Projektowanie modeli prognoz
Modele prognoz umożliwiają rozmieszczanie i konfigurowanie kafelków w celu zdefiniowania prognozy tworzonej przez profil prognozy. Każdy model przedstawia schemat blokowy, który graficznie przedstawia obliczenia przeprowadzane przez model.
Algorytmy prognozowania popytu
Planowanie popytu obejmuje trzy popularne algorytmy prognozowania popytu: auto-ARIMA, ETS i Prophet. Algorytm prognozowania popytu, którego używasz, zależy od specyfiki Twoich danych historycznych.
- Auto-ARIMA działa najlepiej, gdy dane podążają za stabilnymi wzorcami.
- Błędy, trendy i sezonowość (ETS) to wszechstronny wybór dla danych, które mają trendy lub sezonowość.
- Prophet najlepiej sprawdza się w przypadku złożonych danych pochodzących ze świata rzeczywistego.
Planowanie popytu zapewnia również model najlepszego dopasowania (który automatycznie wybiera najlepsze z dostępnych algorytmów dla każdej kombinacji produktów i wymiarów), jak i możliwość opracowywania i używania własnych modeli niestandardowych.
Rozumiejąc te algorytmy i ich mocne strony, możesz podejmować świadome decyzje w celu optymalizacji łańcucha dostaw i zaspokojenia potrzeb klientów.
W tej sekcji opisano, jak działa każdy algorytm i jego przydatność dla różnych typów danych historycznych dotyczących zapotrzebowania.
Najlepiej dopasowany model
Model najlepszego dopasowania automatycznie wyszukuje, który z pozostałych dostępnych algorytmów (auto-ARIMA, ETS lub Prophet) najlepiej pasuje do danych dla każdego produktu i kombinacji wymiarów. W ten sposób można zastosować różne modele do różnych produktów. W większości przypadków zalecamy użycie modelu o najlepszym dopasowaniu, ponieważ łączy on w sobie zalety wszystkich innych standardowych modeli. Poniższy przykład pokazuje, jak to zrobić.
Załóżmy, że istnieją historyczne dane szeregów czasowych popytu, które zawierają kombinacje wymiarów wymienione w poniższej tabeli.
| Produkt | Sklep |
|---|---|
| A | 1 przypada na wpłatę z zysku na rzecz budżetu państwa |
| A | 2 |
| W | 1 przypada na wpłatę z zysku na rzecz budżetu państwa |
| W | 2 |
Po uruchomieniu obliczenia prognozy przy użyciu modelu Prophet można uzyskać następujące wyniki. W tym przykładzie system zawsze używa modelu Prophet, niezależnie od obliczonego średniego bezwzględnego błędu procentowego (MAPE) dla każdej kombinacji produktów i wymiarów.
| Produkt | Sklep | model prognozy | MAPE |
|---|---|---|---|
| A | 1 przypada na wpłatę z zysku na rzecz budżetu państwa | Prorok | 0.12 |
| A | 2 | Prorok | 0.56 |
| W | 1 przypada na wpłatę z zysku na rzecz budżetu państwa | Prorok | 0.65 |
| W | 2 | Prorok | 0.09 |
Po uruchomieniu obliczenia prognozy przy użyciu modelu ETS uzyskuje się następujące wyniki. W tym przykładzie system zawsze korzysta z modelu ETS, niezależnie od obliczonego MAPE dla każdej kombinacji produktów i wymiarów.
| Produkt | Sklep | model prognozy | MAPE |
|---|---|---|---|
| A | 1 przypada na wpłatę z zysku na rzecz budżetu państwa | ETS | 0.18 |
| A | 2 | ETS | 0.15 |
| W | 1 przypada na wpłatę z zysku na rzecz budżetu państwa | ETS | 0.21 |
| W | 2 | ETS | 0.31 |
Po uruchomieniu obliczenia prognozy przy użyciu modelu najlepszego dopasowania system optymalizuje wybór modelu dla każdej kombinacji produktów i wymiarów. Wybór zmienia się na podstawie wzorców znalezionych w historycznych danych sprzedaży.
| Produkt | Sklep | Prorok MAPE | Auto-ARIMA MAPE | ETS MAPE | Najlepiej dopasowany model prognozy | Najlepsze dopasowanie MAPE |
|---|---|---|---|---|---|---|
| A | 1 przypada na wpłatę z zysku na rzecz budżetu państwa | 0.12 | 0.34 | 0.18 | Prorok | 0.12 |
| A | 2 | 0.56 | 0.23 | 0.15 | ETS | 0.15 |
| W | 1 przypada na wpłatę z zysku na rzecz budżetu państwa | 0.65 | 0.09 | 0.21 | Funkcja Auto-ARIMA | 0.09 |
| W | 2 | 0.10 | 0.27 | 0.31 | Prorok | 0.10 |
Poniższy wykres przedstawia ogólną prognozę sprzedaży we wszystkich wymiarach (wszystkie produkty we wszystkich sklepach) w ciągu najbliższych dziewięciu miesięcy, znalezioną przy użyciu trzech różnych modeli prognozowania. Zielona linia oznacza najlepiej dopasowany model. Ponieważ najlepsze dopasowanie wybiera najlepszy model prognozy dla każdej kombinacji produktów i wymiarów, pozwala uniknąć wartości odstających, które mogłyby wystąpić w wyniku wymuszenia stosowania jednego modelu dla wszystkich kombinacji wymiarów. W rezultacie ogólna najlepiej dopasowana prognoza jest podobna do średniej prognoz dla jednego modelu.
Legenda:
- Czerwony = Tylko Prorok
- Niebieski = tylko ETS
- Zielony = najlepsze dopasowanie
Auto-ARIMA: wielka przyjemność dla podróżnika w czasie
Algorytm auto-ARIMA działa jak wehikuł czasu: zabiera Cię w podróż przez przeszłe wzorce popytu, dzięki czemu możesz dokonywać świadomych prognoz na przyszłość. Auto-ARIMA wykorzystuje technikę zwaną autoregresyjną zintegrowaną średnią ruchomą (ARIMA). Technika ta łączy w sobie trzy kluczowe elementy: autoregresję, różnicowanie i średnie ruchome. Algorytm auto-ARIMA automatycznie identyfikuje najlepszą kombinację tych składników, aby utworzyć model prognostyczny pasujący do Twoich danych.
Auto-ARIMA działa szczególnie dobrze w przypadku danych szeregów czasowych, które wykazują stabilny wzór w czasie, np. wahania sezonowe lub trendy. Jeśli Twoje historyczne zapotrzebowanie podąża w miarę spójną ścieżką, preferowaną metodą prognozowania może być automatyczna ARIMA.
ETS: rozwiązanie zmiennokształtne
Error, trend, and seasonality (ETS) to wszechstronny algorytm prognozowania popytu, który dostosowuje się do kształtu danych. Może zmienić swoje podejście w oparciu o charakterystykę Twojego historycznego zapotrzebowania. Dlatego nadaje się do szerokiego zakresu scenariuszy.
Nazwa ETS jest skrótem od trzech podstawowych składników, na które algorytm rozkłada dane szeregu czasowego: błąd, trend i sezonowość. Rozumiejąc i modelując te składniki, ETS generuje prognozy, które uwzględniają podstawowe wzorce w danych. Najlepiej sprawdza się w przypadku danych, które pokazują wyraźne wzorce i trendy sezonowe lub jedno i drugie. Dlatego jest to doskonały wybór dla firm, których produkty lub usługi podlegają sezonowym wpływom.
Prophet: wizjonerski guru prognozowania
Prophet został opracowany przez zespół badawczy Facebook. To nowoczesny i elastyczny algorytm prognozowania, który radzi sobie z wyzwaniami związanymi z danymi ze świata rzeczywistego. Jest szczególnie skuteczny w obsłudze brakujących wartości, wartości odstających i złożonych wzorców.
Prophet działa przez dekompozycję danych szeregów czasowych na kilka składników, takich jak trend, sezonowość i święta, a następnie dopasowuje model do każdego składników. Takie podejście umożliwia rozwiązaniu Prophet dokładne uchwycenie niuansów w danych i tworzenie wiarygodnych prognoz. Prorok jest idealnym rozwiązaniem dla firm, które mają nieregularny popyt lub częste wartości odstające, a także firm, na które mają wpływ specjalne wydarzenia, takie jak święta lub promocje.
Niestandardowy algorytm Azure Machine Learning
Jeśli masz niestandardowy Microsoft Azure algorytm uczenia maszynowego, którego chcesz używać z modelami prognozowania, możesz go użyć w planowaniu popytu.
Tworzenie i dostosowywanie modelu prognozy
Aby utworzyć i dostosować model prognozy, należy najpierw otworzyć istniejący profil prognozy. (Aby uzyskać więcej informacji, zobacz Praca z profilami prognozy). Następnie możesz w pełni dostosować model używany przez wybrany profil, dodając, usuwając i rozmieszczając kafelki oraz konfigurując ustawienia dla każdego z nich.
Wykonaj poniższe kroki, aby utworzyć i dostosować model prognozy.
- W okienku nawigacji wybierz opcję Operacje>Profile prognoz.
- Wybierz profil prognozy, dla którego chcesz utworzyć lub dostosować model prognozy.
- Na karcie Model prognozy zawsze będzie znajdować się przynajmniej jeden kafelek (typu Wejście) na górze schematu blokowego. Model przetwarzany jest od góry do dołu, a ostatni kafelek musi być typu Zapisz. Dodawaj, usuwaj i układaj kafelki według potrzeb oraz konfiguruj ustawienia dla każdego z nich. Wskazówki można znaleźć na ilustracji po tej procedurze.
- Po zakończeniu projektowania modelu prognozy wybierz przycisk Weryfikuj
w prawym górnym rogu. System przeprowadza kilka testów, aby sprawdzić, czy model będzie działać, a następnie przekazuje informację zwrotną. Napraw wszelkie problemy zgłaszane przez test walidacyjny. - Kontynuuj pracę, aż model będzie gotowy. Następnie w okienku akcji wybierz opcję Zapisz.
- Jeśli chcesz zapisać model prognozy jako ustawienie wstępne, aby było ono dostępne, gdy Ty i inni użytkownicy utworzycie nowy profil prognozy, wybierz przycisk Zapisz jako szablon modelu
w prawym górnym rogu.
Na poniższej ilustracji przedstawiono informacje i kontrolki dostępne dla kafelków w modelu prognozy.
Legenda:
Ikona kafelka– symbol reprezentujący przeznaczenie kafelka.
Typ płytki– Rodzaj płytki. Ten tekst zazwyczaj opisuje typ ról, obliczeń lub innych działań reprezentowanych przez kafelek.
Nazwa kafelka– nazwa zastosowana do kafelka. Czasami możesz wpisać ten tekst ręcznie w ustawieniach kafelka. Zwykle jednak wskazuje wartość jednego z ustawień skonfigurowanych dla kafelka.
Akcje kafelków– Otwórz menu akcji, które możesz wykonać na kafelku. Chociaż niektóre z tych akcji są specyficzne dla typu kafelka, większość jest wspólna dla wszystkich kafelków. Jeśli jakiekolwiek akcje są przyciemnione, nie można ich użyć ze względu na bieżące położenie kafelka lub z innego powodu kontekstowego. Oto kilka typowych dostępnych akcji:
- Ustawienia – Otwórz okno dialogowe, w którym możesz skonfigurować ustawienia kafelka.
- Usuń – Usuń płytkę.
- Przesuń w górę i przenieś w dół – Zmień położenie kafelka na schemacie blokowym.
- Ustaw na „Przekaż” – Tymczasowo wyłącz aktualnie włączony kafelek bez usuwania go ani jego ustawień.
- Unset „Pass Through” – Ponownie włącz aktualnie wyłączony kafelek.
Dodaj kafelek – Dodaj nowy kafelek w wybranej lokalizacji.
Typy kafelków prognozy
W tej sekcji opisano przeznaczenie każdego typu kafelka prognozy. Wyjaśnia także, jak używać i konfigurować każdy typ.
Kafelki danych wejściowych
Kafelki wejściowe reprezentują szereg czasowy, który zapewnia dane wejściowe do modelu prognozy. Szereg czasowy to szereg wymieniony na karcie Uwzględnione karty Dane wejściowe. Nie możesz edytować nazwy.
Kafelki wejściowe mają tylko jedno pole, które można ustawić: Uzupełnij brakujące wartości.
Kafelki wartości odstających
Obsługa kafelków wartości odstających Identyfikuj i kompensuj punkty danych wartości odstających w danych wejściowych. Te punkty danych są uważane za anomalie, które należy zignorować lub wygładzić, aby zapobiec zaburzeniu obliczeń prognozy.
Kafelki obsługi wartości odstających zawierają następujące pola, które można ustawić:
Obsługa wartości odstających — wybierz jedną z następujących opcji:
- Rozstęp międzykwartylowy (IQR)
- Rozkład sezonowy i rozkład trendów przy użyciu lessu (STL)
Mnożnik przedziału międzykwartylowego— to pole jest dostępne tylko wtedy, gdy pole Obsługa wartości odstających jest ustawione na IQR.
Metody korekty— To pole jest dostępne tylko wtedy, gdy pole Obsługa wartości odstających jest ustawione na IQR.
Wskazówka dotycząca sezonowości– To pole jest dostępne tylko wtedy, gdy pole Obsługa wartości odstających jest ustawione na STL.
Kafelki sprzedaży
Kafelki prognozy stosują wybrany algorytm prognozy do wejściowych szeregów czasowych w celu utworzenia szeregu czasowego prognozy.
Kafelki prognozy mają tylko jedno pole, które można ustawić: Typ modelu. Użyj go, aby wybrać algorytm prognozy do użycia. Aby uzyskać więcej informacji na temat każdego z dostępnych algorytmów, zobacz sekcję Algorytmy prognozowania popytu. Umożliwia wybranie jednego z poniższych algorytmów:
- ARIMA– Autoregresywna zintegrowana średnia krocząca
- ETS – Błąd, trend, sezonowość
- Prorok – Facebook Prorok
- Najlepiej dopasowany model
Finanse i operacje — kafelki Azure Machine Learning
Jeśli używasz już własnych algorytmów uczenia maszynowego Azure do prognozowania popytu w łańcuch dostaw Management (zgodnie z opisem w temacie Omówienie prognozowania popytu), możesz nadal z nich korzystać podczas korzystania z planowania popytu. Po prostu umieść kafelek Finanse i operacje — Azure Machine Learning w modelu prognozy zamiast kafelka Prognoza.
Aby uzyskać informacje na temat konfigurowania aplikacji Demand Planning do łączenia się z algorytmami uczenia maszynowego Azure i korzystania z nich, zobacz Używanie własnych niestandardowych algorytmów uczenia maszynowego Azure w aplikacji Demand Planning.
Stopniowe wprowadzanie/wycofywanie kafelków
Kafelki stopniowego wprowadzania/wycofywania modyfikują wartości kolumny danych w szeregach czasowych, aby symulować stopniowe wprowadzanie nowego elementu (takiego jak nowy produkt lub magazyn) lub wycofywanie starego elementu. Obliczanie stopniowego wprowadzania/wycofywania trwa przez określony czas i wykorzystuje wartości pobrane z tego samego szeregu czasowego (z tej samej kolumny danych, która jest dostosowywana, lub z innej kolumny danych, która reprezentuje podobny element).
Kafelki stopniowego wchodzenia/wycofywania mają następujące pola, które można ustawić:
- Nazwa kroku– konkretna nazwa kafelka. Nazwa ta jest również pokazana na schemacie blokowym.
- Opis – Krótki opis płytki.
- Utworzony przez – użytkownik, który utworzył kafelek.
- Grupa reguł– nazwa grupy reguł, która definiuje obliczenia wykonywane przez kafelek.
Podczas konfigurowania modelu prognozy położenie kafelka Stopniowe wprowadzanie/wycofywanie wpływa na wynik obliczeń. Aby zastosować obliczenie stopniowego wchodzenia/wycofywania do historycznych liczb sprzedaży, umieść kafelek Stopniowe wchodzenie/wycofywanie przed kafelkiem Prognoza (jak pokazano po lewej stronie poniższej ilustracji). Aby zastosować obliczenie stopniowego wchodzenia/wychodzenia do prognozowanego wyniku, umieść kafelek Stopniowe wchodzenie/wychodzenie za kafelkiem Prognoza (jak pokazano po prawej stronie poniższej ilustracji).
Aby uzyskać więcej informacji na temat funkcji stopniowego wchodzenia/wychodzenia, w tym szczegółowe informacje na temat konfigurowania grup reguł wprowadzania/wychodzenia, zobacz Symulowanie planowanych zmian przy użyciu funkcji stopniowego wchodzenia/wychodzenia.
Kafelki typu Zapisz
Zapisz kafelki Zapisz wynik modelu prognozy jako nową lub zaktualizowaną serię. Wszystkie modele prognoz muszą kończyć się pojedynczym kafelkiem Zapisz.
Szereg czasowy prognozy zostanie zapisany zgodnie z ustawieniami skonfigurowanymi przy każdym uruchomieniu zadania prognozy zgodnie z opisem w temacie Praca z profilami prognoz.