Brug maskinlæring med Microsoft Azure til behovsprognoser i Dynamics 365 FO

Microsoft fortsætter med at rulle nye funktioner ud til Dynamics 365-platformen, og det er gode nyheder i en tid, hvor de globale forsyningskæder er udfordret af mange faktorer. Det er mere nødvendigt end nogensinde, at virksomheder kan planlægge, spore og opdatere deres planer hurtigt når forholdene ændrer sig. 

I denne artikel, som er den anden i en serie på tre, ser vi nærmere på de nye muligheder for at bruge maskinlæring med Microsoft Azure til at udarbejde behovsprognoser (demand forecasting) i Dynamics 365 FO.

Ligesom i vores tidligere artikel om landingsomkostninger (landed cost) tager vi så vidt muligt udgangspunkt i den danske version af Dynamics 365 FO.
Det efterfølgende ord i parentes viser hvad funktionen/knappen/menupunktet hedder, hvis applikationen er sat op med engelsk som systemsprog. Dog er ikke alle funktioner/menupunkter oversat til dansk.

Godt i gang

Først og fremmest skal behovsprognoser (demand forecasting) være slået til under konfigurationsnøgler (configuration keys).
Næste skridt er at slå integrationen til Azure Machine Learning til under administration af funktioner (feature management).

Og nu er det tid til at foretage opsætningen til behovsprognoser i Azure. Det har Microsoft udgivet to vejledninger til her:
Workspace script og her: Workspace manual

Vejledningerne findes kun på engelsk. Det samme gælder de nedenfor nævnte services og/eller komponenter i Azure, som er nødvendige for at bruge maskinlæring i forbindelse med behovsprognoser.

Men inden man går i gang med selve opsætningen, er det en god idé at få et overblik over de estimerede omkostninger ved at bruge Azure. Her kan Microsofts prisberegner hjælpe.

I selve opsætningen af Azure er det første trin at oprette en "resource group." Derefter skal man tilføje de følgende services til gruppen:

• Azure monitor
• Container instances  
• Container registry 
• Key vault  
• Storage account 
• Azure Machine Learning  

Opsætning af forbindelsen mellem Dynamics 365 FO og Azure

Når Azure Machine Learning er sat korrekt op, kan man se at der etableret forbindelse under parametre til behovsprognoser (demand forecasting parameters).

Her skal det bemærkes, at menupunktet i venstre side af skærmbilledet "Azure Machine Learning Service" bliver udfaset i kommende opdateringer af Dynamics 365 FO. Se derfor bort fra dette menupunkt.

Opsætning af behovsprognoser (demand forecasting)

For at bruge behovsprognoser skal den indledende opsætning foretages i Dynamics 365 FO. Her skal man være opmærksom på følgende områder:

Fanebladet generelt, hvor man specificerer

• Behovsprognoseenhed (demand forecast unit) - en generel enhed, som bliver brugt til prognose på varemængder (forecast item quantities.) Alle elementer, som skal tages med i prognosen, skal have enhedskonvertering (unit conversion) sat korrekt op
• Konverteringen sker mellem behovsprognosen, lageret og salgsenheden. Vær opmærksom på, at behovsprognoseenheden kun kan ændres/overskrives i Dynamics 365 FO
• Transaktionstyper (transaction type) som skal inkluderes og bruges som udgangspunkt for prognosen 
• Strategi for prognose (forecast strategy.) For at bruge maskinlæring skal man her vælge Azure Machine Learning Service. Desuden er det muligt at tilføje kontekstuel information til maskinlæringen, for eksempel sæsonbestemte hints (seasonality hint)
• Prognosedimensioner (forecasting dimensions) - bestemmer prognosens detaljeniveau. Nødvendige dimensioner er firma (company,) sted (site) og varefordelingsnøgle (item allocation key), men man kan tilføje flere dimensioner efter behov
• Varefordelingsnøgler (item allocation keys) består af varegrupper. Prognosen bliver opstillet for en vares dimension, hvis varen indgår i en varefordelingsnøgle. Det er muligt at foretage specifikke valg mht. transaktionstype (transaction type) og strategi for prognose for en varefordelingsnøgle

Processen

Den overordnede proces for behovsprognoser i Dynamics 365 FO med Azure Machine Learning ser sådan ud:

1. Dynamics 365 FO: Historiske transaktionsdata bliver videresendt fra databasen
2. Microsoft Azure Machine Learning: Maskinlæringen opstiller en prognose baseret på de historiske data
3. Dynamics 365 FO: Prognosen bliver gennemgået (review forecast) og eventuelle ændringer bliver foretaget manuelt
4. Dynamics 365 FO: Prognosen bliver godkendt med funktionen autoriser (authorize) og er nu klar til at indgå i produktionsplanen

Husk at inkludere prognosen i behovsplanen (master plan) og kør funktionerne "Planning Optimization" og "MRP" for at se prognosens effekt på planen.

Andre overvejelser

For at få det optimale ud af behovsprognoser (demand forecasting) i Dynamics 365 FO er det en god idé også at gøre sig overvejelser på følgende områder:

• Hvordan opsætter man interne planlægningsgrupper (intercompany planning groups)?
• Hvordan bruger man Azure Machine Learnings workspace?
• Hvilken opsætning under generelt og under varefordelingsnøgler understøtter virksomheden bedst?
• Hvordan godkender/autoriserer man en prognose?
• Hvilke prognosedimensioner er relevante for virksomheden?
• Hvilke elementer af parametre til prognosealgoritme (forecast algorithm parameters) passer til virksomheden?

Vi er klar til at hjælpe!

Kontakt CGI nu og lad os hjælpe dig med at sætte behovsprognoser korrekt op i Dynamics 365 FO, så det understøtter din virksomheds behov.