Introduzione
Il flusso di cassa in un'azienda è un buon indicatore della sua solvibilità finanziaria e può rivelare se l'azienda è in grado di adempiere ai propri obblighi finanziari. Microsoft Dynamics 365 Business Central offre strumenti che le aziende possono usare per analizzare il proprio flusso di cassa attraverso l'analisi di dati cronologici per ottenere previsioni per periodi futuri. Questo modulo descrive la funzionalità Previsione flusso di cassa, uno strumento di reporting avanzato che può usare Microsoft Azure Machine Learning per modellare diversi scenari e fornire informazioni dettagliate su cosa aspettarsi.
Il modulo descrive innanzitutto come impostare previsioni flusso di cassa tramite l'intelligenza artificiale di Microsoft Azure. Verrà quindi descritto l'uso di un servizio Web predittivo personalizzato per le previsioni flusso di cassa.
L'apprendimento automatico è una tecnica di analisi di data science che consente ai computer di usare dati esistenti per prevedere comportamenti, tendenze e risultati futuri. Attraverso tecniche di apprendimento automatico i computer apprendono senza essere programmati in modo esplicito.
Il diagramma seguente mostra i componenti principali del servizio e il flusso di lavoro generale per l'uso del servizio.
Il flusso di lavoro del modello di apprendimento automatico segue in genere questa sequenza:
Training - Aiutare il computer ad apprendere.
Sviluppare script di training di apprendimento automatico in Python, R o con lo strumento di progettazione visiva.
Creare e configurare una destinazione di calcolo.
Inviare gli script a una destinazione di calcolo configurata per l'esecuzione nell'ambiente. Durante il training, gli script possono leggere o scrivere in o da archivi dati. I log e l'output prodotti durante il training vengono salvati come esecuzioni nell'area di lavoro e quindi raggruppati in esperimenti.
Creazione di pacchetti - Dopo aver trovato un'esecuzione soddisfacente, è possibile registrare il modello permanente nel registro dei modelli.
Convalida - Eseguire query sull'esperimento per ottenere metriche registrate dalle esecuzioni correnti e precedenti. Se le metriche non indicano un risultato desiderato, tornare al passaggio 1 e ripetere gli script.
Distribuzione - Sviluppare uno script di assegnazione dei punteggi che usa il modello e quindi distribuire il modello come servizio Web in Azure o in un dispositivo IoT Edge.
Monitoraggio - Monitorare la deriva dei dati tra il set di dati di training e i dati di inferenza di un modello distribuito. Se necessario, tornare al passaggio 1 per eseguire di nuovo il training del modello con nuovi dati di training.