Generera en statistisk baslinjeprognos
Tips
I den här artikeln beskrivs de inbyggda funktionerna för efterfrågeprognosticering Microsoft Dynamics 365 Supply Chain Management. För en ännu bättre planerings- och prognosupplevelse rekommenderar vi att du provar Demand Planning in Microsoft Dynamics 365 Supply Chain Management, som är Microsoft:s nästa generations samarbetslösning för efterfrågeplanering. Mer information finns på startsidan Efterfrågeplanering.
Den här artikeln innehåller information om parametrar och filter som används i beräkningen av behovsprognoser.
När du skapar en baslinjeprognos måste du först ange parametrar och filter som används i beräkningen. Du kan till exempel skapa en baslinjeprognos som uppskattar behov baserat på transaktionsdata från det tidigare året för ett specifikt företag, för den föregående månaden och för en vald grupp av artiklar.
För att generera en efterfrågeprognosticering, gå till Huvudplanering > Prognoser > Efterfrågeprognos > Generera statistisk baslinjeprognos.
Prognosen skopan kan väljas vid prognos generation tid. Tillgängliga värden är Dag, vecka och månad.
Antalet perioder för att skapa en prognos för ligger i prognoshorisonten .
När prognosen är inställd på att kopiera över historiska behov, slutet av den historiska horisonten ignoreras. Systemet kopierar det antal grupper som anges i fältet Prognoshorisont till fältet för prognostiserad efterfrågan, med början på det datum som anges i fältet Startdatum under Historisk horisont. Genom att kopiera historisk efterfrågan från ett visst datum framåt, Produktionsplanerare kan göra planen för nästa kvartal på två sätt:
- Genom att kopiera efterfrågan från samma kvartal förra året.
- Genom att kopiera behovet från föregående kvartal.
För att undvika förvirring i produktionsplaner, ett visst antal prognos kostnadsslag kan frysas. Numret anges i frys tidsgräns . Om det justerade behovet prognos sida, celler för fryst skopor är avaktiverad, för att ge en visuell indikation på att dessa värden bör inte ändras.
Startdatum för den baslinje efterfrågeprognosen behöver inte vara dagens datum eller ett datum i framtiden. Om du vill konfigurera ett annat startdatum, använd den ursprungliga prognosen startdatum – från fältet datum . Till exempel, i juni, användare kan generera en prognos för nästa år. Eftersom prognosen hinkar mellan slutet av historisk efterfrågan och start av baslinjen saknas förutsägelser kanske inte exakt. Om du använder tjänsten behovsprognoser finns det fyra sätt som du kan fylla i de felande luckor. Du kan välja den metod som du vill använda genom att ange parametern MISSING_VALUE_SUBSTITUTION på sidan Parametrar för efterfrågeprognosticering.
Notering
Saknad värdeersättning fungerar endast för luckor i data mellan start- och slutdatum för historiska data. Den kommer inte att fylla i data före eller efter den sista fysiska datapunkten, men den fungerar bara som extrapolering mellan faktiska, befintliga datapunkter.
Värdet i fältet Startdatum för statistisk baslinje prognos - Startdatum måste vara i början på prognosgruppen, till exempel (i USA) en söndag om prognosgruppen är veckan. Systemet justerar automatiskt fältet Startdatum för baslinjeprognos - Startdatum så att detta matchar början på en prognosgrupp.
Fältet Startdatum för baslinjeprognos - Från-datum kan också anges som ett datum som redan passerat. Med andra ord är det möjligt att generera en efterfrågan i det förflutna. Detta är användbart, därför att den låter användarna justera prognosen serviceparametrar så att den statistiska prognosen genererades tidigare matchar den faktiska historiska behov. Användarna kan sedan fortsätta använda dessa parameterinställningar för att generera en statistisk ursprungliga prognosen för framtiden.
Manuella justeringar som gjorts i tidigare iterationer för efterfrågeprognoser kan tillämpas automatiskt på den nya baslinjeprognosen om kryssrutan överför manuella justeringar till efterfrågeprognos är markerad. Om kryssrutan är avmarkerad, läggs inte manuella justeringar till i baslinjeprognosen – men de tas inte bort. Manuella justeringar som gjorts i en prognos kan endast raderas vid prognosimporttillfället genom att avmarkera kryssrutan Spara de manuella justeringarna som gjorts i baslinje efterfrågeprognosen. Manuella inställningar sparas på tillståndet. Om en användare gör manuella justeringar av prognosen men inte auktoriserar prognosen tillbaka till Supply Chain Management, kommer ändringarna därför att försvinna. Mer information om manuell justeringar och hur de fungerar, se Auktorisera justerad prognos.
En genererad efterfrågeprognos kan ha ett namn och kommentarer för att hjälpa användare att identifiera den genererade prognosen. Dessa värden visas i prognosen generations historia om statistisk utgångspunkt prognosen generations historia sida.
Den företagsinterna planering grupp, objekt fördelningsnycklar, och andra kan filter appliceras på prognosen generation tid. Dessa kan användas för att förbättra prestanda eller att dela upp data i hanterbara bitar. Notera dock att efterfrågan inte genereras för medlemmar av någon artikelallokeringsnyckel som inte är associerade med en intern planering grupp, även om posten fördelningsnyckel är markerat i urvalsdialogen.
Tips!
Ibland användare kan få fel samtidigt som det genererar en efterfrågan eller prognos generation kompletteras med någon sessionslogg. Detta kan ske på grund av överblivna uppgifterna i fråga som tidigare använts för prognos generation. För att lösa problemet markerar du Välj för att öppna fönstret Fråga sidan klickar du på Återställ och sedan återskapas den ursprungliga prognosen.
Om prognosen inte skapas för en stor grupp objekt, utan (till exempel) för en enda artikel eller en artikelallokeringsnyckel åt gången, kan du markera kryssrutan Använd svarsläge för begäran på fliken Huvudplanering - Inställningar - Efterfrågeprognosticering - Parametrar för efterfrågeprognosticering – Azure Machine Learning för att få en bättre prestanda.
Notering
En potentiell prognos som ser platt ut kan bero på historiska data som måste vara en längre historisk tidsram (minst tre tidsperioder för att kunna plocka ut mönster, t.ex. tre år med månatlig prognos). Om du vill få ett bättre resultat kan du försöka med att ändra tidsområdets granularitet eller öka tidsintervallet.