通过

需求预测设置

  • 项目

提示

本文将介绍内置的需求预测功能 Microsoft Dynamics 365 Supply Chain Management。 为了获得更好的计划和预测体验，我们建议您尝试 使用 Microsoft Dynamics 365 Supply Chain Management Demand Planning，这是 Microsoft 的下一代协作需求计划解决方案。 有关详细信息，请参阅 需求规划”主页。

注意

Azure Active Directory 现在是 Microsoft Entra ID。 了解更多信息

本文介绍如何设置需求预测。

物料分配参数

物料分配参数建立物料组。 只有当物料是物料分配参数的一部分时，为物料及其维度计算需求预测。 此规则强制对大量的物料进行分组，以便可以更快速创建需求预测。 预测只基于历史数据创建。

如果物料分配参数在创建预测时使用，物料及其维度必须仅是这一个物料分配参数的一部分。

要创建物料分配参数并向其添加库存单位 (SKU)，请执行以下步骤。

  1. 转到主计划 > 设置 > 需求预测 > 物料分配参数。

  2. 在列表窗格中选择一个物料分配参数，或在操作窗格上选择新建来创建新参数。 在新参数或选定参数的标题上，设置以下字段：

    • 物料分配参数 - 输入参数的唯一名称。
    • 名称 –输入键的描述性名称。

  3. 按照以下步骤之一将物料添加到选定的物料分配参数或删除物料：

    • 在物料分配快速选项卡上，使用工具栏上的新增和删除按钮根据需要添加或删除物料。 对于每一行，选择物料编号，然后根据需要在其他列中分配维度值。 选择工具栏上的显示维度更改网格中显示的维度列集。 （生成需求预测时，会忽略百分比列中的值。）
    • 如果要向参数添加大量物料，在操作窗格中选择分配物料打开一个页面，您可以在其中找到多个物料并将其分配给选定的参数。

重要

请注意，仅在每个物料分配参数中包含相关物料。 在您使用 Microsoft Azure 机器学习时，不必要的物料可能导致增加成本。

内部公司计划组

需求预测可以生成跨公司预测。 在 Dynamics 365 Supply Chain Management 中，一起计划的公司会被分组到同一个内部公司计划组。 要为每个公司指定哪些物料分配参数应考虑用于需求预测，将物料分配参数与内部公司计划组成员相关联。

重要

计划优化当前不支持内部公司计划组。 要执行使用计划优化的内部公司计划，请设置主计划批处理作业，其中包括所有相关公司的主计划。

要设置内部公司计划组，请按照以下步骤操作。

  1. 转到主计划 > 设置 > 内部公司计划组。

  2. 在列表窗格中选择一个计划组，或在操作窗格上选择新建来创建新计划组。 在新组或选定组的标题上，设置以下字段：

    • 名称 - 输入计划组的唯一名称。
    • 说明 - 输入计划组的简短说明。

  3. 在内部公司计划组成员快速选项卡上，使用工具栏上的按钮为应该属于该组的每个公司（法人）添加一行。 对于每一行，设置以下字段：

    • 法人 –选择作为所选组成员的公司（法人）的名称。
    • 计划顺序 - 分配相对于其他公司应按什么顺序处理公司。 先处理较低的值。 当一家公司的需求影响其他公司时，此顺序可能很重要。 在这种情况下，应最后处理提供需求的公司。
    • 主计划 - 选择要为当前公司扳机键的主计划。
    • 自动复制到静态计划 - 选择本复选框可将计划的结果复制到静态计划。
    • 自动复制到动态计划 - 选择本复选框可将计划的结果复制到动态计划。

  4. 默认情况下，如果未将任何物料分配参数分配给内部公司计划组成员，则针对分配给所有公司所拥有所有物料分配参数的所有物料计算需求预测。 生成统计基准预测对话框（主计划 > 预测 > 需求预测 > 生成统计基准预测）中提供公司和物料分配参数的其他筛选选项。 要将物料分配参数分配给所选内部公司计划组中的公司，选择该公司，然后在内部公司计划组成员快速选项卡上，选择工具栏上的物料分配参数。

若要了解详细信息，请参阅需求预测的内部公司计划组。

重要提示

请注意，在每个内部公司计划组中仅包含相关的物料分配参数。 在您使用 Azure 机器学习时，不必要的物料可能导致增加成本。

设置需求预测参数

使用需求预测参数页面设置多个选项，来控制需求预测在您的系统中的工作方式。

打开需求预测参数页面

要设置需求预测参数，转到主计划 > 设置 > 需求预测 > 需求预测参数。 由于需求预测跨公司运行，设置是全局的。 换言之，它将应用于所有法人（公司）。

常规设置

使用需求预测参数页面的常规选项卡定义需求预测的常规设置。

需求预测单位

需求预测生成数量形式的预测。 因此，必须在需求预测单位字段中指定应用于表示数量的度量单位。 此字段定义将用于所有需求预测的单位，不管每个产品的常用库存单位如何。 使用一致的预测单位，可以帮助确保聚合和百分比分布有意义。 有关合并和百分比分配的详细信息，请参阅对基准预测进行手动调整。

对于用于需求预测中包含的 SKU 的每个度量单位，请确保有针对您在此处选择的度量单位和一般预测度量单位的转换规则。 当您生成预测时，不具有度量单位转换的物料列表将被记录。 因此，您可以轻松更正设置。 有关度量单位以及如何在它们之间进行转换的详细信息，请参阅管理度量单位。

交易记录类型

使用交易类型快速选项卡上的字段选择生成统计基准预测时使用的交易类型。

需求预测可用于预测相关和不相关的需求。 例如，如果只将销售订单选项设置为是，并且如果为需求预测考虑的所有物料均为已售出的物料，则系统将计算不相关需求。 但是，重要子组件可以添加到物料分配参数并可以包括在需求预测中。 在这种情况下，如果生产订单行选项设置为是，则计算相关的预测。

您可以使用物料分配参数选项卡替代一个或多个特定物料分配参数的交易类型。该选项卡提供相似字段。

选择如何创建基准预测

预测生成策略字段可让您选择用于创建基准预测的方法。 有三种方法可用：

  • 复制历史需求 –仅通过复制历史数据来创建预测。
  • Azure 机器学习服务 –使用使用 Azure 机器学习服务的预测模型。 Azure 机器学习服务是 Azure 当前的机器学习解决方案。 因此，如果您想要使用预测模型，我们建议您使用它。
  • Azure 机器学习 –使用使用 Azure 机器学习工作室（经典）的预测模型。 Azure 机器学习工作室（经典）已弃用，很快将从 Azure 中删除。 因此，如果您是第一次设置需求预测，我们建议您选择 Azure 机器学习服务。 如果您当前正在使用 Azure 机器学习工作室（经典），则应尽快计划切换到 Azure 机器学习服务。

您可以使用物料分配参数选项卡替代一个或多个特定物料分配参数的预测生成方法。该选项卡提供相似字段。

全局替代默认预测算法参数

默认预测算法参数和值在需求预测参数页面上分配（主计划 > 设置 > 需求预测 > 需求预测参数）。 不过，您可以使用需求预测参数页面常规选项卡上的预测算法参数快速选项卡全局替代它们。 （您还可以使用需求预测参数页面上的物料分配参数选项卡替代特定分配参数的值。）

使用工具栏上的添加和删除按钮建立所需的参数替代集合。 对于列表中的每个参数，在名称字段中选择一个值，然后在值字段中输入相应的值。 此处未列出的所有参数将从需求预测参数页面上的设置中获取值。 有关如何使用标准参数集以及如何为其选择值的详细信息，请参阅需求预测模型的默认参数和值一节。

设置预测维度

预测维度指示针对哪个详细级别定义预测。 公司、站点和物料分配参数是必需的预测维度。 您还可以在仓库、库存状态、客户组、客户帐户、国家/地区、州/省和/或物料级别以及所有物料维度级别生成预测。 使用需求预测参数页面上的预测维度选项卡选择生成需求预测时使用的一组预测维度。

您可以随时将预测维度添加到用于需求预测的维度列表。 您还可以从列表中删除预测维度。 但是，如果您添加或删除预测维度，手动调整将丢失。

设置特定物料分配参数的替代

从需求预测角度，并非所有物料都以相同的方式工作。 因此，您可以为常规选项卡上定义的大多数设置建立特定于分配参数的替代。需求预测单位是一个例外。 要设置特定物料分配参数的替代，请按照这些步骤操作。

  1. 在需求预测参数页面上的物料分配参数选项卡上，根据您的需要使用工具栏按钮将物料分配参数添加到左侧网格中，或删除它们。 然后选择要为其设置替代的分配参数。
  2. 在交易类型快速选项卡上，启用要用于为属于所选分配参数的产品生成统计基准预测的交易类型。 这些设置的工作方式与在常规选项卡上的工作方式相同，但它们仅应用于选定的物料分配参数。 此处的所有设置（是值和否值）将替代常规选项卡上的所有交易类型设置。
  3. 在预测算法参数快速选项卡上，为属于所选分配参数的产品选择预测生成策略和预测算法参数替代。 这些设置的工作方式与在常规选项卡上的工作方式相同，但它们仅应用于选定的物料分配参数。 使用工具栏上的添加和删除按钮定义所需的参数替代集合。 对于列表中的每个参数，在名称字段中选择一个值，然后在值字段中输入相应的值。 有关如何使用标准参数集以及如何为其选择值的详细信息，请参阅需求预测模型的默认参数和值一节。

设置与 Azure 机器学习服务的连接

使用 Azure 机器学习服务选项卡设置与 Azure 机器学习服务的连接。 此解决方案是创建基准预测的选项之一。 此选项卡上的这些设置仅在预测生成策略字段设置为 Azure 机器学习服务时生效。

有关如何设置 Azure 机器学习服务，然后使用此处的设置与它连接的详细信息，请参阅设置 Azure 机器学习服务一节。

设置与 Azure 机器学习工作室的连接（经典）

重要

Azure 机器学习工作室（经典）已弃用。 因此，您无法再在 Azure 中为它创建新工作区。 它已被 Azure 机器学习服务取代，后者提供相似的功能以及更多功能。 如果您还未使用 Azure 机器学习，应开始使用 Azure 机器学习服务。 如果您已经有一个为 Azure 机器学习工作室（经典）创建的工作区，您可以继续使用它，直到该功能从 Azure 中完全删除。 但是，我们建议您尽快更新到 Azure 机器学习服务。 虽然应用程序会继续警告您 Azure 机器学习工作室（经典）已被弃用，但不会影响预测结果。 有关新的 Azure 机器学习服务及其设置方法的详细信息，请参阅设置 Azure 机器学习服务一节。

只要旧的 Azure 机器学习工作室（经典）工作区仍然可用，您就可以在为 Supply Chain Management 使用新旧机器学习解决方案之间自由切换。

如果您已有可用的 Azure 机器学习工作室（经典）工作区，可以通过将其连接到 Supply Chain Management 来使用它来生成预测。 您可以使用需求预测参数页面上的 Azure 机器学习选项卡建立此连接。 （此选项卡上的设置仅在预测生成策略字段设置为 Azure 机器学习时生效。）输入您的 Azure 机器学习工作室（经典）工作区的以下详细信息：

  • Web 服务应用程序编程接口 (API) 密钥
  • Web 服务终结点 URL
  • Azure 存储帐户名称
  • Azure 存储帐户密钥

注释

只有当您使用的是自定义存储帐户时才需要 Azure 存储帐户名称和密钥。 如果部署本地版本，必须在 Azure 中有自定义存储帐户，以便机器学习可以访问历史数据。

需求预测模型的默认参数和值

当您使用机器学习生成预测计划模型时，您可以通过设置预测算法参数的值来控制机器学习选项。 这些值将从 Supply Chain Management 发送到 Azure 机器学习。 使用预测算法参数页面控制应提供哪些类型的值以及每个类型应具有哪些值。

要设置用于需求预测模型的默认参数和值，请转到主计划 > 设置 > 需求预测 > 预测算法参数。 已提供一组标准参数。 每个参数具有以下字段：

  • 名称 –参数的名称，由 Azure 使用。 通常，除非已在 Azure 机器学习中自定义实验，否则不应更改此名称。
  • 说明 –参数的通用名称。 此名称用于在系统中的其他位置标识参数（例如，在需求预测参数页面上）。
  • 值– 参数的默认值。 您应该输入的值取决于您正在编辑的参数。
  • 说明 –参数及其使用方法的简短说明。 此描述通常包括有关值字段的有效值的建议。

默认提供以下参数。 （如果您必须恢复到此标准列表，在操作窗格中选择恢复。）

  • 置信水平百分比 –置信区间由一系列值组成，这些值可作为需求预测的良好估计值。 可信度百分比 95% 表示未来需求有 5% 的几率超出置信区间范围。

  • 强制季节性 –指定是否强制模型使用特定类型的季节性。 此参数仅适用于 ARIMA 和 ETS。 选项：AUTO（默认）、NONE、ADDITIVE、MULTIPLICATIVE。

  • 预测模型 –指定要使用的预测模型。 选项：ARIMA、ETS、STL、ETS+ARIMA、ETS+STL、ALL。 要选择最合适的模型，使用 ALL。

  • 最大预测值 - 指定用于预测的最大值。 格式：+1E[n] 或数值常量。

  • 最小预测值 - 指定用于预测的最小值。 格式：-1E[n] 或数值常量。

  • 缺失值替换 –指定如何填补历史数据中的空白。 选项：（数值）、MEAN、PREVIOUS、INTERPOLATE LINEAR、INTERPOLATE POLYNOMIAL。

  • 缺少值替换范围 –指定值替换是仅适用于每个单个粒度属性的日期范围，还是适用于整个数据集。 以下选项可用于建立系统在填写历史数据中的空白时使用的日期范围：

    • 全局 –系统使用所有粒度属性的完整日期范围。
    • HISTORY_DATE_RANGE - 系统使用特定的日期范围，该日期范围由 生成统计基准预测 ”对话框的“历史区间 ”部分 中的 开始日期 ”和 结束日期 ”字段定义。
    • GRANULARITY_ATTRIBUTE –系统使用当前处理的粒度属性的日期范围。

    注释

    粒度属性是针对其执行预测的预测维度的组合。 可以在需求预测参数页中定义预测维度。

  • 季节性提示 –对于季节性数据，向预测模型提供提示以提高预测准确性。 格式：表示需求模式自行重复的时段数的整数。 例如，对于每六个月自行重复一次的数据，请输入 6。

  • 测试集大小百分比 –要用作预测准确性计算的测试集的历史数据的百分比。

您可以通过转到主计划 > 设置 > 需求预测 >需求预测参数来替代这些参数的值。 在需求预测参数页面上，您可以通过以下方式替代这些参数：

  • 使用常规选项卡全局替代参数。
  • 使用物料分配参数选项卡替代特定物料分配参数的参数。 针对特定物料分配参数替代的参数只影响与该物料分配参数关联的物料的预测。

注释

在预测算法参数页面上，您可以使用操作窗格上的按钮将参数添加到列表中，或从列表中删除参数。 但是，除非已在 Azure 机器学习中自定义体验，否则通常不应使用此方法。

设置 Azure 机器学习服务

Supply Chain Management 使用 Azure 机器学习服务计算需求预测，您必须在自己的 Azure 订阅中设置和运行该服务。 本节介绍如何在 Azure 中设置 Azure 机器学习服务，然后将其连接到您的 Supply Chain Management 环境。

在功能管理中启用 Azure 机器学习服务

要使用此功能，必须为您的系统打开它。 从 Supply Chain Management 版本 10.0.32 开始，此功能默认开启。 从 Supply Chain Management 版本 10.0.36 开始，此功能是强制性的，无法关闭。 如果您运行的版本早于 10.0.36，管理员可以通过在功能管理工作区中搜索用于需求预测的 Azure 机器学习服务功能来打开或关闭此功能。

在 Azure 中设置机器学习

要使 Azure 能够使用机器学习来处理您的预测，您必须为此设置一个 Azure 机器学习工作区。 您有两个选项：

选项 1：运行脚本来自动设置机器学习工作区

本节介绍如何使用 Microsoft 提供的自动化脚本设置机器学习工作区。 如果您愿意，可以按照选项 2：手动设置机器学习工作区一节中的说明手动设置所有资源。 两个选项不必全部完成。

  1. 在 GitHub 上，打开使用 Azure 机器学习进行 Dynamics 365 Supply Chain Management 需求预测的模板存储库，下载以下文件：

    • quick_setup.ps1
    • sampleInput.csv
    • src/parameters.py
    • src/api_trigger.py
    • src/run.py
    • src/REntryScript/forecast.r

  2. 打开一个 PowerShell 窗口，运行您在上一步中下载的 quick_setup.ps1 脚本。 按照屏幕上的说明操作。 此脚本将设置所需的工作区、存储、数据存储（名为 workspaceblobdemplan）和计算资源。

  3. 按照以下步骤将 workspaceblobdemplan 数据存储（由 quick_setup.ps1 脚本创建）设置为默认数据存储。

    1. 在 Azure 机器学习工作室中，在导航器中选择数据存储。
    2. 选择 workspaceblobdemplan 数据存储（其类型为 Azure Blob Storage 并指向 demplan-azureml blob 存储容器）。
    3. 打开 workspaceblobdemplan 数据存储的详细信息页面，然后选择设置为默认数据存储。

  4. 在 Azure 机器学习工作室中，将您在步骤 1 中下载的 sampleInput.csv 文件上载到名为 demplan-azureml 的容器。 （quick_setup.ps1 脚本创建此容器。）需要此文件来发布管道和生成测试预测。 有关说明，请参阅上载块 blob。

  5. 在 Azure 机器学习工作室中，在导航器中选择 Notebooks。

  6. 在文件结构中找到以下位置：Users/[当前用户]/src。

  7. 将您在步骤 1 中下载的其余四个文件上载到您在上一步中找到的位置。

  8. 选择您刚刚上载的 api_trigger.py 文件，然后运行它。 它将创建一个可通过 API 触发的管道。 （管道提供了从 Supply Chain Management 开始预测脚本的方法。）

  9. 您的工作区现已设置。 直接跳到在 Supply Chain Management 中设置 Azure 机器学习服务连接参数一节。

选项 2：手动设置机器学习工作区

本节介绍如何手动设置机器学习工作区。 仅当您决定不运行自动设置脚本时，才必须完成本节中的过程，如选项 1：运行脚本来自动设置机器学习工作区一节所述。

步骤 1：创建新工作区

使用以下过程来创建新机器学习工作区。

  1. 登录 Azure 门户。

  2. 打开机器学习服务。

  3. 在工具栏上选择创建打开创建向导。

  4. 按照屏幕说明完成向导。 操作时请记住以下几点：

    • 除非此列表中的其他要点推荐不同的设置，否则请使用默认设置。
    • 务必选择与部署 Supply Chain Management 实例的区域相匹配的地理区域。 否则，您的某些数据可能会越过区域边界。 有关详细信息，请参阅本文后面的隐私声明。
    • 使用专用资源，如资源组、存储帐户、容器注册表、Azure 密钥保管库和网络资源。
    • 在向导的设置 Azure 机器学习服务连接参数页面上，您必须提供存储帐户名称。 使用专门用于需求预测的帐户。 需求预测输入和输出数据将存储在此存储帐户中。

有关详细信息，请参阅创建工作区。

步骤 2：配置存储

使用以下过程设置存储。

  1. 在 GitHub 上，打开使用 Azure 机器学习进行 Dynamics 365 Supply Chain Management 需求预测的模板存储库，下载 sampleInput.csv 文件。
  2. 打开您在步骤 1：创建新工作区一节中创建的存储帐户。
  3. 按照创建容器中的说明创建一个名为 demplan-azureml 的容器。
  4. 将您在步骤 1 中下载的 sampleInput.csv 文件上载到您刚才创建的容器。 发布管道和生成测试预测需要此文件。 有关说明，请参阅上载块 blob。
步骤 3：配置默认数据存储

使用以下过程设置默认数据存储。

  1. 在 Azure 机器学习工作室中，在导航器中选择数据存储。
  2. 创建一个 Azure Blob 存储类型的新数据存储，该数据存储指向您在步骤 2：配置存储一节中创建的 demplan-azureml Blob 存储容器。 （如果新数据存储的身份验证类型为帐户密钥，为创建的存储帐户提供帐户密钥。有关说明，请参阅管理存储帐户访问密钥。）
  3. 通过打开新数据存储的详细信息并选择设置为默认数据存储，将新数据存储设为默认数据存储。
步骤 4：配置计算资源

使用以下过程在 Azure 机器学习工作室中设置计算资源来运行预测生成脚本。

  1. 打开您在步骤 1：创建新工作区一节中创建的机器学习工作区的详细信息页面。 找到工作室 Web URL 值，选择链接将其打开。

  2. 在导航窗格中选择计算。

  3. 在计算实例选项卡上，选择新建打开一个向导，帮助您创建新的计算实例。 按照屏幕上的说明操作。 计算实例将用于创建需求预测管道（管道发布后可以删除。）使用默认设置。

  4. 在计算群集选项卡上，选择新建打开一个向导，帮助您创建新的计算群集。 按照屏幕上的说明操作。 计算群集用于生成需求预测。 它的设置会影响性能和运行的最大并行化级别。 设置以下字段，其他所有字段使用默认设置：

    • 名称 –输入 e2ecpucluster。
    • 虚拟机大小 –根据您希望用作需求预测输入的数据量调整此设置。 节点数不应超过 11，因为需要一个节点来触发需求预测生成，之后可用于生成预测的最大节点数为 10。 （您还将在步骤 5：创建管道一节的 parameters.py 文件中设置节点数。）在每个节点上，将有多个并行运行预测脚本的工作进程。 您的作业中的工作进程总数将为节点具有的核心数 × 节点数。 例如，如果您的计算群集类型为 Standard_D4（八个核心），最多 11 个节点，nodes_count 值在 parameters.py 文件中设置为 10，有效并行度级别将为 80。
步骤 5：创建管道

管道提供了从 Supply Chain Management 开始预测脚本的方法。 使用以下过程创建所需的管道。

  1. 在 GitHub 上，打开使用 Azure 机器学习进行 Dynamics 365 Supply Chain Management 需求预测的模板存储库，下载以下文件：

    • src/parameters.py
    • src/api_trigger.py
    • src/run.py
    • src/REntryScript/forecast.r

  2. 在 Azure 机器学习工作室中，在导航器中选择 Notebooks。

  3. 在文件结构中找到以下位置：Users/[当前用户]/src。

  4. 将您在步骤 1 中下载的四个文件上载到您在上一步中找到的位置。

  5. 在 Azure 中，打开并查看您刚才上载的 parameters.py 文件。 确保 nodes_count 值比您在步骤 4：配置计算资源一节中为计算群集配置的值小。 如果 nodes_count 值大于或等于计算群集中的节点数，管道运行可能能够启动。 但是，它会在等待所需资源时停止响应。 有关节点计数的详细信息，请参阅步骤 4：配置计算资源一节。

  6. 选择您刚刚上载的 api_trigger.py 文件，然后运行它。 它将创建一个可通过 API 触发的管道。

设置新 Active Directory 应用程序

需要有 Active Directory 应用程序才能使用服务主体对专门用于需求预测的资源进行身份验证。 因此，应用程序应具有生成预测所需的最低特权级别。

  1. 登录 Azure 门户。

  2. 在租户的 Microsoft Entra ID 中注册一个新应用程序。 有关说明，请参阅使用门户创建可访问资源的 Microsoft Entra 应用程序和服务主体。

  3. 完成向导时按照屏幕上的说明操作。 使用默认设置。

  4. 为您的新 Active Directory 应用程序授予您在在 Azure 中设置机器学习一节中创建的以下资源的访问权限。 有关说明，请参阅使用 Azure 门户分配 Azure 角色。 此步骤将使系统能够导入和导出预测数据，并触发从 Supply Chain Management 运行机器学习管道。

    • 机器学习工作区的参与者角色
    • 专用存储帐户的参与者角色
    • 专用存储帐户的存储 Blob 数据参与者角色

  5. 在您创建的应用程序的证书和密码部分，为应用程序创建一个密码。 有关说明，请参阅添加客户端密码。

  6. 记下应用程序 ID 及其密码。 稍后在 Supply Chain Management 中设置需求预测参数页面时，您将需要此应用程序的详细信息。

在 Supply Chain Management 中设置 Azure 机器学习服务连接参数

使用以下过程将您的 Supply Chain Management 环境连接到您刚刚在 Azure 中设置的机器学习服务。

  1. 登录 Supply Chain Management。

  2. 转到主计划 > 设置 > 需求预测 > 需求预测参数。

  3. 在常规选项卡上，确保预测生成策略字段设置为 Azure 机器学习服务。

  4. 在物料分配参数选项卡上，确保将每个应使用 Azure 需求预测机器学习服务的分配参数的预测生成策略字段设置为 Azure 机器学习服务。

  5. 在 Azure 机器学习服务选项卡上，设置以下字段：

    • 租户 ID - 输入 Azure 租户的 ID。 Supply Chain Management 将使用此 ID 对 Azure 机器学习服务进行身份验证。 您可以在 Azure 门户中 Microsoft Entra ID 的概览页面上找到您的租户 ID。
    • 服务主体应用程序 ID –输入您在 Active Directory 应用程序 部分中 创建的应用程序的应用程序 ID。 此值用于对 Azure 机器学习服务的 API 请求授权。
    • 服务主体密码 - 输入您在 Active Directory 应用程序 部分中 创建的应用程序的服务主体应用程序密码。 此值用于获取您为对 Azure 存储和 Azure 机器语言工作区执行授权操作而创建的安全主体的访问令牌。
    • 存储帐户名称 - 输入在 Azure 工作区中运行安装向导时指定的 Azure 存储帐户名称。 （有关详细信息，请参阅在 Azure 中设置机器学习一节。）
    • 管道终结点地址 - 输入 Azure 机器学习服务的管道 REST 终结点的 URL。 您在 Azure 中设置机器学习时作为最后一步创建了此管道。 要获取管道 URL，登录到您的 Azure 门户，在导航中选择管道。 在管道选项卡上，选择名为 TriggerDemandForecastGeneration 的管道终结点。 然后复制显示的 REST 终结点。

    需求预测参数页面的 Azure 机器学习服务选项卡上的参数。

隐私声明

当您选择 Azure 机器学习服务作为您的预测生成策略时，Supply Chain Management 会自动发送您的历史需求客户数据，如聚合数量、产品名称及其产品维度、装运和收货位置、客户标识符以及预测参数，用于为预测将来的需求定位机器学习工作区及其链接的存储帐户所在的地理区域。 Azure 机器学习服务可能位于与部署 Supply Chain Management 的地理区域不同的区域。 一些用户可以通过在需求预测参数页面选择预测生成策略来控制是否启用此功能。

其他资源