Oppsett av behovsprognose

Denne artikkelen beskriver hvordan du setter opp behovsprognose.

Varefordelingsnøkler

Varetilordningsnøkler oppretter grupper av varer. Systemet beregner en behovsprognose for en vare og dens dimensjoner bare hvis varen er en del av en varetildelingsnøkkel. Denne regelen grupperer et stort antall elementer slik at systemet kan opprette behovsprognoser raskere. Systemet oppretter prognoser basert bare på historiske data.

Et element og tilhørende dimensjoner må være en del av bare én varetildelingsnøkkel hvis du bruker varetildelingsnøkkelen under oppretting av prognose.

Følg disse trinnene for å opprette varetildelingsnøkler og legge til en lagerføringsenhet (SKU) i dem:

1. Gå til Hovedplanlegging>Konfigurasjon>Behovsprognoser>Varetildelingsnøkler.

2. Velg en varefordelingsnøkkel i listeruten, eller velg Ny i handlingsruten for å opprette en ny. I toppteksten for den nye eller valgte nøkkelen angir du følgende felter:

   • Varetilordningsnøkkel – Angi et unikt navn på nøkkelen.
   • Navn – Angi et beskrivende navn for nøkkelen.

3. Følg ett av disse trinnene for å legge til varer i den valgte varetildelingsnøkkelen eller fjerne varer:

   • På hurtigfanen Varefordeling bruker du knappene Ny og Slett på verktøylinjen for å legge til eller fjerne elementer etter behov. Velg varenummeret for hver rad, og tilordne deretter dimensjonsverdier i de andre kolonnene etter behov. Velg Vis dimensjoner på verktøylinjen for å endre settet med dimensjonskolonner som vises i rutenettet. (Verdien i kolonnen Prosent ignoreres når behovsprognoser genereres.)
   • Hvis du vil legge til et stort antall elementer i nøkkelen, velger du Tilordne varer i handlingsruten for å åpne en side der du kan finne og tilordne flere varer til den valgte nøkkelen.

Grupper for konsernintern planlegging

Behovsprognose kan generere prognoser på tvers av firmaer. I Dynamics 365 Supply Chain Management grupperer du selskaper som du planlegger sammen til samme konserninterne planleggingsgruppe. Hvis du vil angi, per firma, hvilke varetildelingsnøkler som skal vurderes for behovsprognoser, knytter du en varetildelingsnøkkel til det konserninterne planleggingsgruppemedlemmet.

Følg disse trinnene for å konfigurere de konserninterne planleggingsgruppene:

1. Gå til Hovedplanlegging>Oppsett>Intercompany planning groups.

2. Velg en planleggingsgruppe i listeruten, eller velg Ny i handlingsruten for å opprette en ny. I toppteksten for den nye eller valgte gruppen angir du følgende felter:

   • Navn – Angi et unikt navn for planleggingsgruppen.
   • Beskrivelse – Angi en kort beskrivelse av planleggingsgruppen.

3. I hurtiggruppen Gruppemedlemmer for konsernintern planleggingsgruppe bruker du knappene på verktøylinjen til å legge til en rad for hvert firma (juridisk enhet) som skal være en del av gruppen. For hver rad angir du feltene nedenfor:

   • Juridisk enhet – Velg navnet på et firma (juridisk enhet) som er medlem av den valgte gruppen.
   • Planleggingssekvens – Tilordne ordren som firmaet skal behandles i, i forhold til andre firmaer. Lave verdier behandles først. Denne ordren kan være viktig når etterspørselen etter ett firma påvirker andre firmaer. I disse tilfellene behandles selskapet som leverer etterspørselen sist.
   • Hovedplan – Velg hovedplanen som skal utløses for det gjeldende firmaet.
   • Automatisk kopiering til statisk plan – Merk av for dette alternativet for å kopiere resultatet av planen til den statiske planen.
   • Automatisk kopiering til dynamisk plan – Merk av for dette alternativet for å kopiere resultatet av planen til den dynamiske planen.

4. Hvis du som standard ikke tilordner varetildelingsnøkler til konserninterne planleggingsgruppemedlemmer, beregner systemet en behovsprognose for alle varer som er tilordnet alle varetildelingsnøkler fra alle firmaer. Du finner flere filtreringsalternativer for firmaer og varetildelingsnøkler i dialogboksen Generer prognose for statistisk grunnlinje (prognose forhovedplanleggingsprognoser>> for>, generer prognose for statistisk grunnlinje). Hvis du vil tilordne varetildelingsnøkler til et firma i den valgte konserninterne planleggingsgruppen, velger du firmaet, og i hurtigfanen Gruppemedlemmer for konsernintern planleggingsgruppe velger du Varetildelingsnøkler på verktøylinjen.

Finn ut mer i konserninterne planleggingsgrupper for behovsprognoser.

Konfigurere prognoseparametere for etterspørsel

Bruk parametersiden for behovsprognoser til å konfigurere alternativer som styrer hvordan behovsprognoser fungerer i systemet.

Åpne siden Parametere for behovsprognose

Hvis du vil konfigurere parametere for behovsprognoser, kan du gå til Hovedplanlegging>Oppsett>Behovsprognoser>Parametere for behovsprognoser. Fordi behovsprognose kjører mellom firmaer er oppsettet globalt. Det gjelder for alle juridiske enheter (selskaper).

Generelle innstillinger

Bruk kategorien Generelt på siden Parametere for behovsprognose for å definere generelle innstillinger for behovsprognose.

Behovsprognoseenhet

Behovsprognose genererer prognosen i antall. Derfor må du angi måleenheten for antallet i feltet Behovsprognoseenhet . Dette feltet definerer enheten som systemet bruker for alle behovsprognoser, uavhengig av de vanlige lagerenhetene for hvert produkt. Ved å bruke en konsekvent prognoseenhet sørger du for at aggregering og prosentvis fordeling gir mening. Hvis du vil ha mer informasjon om aggregering og prosentvis fordeling, se Gjøre manuelle justeringer i basislinjeprognosen.

For hver måleenhet du bruker for SKU-er som er inkludert i behovsprognoser, må du kontrollere at det finnes en konverteringsregel for måleenheten og den generelle prognoseenheten du velger her. Når du genererer en prognose, logger systemet listen over elementer som ikke har en enhet for målkonvertering. Derfor er det lett å rette oppsettet. Hvis du vil ha mer informasjon måleenheter og hvordan du konverterer dem, kan du se Administrere måleenheter.

Transaksjonstyper

Bruk feltene på hurtigfanen Transaksjonstyper til å velge transaksjonstypene som systemet bruker når det genererer den statistiske opprinnelige prognosen.

Du kan bruke behovsprognoser til å forutsi både avhengig etterspørsel og uavhengig etterspørsel. Hvis du for eksempel bare angir alternativet Salgsordre til Ja, og alle elementene du vurderer for behovsprognoser, er varer som selges, beregner systemet uavhengig etterspørsel. Du kan imidlertid legge til kritiske delkomponenter i varetildelingsnøkler og inkludere dem i behovsprognoser. I dette tilfellet beregner systemet en avhengig prognose hvis du angir alternativet Produksjonslinje til Ja.

Du kan overstyre transaksjonstyper for én eller flere bestemte varetildelingsnøkler ved å bruke kategorien Varetildelingsnøkler. Denne kategorien inneholder lignende felt.

Velge hvordan basislinjeprognosen skal opprettes

Bruk prognosegenereringsstrategifeltet til å velge metoden som systemet bruker til å opprette en opprinnelig prognose. Tre metoder er tilgjengelige:

• Kopier over historisk behov – Opprett prognoser ved bare å kopiere historiske data.
• Azure Machine Learning Service – Bruk en prognosemodell som bruker Azure Machine Learning Service. Azure Machine Learning Service er den gjeldende maskinopplæringsløsningen for Azure. Bruk den hvis du vil bruke en prognosemodell.
• Azure Machine Learning – Bruk en prognosemodell som bruker Azure Machine Learning Studio (klassisk). Azure Machine Learning Studio (klassisk) er avskrevet og vil snart bli fjernet fra Azure. Velg derfor Azure Machine Learning Service hvis du konfigurerer behovsprognoser for første gang. Hvis du for øyeblikket bruker Azure Machine Learning Studio (classic), bør du planlegge å bytte til Azure Machine Learning Service så snart som mulig.

Du kan overstyre prognosegenereringsmetoden for én eller flere bestemte varetildelingsnøkler ved å bruke kategorien Varetildelingsnøkler. Denne kategorien inneholder lignende felt.

Overstyre standard prognosealgoritmeparametere globalt

Standard parametere og verdier for prognosealgoritmen tilordnes på siden Parametere for behovsprognose (Hovedplanlegging>Oppsett>Behovsprognoser>Parametere for behovsprognose). Du kan imidlertid overstyre dem globalt ved å bruke hurtigfanen Prognosealgoritmeparametere i fanen Generelt på siden Parametere for behovsprognose. (Du kan også overstyre dem for bestemte tilordningsnøkler ved å bruke fanen Varefordelingsnøkler på siden Parametere for behovsprognose.)

Bruk knappene Legg til og Fjern på verktøylinjen for å fastsette den nødvendige samlingen med parameteroverstyringer. For hver parameter i listen velger du en verdi i Navn-feltet, og deretter angir du en passende verdi i Verdi-feltet. Alle parametere som ikke er oppført her, henter verdiene fra innstillingene på parametersiden for behovsprognoser . Hvis du vil ha mer informasjon om hvordan du bruker standardsettet med parametere og velger verdier for dem, kan du se delen Standardparametere og verdier for modeller for etterspørselsprognose.

Angi prognosedimensjoner

En prognosedimensjon viser detaljnivået for prognosen. Firma, område og varetildelingsnøkkel er nødvendige prognosedimensjoner. Du kan også generere prognoser på lageret, lagerstatus, kundegruppe, kundekonto, land/område, delstat og varenivå, og på alle varedimensjonsnivåer. Bruke fanen Prognosedimensjoner på siden Parametere for behovsprognose for å velge settet for prognosedimensjoner som brukes når behovsprognosen genereres.

Du kan legge til prognosedimensjoner i listen over dimensjonene som skal brukes for behovsprognose, når som helst. Du kan også fjerne prognosedimensjoner fra listen. Manuelle justeringer går imidlertid tapt hvis du legger til eller fjerner en prognosedimensjon.

Definere overstyringer for bestemte varetildelingsnøkler

Ikke alle varer fungerer på samme måte fra et behovsprognoseperspektiv. Derfor kan du etablere tildelingsnøkkelspesifikke overstyringer for de fleste innstillingene som er tilgjengelige på Generelt-fanen . Unntaket er behovsprognoseenheten. Følg disse trinnene for å konfigurere overstyringer for en bestemt varetildelingsnøkkel:

1. På siden Parametere for behovsprognose bruker du kategorien Varetildelingsnøkler til å legge til varetildelingsnøkler i rutenettet til venstre, eller fjerne dem etter behov. Deretter velger du tildelingsnøkkelen du vil definere overstyringer for.
2. På hurtigfanen Transaksjonstyper aktiverer du transaksjonstypene du vil bruke til å generere den statistiske basislinjeprognosen for produkter som tilhører den valgte tilordningsnøkkelen. Innstillingene fungerer på samme som i fanen Generelt, men de gjelder bare for den valgte varetildelingsnøkkelen. Alle innstillingene her (både Ja-verdier og Nei-verdier) overstyrer alle Transaksjonstype-innstillinger i fanen Generelt.
3. I hurtigfanen Prognosealgoritmeparametere velger du strategien for prognosegenerering og prognosealgoritmeparameteren som overstyrer for produkter som tilhører den valgte tilordningsnøkkelen. Disse innstillingene fungerer på samme som i fanen Generelt, men de gjelder bare for den valgte varetildelingsnøkkelen. Bruk knappene Legg til og Fjern på verktøylinjen for å definere den nødvendige samlingen med parameteroverstyringer. For hver parameter i listen velger du en verdi i Navn-feltet, og deretter angir du en passende verdi i Verdi-feltet. Hvis du vil ha mer informasjon om hvordan du bruker standardsettet med parametere og velger verdier for dem, kan du se delen Standardparametere og verdier for modeller for etterspørselsprognose.

Konfigurere tilkoblingen til Azure Machine Learning Service

Bruk kategorien Azure Machine Learning Service til å sette opp forbindelsen til Azure Machine Learning Service. Denne løsningen er ett av alternativene for oppretting av basislinjeprognosen. Disse innstillingene på denne fanen trer bare i kraft når prognosegenereringsstrategifeltet er satt til Azure Machine Learning Service.

Hvis du vil ha mer informasjon om hvordan du konfigurerer Azure Machine Learning Service og deretter bruker du innstillingene her for å koble til den, kan du se delen Konfigurere Azure Machine Learning Service.

Konfigurere tilkoblingen til Azure Machine Learning Studio (classic)

Hvis du allerede har et tilgjengelig arbeidsområde for Azure Machine Learning Studio (classic), kan du bruke det til å generere prognoser ved å koble det til Supply Chain Management. Du kan opprette denne tilkoblingen ved fanen Azure Machine Learning på siden Parametere for behovsprognose. (Innstillingene på denne fanen trer bare i kraft når prognosegenereringsstrategifeltet er satt til Azure Machine Learning.) Skriv inn følgende detaljer for Azure Machine Learning Studio (klassisk) arbeidsområde:

• API-nøkkel (application programming interface) for webtjenesten
• URL-adresse til webtjenestesluttpunkt
• Azure-lagringskontonavn
• Azure-lagringskontonøkkel

Standardparametere og -verdier for modeller for etterspørselsprognose

Når du bruker maskinopplæring til å generere prognoseplanleggingsmodellene, styrer du maskinopplæringsalternativer ved å angi verdier for prognosealgoritmeparametere. Administrasjon av forsyningskjede sender disse verdiene til Azure Machine Learning. Bruk prognosealgoritmeparametersiden til å kontrollere hvilke typer verdier som skal angis, og hvilke verdier hver skal ha.

For å konfigurere standardparametere og -verdier for etterspørselsprognosemodeller, gå til Hovedplanlegging>Oppsett>Etterspørselsprognoser>Prognosealgoritmeparametere. Det finnes et standardsett med parametere. Hver parameter har følgende felt:

• Navn – Navnet på parameteren, slik det brukes av Azure. Vanligvis bør du ikke endre dette navnet med mindre du har tilpasset eksperimentet i Azure Machine Learning.
• Beskrivelse – Et fellesnavn for parameteren. Bruk dette navnet til å identifisere parameteren andre steder i systemet (for eksempel på parametersiden for behovsprognoser ).
• Verdi – Standardverdien for parameteren. Verdien du angir, avhenger av parameteren du redigerer.
• Forklaring – En kort beskrivelse av parameteren og hvordan den brukes. Denne beskrivelsen inneholder vanligvis anbefalinger om gyldige verdier for Verdi-feltet.

Følgende parametere angis som standard. (Hvis du vil gå tilbake til denne standardlisten, velger du Gjenopprett i handlingsruten.)

• Konfidensnivåprosent – Et konfidensintervall består av et verdiområde som fungerer som gode estimater for behovsprognosen. En konfidensnivåprosent på 95 % angir at det er 5 % risiko for at det fremtidige behovet faller utenfor området for konfidensintervallet.

• Fremtving sesongavhengighet – Angir om modellen skal tvinges til å bruke en bestemt type sesongavhengighet. Denne parameteren gjelder bare i ARIMA og ETS. Alternativer: AUTO (standard), INGEN, ADDITIVE, MULTIPLIKATIV.

• Prognosemodell – Angir hvilken prognosemodell som skal brukes. Alternativer: ARIMA, ETS, STL, ETS+ARIMA, ETS+STL, ALLE. Hvis du vil velge best mulig tilpasningsmodell, bruker du ALLE.

• Maksimal prognoseverdi – Angir den største verdien som kan brukes for prognoser. Format: +1E[n] eller numerisk konstant.

• Minste prognoseverdi – Angir den minste verdien som kan brukes for prognoser. Format: -1E[n] eller numerisk konstant.

• Manglende verdierstatning – angir hvordan du fyller ut hull i historiske data. Alternativer: (numerisk verdi), GJENNOMSNITT, FORRIGE, INTERPOLERT LINEÆR, INTERPOLERT POLYNOMISK.

• Manglende verdierstatningsomfang – angir om verdierstatningen bare gjelder for datointervallet for hvert individuelle attributt for granularitet eller for hele datasettet. Følgende alternativer er tilgjengelige for oppretting av datoområdet som systemet bruker til å fylle ut huller i historiske data:

  • GLOBAL – Systemet bruker hele datoområdet for alle detaljattributter.
  • HISTORY_DATE_RANGE – Systemet bruker et bestemt datoområde som er definert av feltene Fra dato og Til dato i Historisk horisont-delen i dialogboksen Generer statistisk basislinjeprognose.
  • GRANULARITY_ATTRIBUTE – Systemet bruker datoområdet til det behandlede detaljattributtet.

  Bemerkning

  Et detaljattributt er en kombinasjon av prognosedimensjoner som prognosen utføres mot. Du kan definere prognosedimensjoner på siden Parametere for behovsprognose.

• Tips om sesongavhengighet – For sesongbaserte data angir du et tips til prognosemodellen for å forbedre prognosenøyaktigheten. Format: heltall som representerer antallet perioder som et behovsmønster gjentar seg selv etter. Fyll for eksempel inn 6 for data som gjentar seg selv hver sjette måned.

• Prosent for testsettstørrelse – prosentandel av historiske data som skal brukes som testsett for beregning av prognosenøyaktighet.

Overstyr verdiene for disse parameterne ved å gå tilparametere for prognose for> for >>. Du kan overskrive disse parameterne på siden Parametere for behovsprognose på følgende måter:

• Bruk kategorien Generelt til å overstyre parameterne globalt.
• Bruk kategorien Varetildelingsnøkler til å overstyre parameterne for spesifikke varetildelingsnøkler. Parametere som du overstyrer for en bestemt varetildelingsnøkkel, påvirker bare prognosen for elementer som er knyttet til denne varetildelingsnøkkelen.

Konfigurere Azure Machine Learning Service

Supply Chain Management beregner etterspørselsprognoser ved hjelp av Azure Machine Learning Service. Du må konfigurere og kjøre denne tjenesten på ditt eget Azure-abonnement. I denne delen finner du informasjon om hvordan du konfigurerer Azure Machine Learning Service i Azure og deretter kobler til Supply Chain Management-miljøet.

Aktivere Azure Machine Learning Service i funksjonsbehandling

For å bruke denne funksjonen må den være aktivert for systemet. Per Supply Chain Management versjon 10.0.32 er dette aktivert som standard. Funksjonen er obligatorisk fra og med Supply Chain Management, versjon 10.0.36 og kan ikke deaktiveres. Hvis du kjører en eldre versjon enn 10.0.36, kan administratorer aktivere eller deaktivere denne funksjonaliteten ved å søke etter funksjonen Azure Machine Learning Service for behovsprognose i arbeidsområdet Funksjonsbehandling.

Konfigurere maskinlæring i Azure

Hvis du vil at Azure skal kunne bruke maskinlæring til å behandle prognosene dine, må du konfigurere et Azure Machine Learning-arbeidsområde for dette formålet. Du har to alternativer:

• Hvis du vil konfigurere arbeidsområdet ved å kjøre et skript som Microsoft leverer, følger du instruksjonene i alternativ 1: Kjør et skript for å konfigurere arbeidsområdet for maskinlæring automatisk , og gå deretter videre til delen Konfigurere tilkoblingsparametere for Azure Machine Learning Service i delen Administrasjon av forsyningskjede .
• Hvis du vil konfigurere arbeidsområdet manuelt, følger du instruksjonene i delen Alternativ 2: Manuell konfigurering av arbeidsområdet for maskinopplæring, og gå deretter videre til delen Konfigurere Azure Machine Learning Service-tilkoblingsparametere i Supply Chain Management. Dette alternativet tar mer tid, men det gir mer kontroll.

Alternativ 1: Kjør et skript for å konfigurere arbeidsområdet for maskinopplæring automatisk

Denne delen beskriver hvordan du konfigurerer arbeidsområdet for maskinlæring ved hjelp av et automatisert skript som Microsoft tilbyr. Hvis du foretrekker det, kan du manuelt konfigurere alle ressursene ved å følge instruksjonene i delen Alternativ 2: Konfigurere arbeidsområdet for maskinopplæring. Du trenger ikke å fullføre begge alternativene.

1. I GitHub åpner du Malene for Dynamics 365 Supply Chain Management-etterspørselsprognoser med Azure Machine Learning-repositoriet, og last ned følgende filer:

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

2. Åpne et PowerShell-vindu, og kjør skriptet quick_setup.ps1 du lastet ned i forrige trinn. Følg instruksjonene på skjermen. Skriptet setter opp det nødvendige arbeidsområdet, lagringsplass, datalager (kalt workspaceblobdemplan) og databehandlingsressurser.

3. Følg disse trinnene for å angi datalageret for workspaceblobdemplan (opprettet av skriptet quick_setup.ps1 ) som standard datalager.

   1. I Azure Machine Learning Studio velger du Datalagre i navigasjonsvinduet.
   2. Velg workspaceblobdemplan-datalageret (det er av typen Azure Blob Storage og peker til Blob Storage-beholderen demplan-azureml).
   3. Åpne detaljsiden for workspaceblobdemplan-datalageret, og velg Angi som standard datalager.

4. Last opp sampleInput.csv filen du lastet ned i trinn 1, i Azure Machine Learning Studio, til beholderen som heter demplan-azureml. (Skriptet quick_setup.ps1 opprettet denne beholderen.) Denne filen er nødvendig for å publisere datasamlebåndet og generere en testprognose. Hvis du vil ha instruksjoner, kan du se Laste opp en blokkeringsblokk.

5. I Azure Machine Learning Studio velger du Notatblokk i navigasjonsvinduet.

6. Finn følgende plassering i strukturen Filer: Brukere/[gjeldende bruker]/src.

7. Last opp de gjenværende fire filene du lastet ned i trinn 1, til stedet du fant i forrige trinn.

8. Velg filen du nettopp lastet opp, og kjør den api_trigger.py . Det oppretter et datasamlebånd som kan utløses gjennom API-en. (Pipelinene er en metode for å starte prognoseskript fra Supply Chain Management.)

9. Arbeidsområdet er nå konfigurert. Gå til delen Konfigurere Azure Machine Learning Service-tilkoblingsparametere i Supply Chain Management.

Alternativ 2: Konfigurere maskinopplæringsarbeidsområdet manuelt

Denne delen beskriver hvordan du konfigurerer arbeidsområdet for maskinopplæring manuelt. Fullfør prosedyrene i denne delen bare hvis du bestemte deg for ikke å kjøre det automatiserte konfigurasjonsskriptet, som beskrevet i alternativ 1: Kjør et skript for å konfigurere inndelingen arbeidsområde for maskinlæring .

Trinn 1: Opprette et nytt arbeidsområde

Bruk fremgangsmåten nedenfor for å opprette et arbeidsområde for maskinopplæring.

1. Logg på Azure-portalen.

2. Åpne tjenesten for maskinlæring.

3. Velg Opprett på verktøylinjen for å åpne Opprett-veiviseren.

4. Fullfør veiviseren ved å følge instruksjonene på skjermen. Husk at følgende punkter er i bakhodet når du arbeider:

   • Bruk standardinnstillingene hvis ikke andre punkt i denne listen anbefaler andre innstillinger.
   • Pass på at du velger det geografiske området som samsvarer med området der forekomsten av Supply Chain Management er distribuert. Hvis ikke kan det hende at noen av dataene dine passerer gjennom områdegrensene. Finn ut mer i personvernmeldingen senere i denne artikkelen.
   • Bruk dedikerte ressurser, for eksempel ressursgrupper, lagringskontoer, beholderregistre, Azure Key Vaults og nettverksressurser.
   • Du må angi et navn på lagringskonto på siden Konfigurere Azure Machine Learning Service-tilkoblingsparametere. Bruk en konto som er dedikert til behovsprognose. Behovsprognoser for inndata og utdata lagres i denne lagringskontoen.

Finn ut mer i Opprett arbeidsområdet.

Trinn 2: Konfigurer lagring

Bruk fremgangsmåten nedenfor for å konfigurere lagringen.

1. På GitHub åpner du repoet Templates for Dynamics 365 Supply Chain Management demand forecasting med Azure Machine Learning, og laster ned sampleInput.csv filen.
2. Åpne lagringskontoen du opprettet i delen Trinn 1: Opprett en ny arbeidsområde.
3. Følg instruksjonene i Opprett en container for å opprette en container som kalles demplan-azureml.
4. sampleInput.csv Last opp filen du lastet ned i trinn 1, til beholderen du nettopp opprettet. Du trenger denne filen for å publisere pipelinen og generere en testprognose. Hvis du vil ha instruksjoner, kan du se Laste opp en blokkeringsblokk.

Trinn 3: Konfigurere et standard datalager

Følg disse trinnene for å konfigurere standard datalager:

1. I Azure Machine Learning Studio velger du Datalagre i navigasjonsvinduet.
2. Opprett et nytt datalager av typen Azure Blob Storage som peker til blob-lagringscontaineren demplan-azureml som du opprettet i delen Trinn 2: Konfigurere lagring. Hvis godkjenningstypen for det nye datalageret er kontonøkkel, må du angi en kontonøkkel for den opprettede lagringskontoen. Hvis du vil ha instruksjoner, kan du se Administrere tilgangstaster for lagringskonto.
3. Gjør det nye datalageret til standard datalager ved å åpne detaljene og velge Angi som standard datalager.

Trinn 4: Konfigurere beregningsressurser

Følg disse trinnene for å konfigurere en databehandlingsressurs i Azure Machine Learning Studio til å kjøre prognosegenereringsskriptene:

1. Åpne detaljsiden for arbeidsområdet for maskinopplæring som du opprettet i delen Trinn 1: Opprette et nytt arbeidsområde. Finn verdien Web-URL-verdi for studio, og velg koblingen for å åpne den.

2. Velg Beregn i navigasjonsruten.

3. Velg Ny i kategorien Databehandlingsforekomster for å åpne en veiviser som hjelper deg med å opprette en ny databehandlingsforekomst. Følg instruksjonene på skjermen. Bruk standardinnstillingene. Databehandlingsinstansen brukes til å opprette prognosesamlebåndet for behovsprognoser. Du kan slette det etter at pipelinen er publisert.

4. Velg Ny på fanen Databehandlingsklynger for å åpne en veiviser som hjelper deg med å opprette en ny databehandlingsklynge. Følg instruksjonene på skjermen. Databehandlingsklyngen genererer behovsprognoser. Innstillingene påvirker ytelsen og det maksimale parallelliseringsnivået for kjøringen. Angi følgende felt, men bruk standardinnstillingene for alle andre felt:

   • Navn – Angi e2ecpucluster.
   • Virtuell maskinstørrelse – Juster denne innstillingen i henhold til volumet av data som du forventer å bruke som inndata for etterspørselsprognoser. Nodeantallet bør ikke overskride 11, fordi det kreves en node for å utløse generering av behovsprognoser, og maksimalt antall noder som deretter kan brukes til å generere en prognose, er 10. Du angir også nodeantallet parameters.py i filen i trinn 5: Opprett datasamlebånd . På hver node kjører flere arbeidsprosesser prognoseskript parallelt. Totalt antall arbeidsprosesser i jobben er Antall kjerner som en node har × nodeantall. Hvis databehandlingsklyngen for eksempel har en type Standard_D4 (åtte kjerner) og maksimalt 11 noder, og hvis nodes_count verdien er satt til 10 i parameters.py filen, er det effektive parallellnivået 80.

Trinn 5: Opprette pipeliner

Pipelinene er en metode for å starte prognoseskript fra Supply Chain Management. Følg disse trinnene for å opprette nødvendige datasamlebånd:

1. I GitHub åpner du Malene for Dynamics 365 Supply Chain Management-etterspørselsprognoser med Azure Machine Learning-repositoriet, og last ned følgende filer:

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

2. I Azure Machine Learning Studio velger du Notatblokk i navigasjonsvinduet.

3. Finn følgende plassering i strukturen Filer: Brukere/[gjeldende bruker]/src.

4. Last opp de fire filene du lastet ned i trinn 1, til stedet du fant i forrige trinn.

5. Åpne og se gjennom parameters.py filen du nettopp lastet opp i Azure. Kontroller at verdien nodes_count er én mindre enn verdien du konfigurerte for beregningsklyngen i Trinn 4: Konfigurer beregningsressurser. Hvis verdien nodes_count er større enn eller lik antall noder i beregningsklyngen, kan det hende at pipelineutkjøringen kan starte. Den slutter imidlertid å svare mens den venter på de nødvendige ressursene. Hvis du vil ha mer informasjon om nodeopptellingen, kan du se delen Trinn 4: Konfigurere beregningsressurser.

6. Velg filen du nettopp lastet opp, og kjør den api_trigger.py . Det oppretter et datasamlebånd som du kan utløse gjennom API-en.

Konfigurere et nytt Microsoft Entra-program

Hvis du vil godkjenne ved hjelp av en tjenestekontohaver med ressursene som er dedikert til behovsprognoser, trenger du et Microsoft Entra-program. Programmet bør derfor ha det laveste privileginivået som kreves for å generere prognosen.

1. Logg på Azure-portalen.

2. Registrer en ny app i leierens Microsoft Entra-ID. For informasjon kan du se Bruke portalen til å opprette en Microsoft Entra-app og tjenestekontohaver som har tilgang til ressurser.

3. Følge instruksjonene på skjermen når du fullfører veiviseren. Bruk standardinnstillingene.

4. Gi det nye Microsoft Entra-programmet tilgang til følgende ressurser som du opprettet i delen Konfigurere maskinlæring i Azure . Hvis du vil ha instruksjoner, kan du se Tilordne Azure-rollene ved hjelp av Azure-portalen. Dette trinnet gjør det mulig for systemet å importere og eksportere prognosedata og utløse maskinlæringssamlebåndkjøringer fra Supply Chain Management.

   • Bidragsyterrollen for maskinopplæringsarbeidsområdet
   • Bidragsyterrollen til den dedikerte lagringskontoen
   • Databidragsrollen for Storage Blob for den dedikerte lagringskontoen

5. I delen Sertifikater og hemmeligheter i programmet du har opprettet, oppretter du en hemmelighet for programmet. Hvis du vil ha instruksjoner, kan du se Legge til en klient.

6. Legg merke til program-IDen og bruken av den. Du trenger detaljene i dette programmet senere, når du konfigurerer siden Parametere for behovsprognose i Supply Chain Management.

Konfigurere Azure Machine Learning Service-tilkoblingsparametere i Supply Chain Management

Bruk følgende fremgangsmåte for å koble forsyningskjedeadministrasjonsmiljøet til maskinlæringstjenesten som du konfigurerer i Azure.

1. Logg på Supply Chain Management.

2. Gå til Hovedplanlegging>Oppsett>Etterspørselsprognose>Parametere for etterspørselsprognose.

3. I kategorien Generelt kontrollerer du at feltet Strategi for prognosegenerering er satt til Azure Machine Learning Service.

4. I kategorien Varefordelingsnøkler kontrollerer du at feltet Strategi for prognosegenerering er satt til Azure Machine Learning Service for hver tilordningsnøkkel som skal bruke Azure Machine Learning Service for behovsprognose.

5. Angi følgende felt i fanen Azure Machine Learning Service:

   • Leier-ID – Angi IDen for Azure-leieren. Administrasjon av forsyningskjede bruker denne ID-en til å godkjenne med Azure Machine Learning Service. Du finner leier-IDen på siden Oversikt for Microsoft Entra ID i Azure-portalen.
   • App-ID for tjenestekontohaver – Angi program-IDen for programmet du opprettet i delen Active Directory-program. Administrasjon av forsyningskjede bruker denne verdien til å godkjenne API-forespørsler til Azure Machine Learning Service.
   • Tjenestekontohaverhemmelighet – Angi tjenestekontohaverhemmelighet for programmet du opprettet i delen Active Directory-program. Administrasjon av forsyningskjede bruker denne verdien til å skaffe tilgangstokenet for sikkerhetskontohaveren som du opprettet for å utføre autoriserte operasjoner mot Azure Storage og azure Machine Language-arbeidsområdet.
   • Navn på lagringskonto – Angi navnet på Azure-lagringskontoen for lagringen som du angav da du kjørte installasjonsveiviseren i Azure-arbeidsområdet. (Finn ut mer i delen Konfigurere maskinlæring i Azure .)
   • Pipeline-sluttpunktadressen – Angi URL-adressen til REST-sluttpunktet for pipeline for Azure Machine Learning Service. Du opprettet denne pipelinen som siste trinn da du konfigurerte maskinopplæring i Azure. Hvis du vil hente URL-adressen for pipeline, logger du deg på Azure-portalen og velger Pipeliner i navigasjonen. I fanen Pipeline velger du pipelinesluttpunktet som kalles TriggerDemandForecastGeneration. Deretter kopierer du REST-endepunktet som vises.

   

Personvernerklæring

Når du velger Azure Machine Learning Service for prognosegenerering, sender Supply Chain Management automatisk kundedata for historisk etterspørsel, for eksempel oppsamlet antall, produktnavn og deres produktdimensjoner, forsendelses- og mottakslokasjoner, kunde-IDer og prognoseparametere, til det geografiske området der maskinopplæringsarbeidsområdet og den koblede lagringskontoen er plassert, i den hensikt å stille prognoser for fremtidige behov. Azure Machine Learning Service kan være i et annet geografisk område enn det geografiske området der Supply Chain Management distribueres. Noen brukere kan styre om denne funksjonaliteten er aktivert, ved å velge strategien for prognosegenerering på siden Parametere for behovsprognose.

Relatert informasjon

• Oversikt over behovsprognose
• Generere en statistisk basislinjeprognose
• Foreta manuelle justeringer i basislinjeprognosen
• Nettseminar: Behovsprognose med Azure Machine Learning Series