需要予測ソリューション アクセラレータを使用して顧客の需要を予測する
統合機械学習モデルを使用したエンドツーエンド ソリューション
グローバルな小売エコシステムは、私たちが暮らすペースの速い最先端の環境が反映されたものです。 すばやく変化し、その瞬間の需要に基づいて調節できなければなりません。 お客様の好みが頻繁に変化し、競争が激しさを増す小売市場で、企業はお客様の需要を満たすことができず、プラットフォームをまたいだあらゆる媒体で提供される個人的なカスタマー エクスペリエンスを推定することは不可能です。
小売業者はサプライ チェーン内で不足や未処理があったり中断が発生したりした場所を把握するためのアプローチを模索しています。 現在の困難な時代において、強化された競争力の高い小売エコシステムでは、サプライ チェーンに沿った生産から配送までの顧客体験のすべての側面を 360 度見渡せることが必須条件です。 運用チームと製造チームは、組織内のサイロとデータ アンチパターンを除去して、リソースを解放してサプライ チェーン内の無駄を防ぐ必要があります。
非常に時間的制約のある市場で需要を満たすことを支援するために、需要予測ソリューション アクセラレータをお勧めします。 需要予測ソリューション アクセラレータでは、カスタマイズされた販売予測モデルを構築する方法を示します。 このアクセラレータでは、事前構築および事前構成された資産を通じて開発時間を短縮することによって支援します。 需要予測ソリューションをデプロイすると、結果を数週間で返すのに役立ち、ビジネス要件の拡大に応じて拡張できるようになります。
"多数モデル" アプローチで精度を向上させる
多数モデルのパターンは、さまざまな業界でたいへん普及しており、現実世界の多くの事例に適用できます。 小売部門における多数モデルのアプローチは、以下の場面でよく見られます。
数千件の店舗に対する従業員の最適化モデルを構築する小売企業
キャンペーン プロモーション傾向モデル
販売されている数十万点の製品の価格最適化モデル
多くの店舗にわたる需要予測モデルを構築するレストラン チェーン
お客様の例
Carhartt
Carhartt は競争力を維持するために、包括的なデータドリブン ソリューションを探していました。 オンプレミスの仮想マシンではメモリのボトルネックが形成されていたため、同社は Microsoft と協力して、Azure Machine Learning の高パフォーマンス ソリューションを使用してモデルを拡張しました。 大量のデータ分析情報を活用することで、Carhartt は e コマースサイト、大規模小売店、および 33 箇所の実店舗の売上を最適化できました。 Carhartt の顧客事例の全文をお読みください。
Walgreens
Walgreens では膨大な量のデータを処理し、販売時点管理トランザクションとサプライ チェーン全体の履歴データを比較して得た分析情報に依存しています。また他の薬局を買収し、分析対象のデータ ポイントがさらに追加されました。 Azure を利用することで、Walgreens では機械学習を使用してさまざまなデータソースに接続し、適切なタイミングで適切な顧客を対象にするように在庫とプロモーションを最適化することができました。 Walgreens の顧客事例の全文をお読みください。
環境を構成し、データセットを準備し、10,000 を超えるモデルをトレーニングし、売上を予測する方法について説明します。 その後、ビジネスの課題に合わせてアクセラレータをカスタマイズできます。
MVP のデプロイを開始する
- 需要予測ソリューション アクセラレータの GitHub リポジトリでコードを見つけます。
- Azure Machine Learning と資産を Azure にデプロイします。
- Notebook 仮想マシンを使用して開発環境を構成します。
- Jupyter Notebook を実行します。 開発環境がセットアップされたら、多数モデルのソリューション アクセラレータについての手順に従い、Jupyter Notebook の手順を 1 つずつ実行します。
詳細情報: