Introducción
El flujo de efectivo de un negocio es un buen indicador de su capacidad financiera y puede revelar si el negocio puede cumplir sus obligaciones financieras. Microsoft Dynamics 365 Business Central proporciona herramientas que los negocios pueden utilizar para analizar su flujo de efectivo mediante el análisis de datos históricos para las predicciones de períodos futuros. En este módulo se explica la característica Previsión de flujo de efectivo, que es una herramienta de informes avanzada que puede utilizar el Aprendizaje automático de Microsoft Azure para crear varios escenarios y brindarle información sobre qué esperar.
En el primer módulo se muestra cómo configurar pronósticos de flujo de efectivo mediante Microsoft Azure AI. A continuación, aprenderá qué es el proceso de usar su propio servicio web predictivo para realizar previsiones de flujo de efectivo.
El aprendizaje automático es una técnica de ciencia de datos que permite a los equipos usar datos ya existentes para prever tendencias, resultados y comportamientos futuros. Gracias al aprendizaje automático, los equipos aprenden sin necesidad de que se les programe explícitamente.
En el siguiente diagrama se muestran los componentes principales del servicio y el flujo de trabajo general para usar el servicio.
Por lo general, el flujo de trabajo del modelo de aprendizaje automático sigue esta secuencia:
Entrenamiento: se ayuda a la máquina a aprender.
Desarrolle scripts de entrenamiento de aprendizaje automático en Python, R o con el diseñador visual.
Cree y configure un destino de proceso.
Envíe los scripts a un destino de proceso configurado para que se ejecuten en ese entorno. Durante el entrenamiento, los scripts pueden leer almacenes de datos o escribir en ellos. Los registros y la salida que se generan durante el entrenamiento se guardan como ejecuciones en el espacio de trabajo y luego se agrupan en experimentos.
Paquete: después de encontrar una ejecución satisfactoria, registrará el modelo que persista en el registro de modelos.
Validación: consulte el experimento para informarse de las métricas registradas en las ejecuciones anteriores y en la actual. Si las métricas no indican un resultado deseado, vuelva al paso 1 e itere los scripts.
Implementación: desarrolle un script de puntuación que use el modelo y luego implemente el modelo como un servicio web en Azure o en un dispositivo IoT Edge.
Supervisión: supervise si hay un desfase de datos entre el conjunto de datos de entrenamiento y los datos de inferencia de un modelo implementado. Cuando sea necesario, vuelva al paso 1 para volver a entrenar el modelo con nuevos datos de entrenamiento.