。

  Note

  精度属性は、予測が行われる予測分析コードの組み合わせです。 需要予測パラメーター ページで予測分析コードを定義できます。

• 季節性のヒント – 季節データについては、予測の精度を高めるために予測モデルに対するヒントを指定してください。 形式: 需要パターンが繰り返し現れるバケット数を表す整数。 たとえば、6 か月ごとに繰り返されるデータの場合は 6 を入力します。

• テスト セット サイズの割合 – 予測精度計算のテスト セットとして使用する履歴データの割合。

マスター プランニング>設定>需要予測>需要予測パラメーターに移動して、これらのパラメーターの値を上書きします。 需要予測パラメーター ページで、このパラメーターを次の方法で上書きできます。

• 一般 タブを使用すると、パラメーターをグローバルに上書きできます。
• 品目配賦キー タブを使用すると、特定の品目配賦キーに対してパラメータを上書きできます。 特定の品目割当キーに対してオーバーライドするパラメータは、その品目割当キーに関連付けられている品目の予測にのみ影響します。

Azure Machine Learning Service の設定

サプライ チェーン管理では、Azure Machine Learning Service を使用して需要予測が計算されます。 このサービスは、独自の Azure サブスクリプションで設定して実行する必要があります。 このセクションでは、AzureのAzure Machine Learningサービスを設定し、それを Supply Chain Management 環境に接続する方法について説明します。

機能管理における Azure Machine Learning Service の有効化

この機能を使用するには、システムでオンにする必要があります。 Supply Chain Management のバージョン 10.0.32 では、既定で有効になっています。 Supply Chain Management バージョン 10.0.36 では、この機能は必須であり、オフにすることはできません。 10.0.36 より以前のバージョンを使用している場合、管理者は 機能管理 ワークスペースで Azure Machine Learning service を使用した需要予測 機能を検索して、この機能をオンまたはオフにすることができます。

Azure での機械学習設定

Azure で機械学習を使用して予測を処理できるようにするには、この目的のために Azure Machine Learning ワークスペースを設定する必要があります。 次の 2 つのオプションがあります。

• Microsoft が提供するスクリプトを実行してワークスペースを設定するには、「 オプション 1: スクリプトを実行して機械学習ワークスペースを自動的に設定する」 セクションの手順に従い、「 サプライ チェーン管理」セクションの「Azure Machine Learning Service 接続パラメーターの設定 」に進んでください。
• ワークスペースを手動で設定するには、オプション 2: スクリプトを実行して手動で Machine Learning ワークスペース を設定する セクションを設定し、Supply Chain Management での Azure Machine Learning Service 接続パラメータの設定 セクションに進みます。 このオプションを使用すると時間は長されますが、より詳細に制御できます。

オプション1 : Machine Learning ワークスペースを自動的に設定するスクリプトの実行

このセクションでは、Microsoft が提供する自動スクリプトを使用して機械学習ワークスペースを設定する方法について説明します。 必要に応じて、オプション2: Machine Learning ワークスペースを手動で設定する の手順に従って、すべてのリソースを手動 で設定 できます。 両方のオプションを完了させる必要はありません。

1. GitHub で、Azure Machine Learning を使った Dynamics 365 Supply Chain Management 需要予測のテンプレート リポジトリ (repo) を開き、次のファイルをダウンロードします。

   • quick_setup.ps1
   • sampleInput.csv
   • src/parameters.py
   • src/api_trigger.py
   • src/run.py
   • src/REntryScript/forecast.r

2. PowerShell ウィンドウを開き、前の手順でダウンロードした quick_setup.ps1 スクリプトを実行します。 画面に表示される指示に従ってください。 このスクリプトは、必要なワークスペース、ストレージ、データストア ( workspaceblobdemplan という名前)、コンピューティング リソースを設定します。

3. workspaceblobdemplan データストア (quick_setup.ps1 スクリプトによって作成) を既定のデータストアとして設定するには、次の手順に従います。

   1. Azure Machine Learning スタジオで、ナビゲーターの データストア を選択します。
   2. workspaceblobdemplan データストア (タイプは Azure Blob Storage であり、demplan-azureml Blob Storage コンテナーを指します) を選択します。
   3. workspaceblobdemplan データストアの詳細ページを開き、デフォルト データストアとして設定を選択します。

4. Azure Machine Learning Studio で、手順 1 でダウンロードした sampleInput.csv ファイルを demplan-azureml という名前のコンテナーにアップロードします。 ( quick_setup.ps1 スクリプトによってこのコンテナーが作成されました)。このファイルは、パイプラインを発行してテスト予測を生成するために必要です。 手順については、block blob をアップロードする を参照してください。

5. Azure Machine Learning スタジオで、ナビゲーターの ノートブック を選択します。

6. ファイル 構造: Users/[現在のユーザー]/src で次の場所を検索します。

7. 手順1. でダウンロードした残りの 4 ファイルを、前の手順で見つかった場所にアップロードします。

8. アップロードした api_trigger.py ファイルを選択して実行します。 API を介してトリガーできるパイプラインが作成されます。 (パイプラインを使用すると、Supply Chain Management から予測スクリプトを開始できます。)

9. ワークスペースが設定されました。 Supply Chain Management での Azure Machine Learning Service 接続パラメータの設定 セクションに進みます。

オプション2: Machine Learning ワークスペースを手動で設定する

ここでは、Machine Learning ワークスペースを手動で設定する方法について説明します。 「 オプション 1: スクリプトを実行して機械学習ワークスペースを設定 する」セクションで説明されているように、自動セットアップ スクリプトを実行しないことを決定した場合にのみ、このセクションの手順を完了します。

手順 1: 新しいワークスペースを作成する

新しいMachine Learning ワークスペースを作成するには、次の手順に従います。

1. Azure ポータルにサインインします。

2. Machine Learning サービスを開きます。

3. ツールバーで 作成 を選択して、作成 ウィザードを開きます。

4. 画面に表示される指示に従ってウィザードを完了します。 作業時には、次の点に注意してください。

   • この一覧の他のポイントが別の設定を推奨しない限り、既定の設定を使用します。
   • Supply Chain Management のインスタンスが配置されている地域に一致する地域を選択してください。 それ以外の場合は、一部のデータが地域の境界を通過する場合があります。 詳細については、この記事の後半の プライバシーに関する通知 を参照してください。
   • リソース グループ、ストレージ アカウント、コンテナー レジストリ、Azure Key Vault、ネットワーク リソースなどの専用リソースを使用します。
   • ウィザードの Azure Machine Learning Service 接続パラメータの設定 ページで、記憶域アカウント名を指定する必要があります。 需要予測専用のアカウントを使用します。 需要予測の入力データと出力データは、このストレージ アカウントに格納されます。

詳細については、 ワークスペースの作成に関するページを参照してください。

手順 2: ストレージの構成

自分のストレージを設定するには、次の手順を使います。

1. GitHub で、 Azure Machine Learning リポジトリで Dynamics 365 Supply Chain Management の需要予測用テンプレートを開き 、 sampleInput.csv ファイルをダウンロードします。
2. 手順1: 新しいワークスペースの作成 で作成した記憶域アカウントを開 きます。
3. コンテナーの作成 の手順に従って、demplan-azureml という名前のコンテナーを作成します。
4. 手順 1 でダウンロードした sampleInput.csv ファイルを、先ほど作成したコンテナーにアップロードします。 パイプラインを発行し、テスト予測を生成するには、このファイルが必要です。 手順については、block blob をアップロードする を参照してください。

手順3: 既定のデータストアを構成する

既定のデータストアを設定するには、次の手順に従います。

1. Azure Machine Learning スタジオで、ナビゲーターの データストア を選択します。
2. 手順2: 記憶域の構成 セクションで作成した demplan-azureml Blob Storage コンテナーをポイントする、Azure Blob Storage タイプの新しいデータストアを作成します。 新しいデータストアの認証の種類が アカウント キーの場合は、作成されたストレージ アカウントのアカウント キーを指定します。 手順については、「 ストレージ アカウントのアクセス キーの管理」を参照してください。
3. 詳細を開き、既定のデータストアとして設定 を選択して、新しいデータストアを既定のデータストア化します。

手順4: 計算リソースを構成する

予測生成スクリプトを実行するように Azure Machine Learning Studio でコンピューティング リソースを設定するには、次の手順に従います。

1. 手順1: 新しいワークスペースの作成 セクションで作成した Machine Learning ワークスペースの詳細ページを開 きます。 Studio のウェブ URL の値を 検索し、リンクを選択して開きます。

2. ナビゲーション ウィンドウで、計算する を選択します。

3. [ コンピューティング インスタンス ] タブで、[ 新規 ] を選択して、新しいコンピューティング インスタンスの作成に役立つウィザードを開きます。 画面に表示される指示に従ってください。 既定の設定を使用します。 コンピューティング インスタンスは、需要予測パイプラインを作成するために使用されます。 パイプラインが公開された後で削除できます。

4. [ コンピューティング クラスター ] タブで、[ 新規 ] を選択して、新しいコンピューティング クラスターの作成に役立つウィザードを開きます。 画面に表示される指示に従ってください。 コンピューティング クラスターによって需要予測が生成されます。 この設定によって、パフォーマンスと実行の最大並列レベルが影響を受ける場合があります。 次のフィールドを設定しますが、他のすべてのフィールドについては既定の設定を使用します。

   • 名前 - e2ecpucluster と入力します。
   • 仮想機械のサイズ - 需要予測の入力として使用すると予想されるデータの量に応じてこの設定を調整します。 需要予測の生成をトリガーするために 1 つのノードが必要であり、予測の生成に使用できるノードの最大数は 10 なので、ノード カウントは 11 を超えてはいけません。 また、「parameters.py」セクションの ファイルでノード数を設定します。 各ノードで、複数のワーカー プロセスが予測スクリプトを並列で実行します。 ジョブ内のワーカー プロセスの合計数は、1ノードあたりのコア数 × ノード数です。 たとえば、コンピューティング クラスターの種類が Standard_D4 (8 コア) で最大 11 ノードの場合、nodes_count値が ファイルで parameters.py に設定されている場合、並列処理の有効レベルは 80 になります。

手順 5: パイプラインを作成する

パイプラインは、Supply Chain Management から予測スクリプトを開始するための方法を提供します。 必要なパイプラインを作成するには、次の手順に従います。

1. GitHub で、Azure Machine Learning を使った Dynamics 365 Supply Chain Management 需要予測のテンプレート repo を開き、次のファイルをダウンロードします。

   • src/parameters.py
   • src/api_trigger.py
   • src/run.py
   • src/REntryScript/forecast.r

2. Azure Machine Learning スタジオで、ナビゲーターの ノートブック を選択します。

3. ファイル 構造: Users/[現在のユーザー]/src で次の場所を検索します。

4. 手順1. でダウンロードした 4 ファイルを、前の手順で見つかった場所にアップロードします。

5. Azure で、アップロードした parameters.py ファイルを開いて確認します。 nodes_count の値が、手順4: 計算リソースの構成 セクションのコンピューティング クラスターに対して構成した値より 1 つ少ないことを確認 します。 nodes_count 値がコンピューティング クラスター内のノードの数以上の場合は、パイプラインを開始できる場合があります。 ただし、必要なリソースを待機している間は応答を停止します。 ノード カウントの詳細については、手順4: 計算リソースの構成 セクションを参照してください。

6. アップロードした api_trigger.py ファイルを選択して実行します。 API を使用してトリガーできるパイプラインが作成されます。

新しい Microsoft Entra アプリケーションを設定する

需要予測専用のリソースでサービス プリンシパルを使用して認証するには、Microsoft Entra アプリケーションが必要です。 したがって、予測を生成するために必要な最小レベルの権限がアプリケーションに必要となります。

1. Azure ポータルにサインインします。

2. テナントの Microsoft Entra ID で新規アプリケーションを登録します。 手順については、ポータルを使用して、リソースにアクセスできる Microsoft Entra アプリケーションとサービス プリンシパルを作成する を参照してください。

3. ウィザード完了に伴い画面に表示される指示に従います。 既定の設定を使用します。

4. 新しい Microsoft Entra アプリケーションに、「 Azure での機械学習のセットアップ 」セクションで作成した次のリソースへのアクセス権を付与します。 手順については、Azureポータルを使用した Azure ロールの割り当て を参照してください。 この手順により、システムは予測データをインポートおよびエクスポートし、サプライ チェーン管理から機械学習パイプラインの実行をトリガーできます。

   • Machine Learning ワークスペースの要因の役割
   • 専用の記憶域アカウントに対する貢献者のロール
   • 専用のストレージ アカウントに対するストレージ BLOB データの共同作成者

5. 作成したアプリケーションの 証明書と証書 セクションで、申請用のプログラム を作成します。 手順については、クライアント シークレットを追加する を参照してください。

6. アプリケーション ID とそのシークレットをメモします。 Supply Chain Management の 需要予測パラメーター ページを設定する際には、後でこのアプリケーションの詳細が必要になります。

Supply Chain Management での Azure Machine Learning Service 接続パラメータの設定

次の手順に従って、サプライ チェーン管理環境を、Azure で設定した機械学習サービスに接続します。

1. Supply Chain Management にサインインします。

2. マスター プランニング>セットアップ>需要予測>需要予測パラメーターに移動します。

3. 一般 タブで、予測生成戦略 フィールドが Azure Machine Learning Service に設定されている必要があります。

4. 品目配賦キー タブで、需要予測に Azure Machine Learning Service を使用する配賦キーごとに、予測生成戦略 フィールドが Azure Machine Learning Service に設定されている必要があります。

5. Azure Machine Learning Service タブで、次のフィールドを設定します。

   • テナント ID – 自分の Azure テナント に ID を入力します。 サプライ チェーン管理では、この ID を使用して Azure Machine Learning Service で認証します。 自分のテナント ID は、Azure ポータルの Microsoft Entra ID の 概要 ページにあります。
   • サービス プリンシパル アプリケーション ID - Active Directory アプリケーション セクションで作成したアプリケーションのアプリケーション ID を入力します。 サプライ チェーン管理では、この値を使用して Azure Machine Learning Service への API 要求を承認します。
   • サービス プリンシパル シークレット - Active Directory アプリケーション セクションで作成したアプリケーションのサービス プリンシパル アプリケーション シークレットを入力します。 サプライ チェーン管理では、この値を使用して、Azure Storage と Azure Machine Language ワークスペースに対して承認された操作を実行するために作成したセキュリティ プリンシパルのアクセス トークンを取得します。
   • ストレージ アカウント名 - Azure ワークスペースでセットアップ ウィザードを実行するときに指定した Azure ストレージ アカウント名を入力します。 (詳細については、 Azure での機械学習の設定に関 するセクションを参照してください)。
   • パイプライン エンドポイント アドレス - Azure Machine Learning Service のパイプライン REST エンドポイントの URL を入力します。 このパイプラインは、Azure で機械学習を設定する 際の最後の手順として作成しました。 パイプライン URL を取得するには、ナビゲーションで パイプライン を選択して、Azure ポータル にログインします。 パイプライン タブで TriggerDemandForecastGeneration という名前のパイプライン エンドポイントを選択します。 その後、表示される REST エンドポイントをコピーします。

   

プライバシー通知

予測の生成戦略として Azure Machine Learning Service を選択すると、Supply Chain Management は、集計された数量、製品名とその製品分析コード、出荷場所と入荷場所、顧客 ID、予測パラメータなどの履歴の需要に対する顧客データを、コンピュータ 学習ワークスペースおよびリンクされたストレージ アカウントがある地域に、将来の需要を予測する目的のために自動的に送信します。 Azure Machine Learning Service は、 Supply Chain Management が配置されている地域とは異なる地域である場合があります。 一部のユーザーは、需要予測パラメータ ページで予測生成戦略を選択することで、この機能を有効 にするかどうかを制御 できます。

関連情報

• 需要予測の概要
• 統計ベースライン予測の生成
• ベースライン予測に対して手動調整を行う
• ウェビナー: Azure Machine Learning を使った需要予測シリーズ