需求預測概觀
提示
本文介紹內置的需求預測功能 Microsoft Dynamics 365 Supply Chain Management。 為了獲得更好的規劃和預測體驗，我們建議您嘗試 Demand Planning in Microsoft Dynamics 365 Supply Chain Management，這是 Microsoft 的下一代協作需求規劃解決方案。 有關詳細資訊，請參閱 Demand Planning 主頁。
需求預測是愈來預測獨立的銷售訂單需求，以及任何拆解客戶訂單下的依賴性需求。 增強後的需求預測減少規則，是大量自訂的理想解決方案。
若要產生預測的基準，需要將歷史交易摘要，傳送至 Azure 上的 Microsoft Azure Machine Learning 主機。 由於這項服務尚未於使用者之間共用，因此可以自訂滿足特定產業的要求。 您可以使用 Supply Chain Management 將預測視覺化呈現、調整預測，並查看趨勢預測準確定的關鍵績效指標 (KPI)。
附註
使用機器學習時產生預測時，需要 Microsoft Azure Machine Learning 工作室 (傳統)。 自 2021 年 12 月 1 日起，您將無法建立新的 Machine Learning 工作室 (傳統) 資源。 但是，在 2024 年 8 月 31 日之前，您可以繼續使用現有的 Machine Learning 工作室 (傳統) 資源。 如需最新資訊，請參閱 Azure Machine Learning 工作室。
Dynamics 365 Supply Chain Management 10.0.23 及更高版本，支援新的 Azure Machine Learning 工作室。
需求預測的主要功能
以下是需求預測的一些主要功能：
- 根據歷史資料產生統計基準線預測。
- 使用動態的預測維度。
- 將需求趨勢、信賴區間和預測調整以視覺化方式呈現。
- 授權要用於計劃流程的調整後預測。
- 刪除異常值。
- 建立預測準確性測量。
需求預測中的主要主題
需求預測中實行三大主題：
- 模組化 –需求預測是模組化的，易於配置。 您可以透過變更交易>庫存預測>需求預測的設定金鑰，開啟或關閉此功能。
- 重用 Microsoft 堆棧 –機器學習是 Microsoft Cortana 分析套件的一部分，通過使用演演演算法 R 或 Python 程式設計語言和簡單的拖放介面，可以快速輕鬆地創建預測分析實驗，例如需求估計實驗。
- 您可以下載需求預測實驗，根據個人業務需求進行變更，並發佈至 Azure Web 服務上，用於產生需求預測。 如果您已購買 Supply Chain Management 訂用帳戶，為企業級使用者生產計畫員的身分，則可以下載實驗。
- 您可以從 Cortana Analytics Gallery 下載任何目前可用的需求預測實驗。 儘管需求預測實驗會自動與 Supply Chain Management 整合，但是客戶與合作夥伴，必須處理從 Cortana Analytics Gallery 下載的實驗。 因此，Cortana Analytics Gallery 的實驗，與財務和營運的需求預測實驗不同，不能直接使用。 您必須修改實驗代碼，才能用於財務和營運應用程式介面 (API)。
- 您可以在 Microsoft Azure Machine Learning 工作室 (傳統) 內建立自己的實驗，將它們作為服務發佈在 Azure 上，並用於產生需求預測。
- 如果您不要求高效能，或是不用處理大量資料，則可以使用 Machine Learning 免費層。 我們建議您每次都從這一層開始，尤其是在實作和測試階段時。 如果您需要更高的效能與額外的儲存空間，可以使用 Machine Learning 標準層。 此階層需要 Azure 訂用帳戶，並涉及額外費用。 如需 Machine Learning 定價的詳細資訊，請參閱 Machine Learning 工作室定價。
- 任何解耦指向 下的預測縮減–中的需求預測基於此功能構建，可讓您預測任何解耦指向下的相關和獨立需求。
需求預測的基本流程
下列圖表顯示需求預測的基本流程。
從 Supply Chain Management 開始產生需求預測。 來自 Supply Chain Management 交易資料庫中的歷史交易資料，會集中並填入暫存資料表中。 稍後，此暫存資料表將用於 Machine Learning 服務。 透過執行最小程度的自訂，您可以將各種資料來源插入暫存資料表。 資料來源可以是 Microsoft Excel 檔案、逗號分隔值 (CSV) 檔案和 Microsoft Dynamics AX 2009 與 Microsoft Dynamics AX 2012 的資料。 因此，您可以考慮分佈在多個系統中的歷史資料，用於建立需求預測。 但是，各種資料來源中的主資料 (例如：項目名稱和測量單位) 必須相同。
如果您使用需求預測 Machine Learning 實驗，會從五種時間序列中，尋找最合適的方法計算基準線預測。 預測方法的參數，可從 Supply Chain Management 中進行管理。
然後，先前反覆運算的預測、歷史資料，以及對需求預測進行的變更，才能用於 Supply Chain Management。
您可以使用 Supply Chain Management 視覺化並修改基準線預測。 將需求預測用於規劃之前，必須先授權手動調整。
限制
需求預測是幫助製造業客戶，建立預測處理程序的工具。 提供需求預測解決方案的核心功能，專為輕鬆擴展而設計。 需求預測可能不適合商務、批發、倉儲、運輸或其他專業服務等產業的客戶。
需求預測變量轉換限制
如果庫存的測量單位 (UOM) 與需求預測的 UOM 不同，則產生需求預測時，無法完全支援 UOM 的變量轉換。
產生預測 (庫存 UOM>需求預測 UOM) 使用產品 UOM 轉換。 當載入產生需求預測的歷史資料時，從庫存 UOM 轉換為需求預測 UOM 時，即使變量中已定義轉換，每一次都仍會使用產品的 UOM 轉換。
授權預測的第一部分 (需求預測 UOM>庫存 UOM) 使用產品 UOM 轉換。 授權預測的第二部分 (庫存 UOM>銷售 UOM) 使用變量 UOM 轉換。 當產生的需求預測經授權之後，從需求預測 UOM 到庫存 UOM 的之間轉換，將會使用產品等級的 UOM 轉換完成。 同時，庫存單位與銷售 UOM 之間的轉換，會遵循轉換定義的變量等級。
附註
需求預測 UOM 不具有任何特定意義。 可以將其視為「需求預測的單位」。 針對每項產品，您可以使用庫存 UOM 將轉換定義為 1:1。