Vi har i ett tidigare inlägg gått igenom hur försäljningsprognostisering fungerar i nya D365 for Operations samt hur Azure Machine Learning-tjänsten nyttjas för att beräkna prognoser baserat på historisk försäljning. Har ni missat detta inlägg så går det att läsa här.

I detta inlägg beskriver vi hur man i tre enkla steg kommer igång med försäljningsprognostisering i D365 for Operations. Observera att då både D365 for Operations och Azure Machine Learning är rena molntjänster krävs ingen installation, vilket sänker tröskeln avsevärt när det kommer till att komma igång med denna typ av funktionalitet.

Så vad krävs då för att komma igång? Utöver tillgängliga artiklar med transaktioner så är det endast tre områden som behöver sättas upp enligt nedanstående lista:

1. Item allocation keys

Item allocation keys har som syfte att gruppera artiklar som skall hanteras på ett likartat sätt utifrån ett prognosperspektiv. Samtliga artiklar som skall inkluderas i försäljningsprognostiseringen behöver vara associerade med en Item allocation key. Saknas detta kommer artikeln att exkluderas från prognosberäkningen.

Master planning > Setup > Demand forecasting > Item allocation keys

1

Att tilldela artiklar till en ”Item allocation key” görs enklast via formuläret ”Assign items”. Här finns möjlighet att söka fram ett urval av artiklar, markera dessa och sedan tilldela samtliga markerade poster till den angivna gruppen.

2

2. Demand forecasting parameters

När Item allocation keys har tilldelats behöver parametrar för försäljningsprognostisering konfigureras. Här anger man exempelvis vilka typer av artikeltransaktioner som skall inkluderas i det historiska datat, som sedan ligger till grund för försäljningsprognosen.

Viktigt att tänka på är att en enhet för prognostisering behöver anges. Alla artiklar som ej är upplagda i denna enhet behöver ha en enhetskonvertering uppsatt, annars kommer artikeln att exkluderas. Vid behov kan fiktiva enheter skapas som kan mappas 1:1 mot den angivna enheten då lämplig standardenhet saknas.

Här anges även vilken prognosformel som skall tillämpas, exempel på tillgängliga alternativ är:

•ARIMA – Autoregressive Integrated Moving Average – Introducerades i SQL Server 2008 i syfte att förbättra tillförlitligheten i långtidsprognoser

•ETS – Error Trend Analysis

•STL – Seasonal Trend Decomposition

Master planning > Setup > Demand forecasting > Demand forecasting parameters

3

Vi behöver även ange vilka dimensioner som försäljningsprognosen skall beräknas utifrån, dvs vilken detaljrikedom som skall inkluderas. Obligatoriskt är att inkludera dimensionerna bolag, site och item allocation key. Ett antal ytterligare dimensioner finns även tillgängliga enligt bilden nedan.

4

Vid behov kan varje Item allocation key ha sin egen parameteruppsättning. Detta styrs via fliken ”Item allocation keys” i parameterformuläret. Exempelvis kan det finnas en grupp av artiklar som står för en liten del av omsättningen samt har ett lågt värde och således kan man nöja sig med ett lägre konfidensintervall för dessa artiklar.

5

3. Azure machine learning

Den avslutande fliken i parameterformuläret avser inställningar för Azure Machine Learning. Syftet med detta formulär är att koppla ihop en kunds Azure Machine Learning konto och dess experiment för försäljningsprognosticering med Dynamics 365 for Operations instansen. Detta görs genom att följa guiden i formuläret Demand forecasting parameters > Fliken: Azure machine learning och sedan kopiera in de unika nycklarna som har skapats.

6

En förutsättning för att konfigurera Azure Machine Learning är att man har följande på plats:

1. Ett Azure konto (kan skapas kostnadsfritt via Azure Portal)

2. Ett Azure Storage account (krävs för non-prod miljöer)

3. Deploya ett Demand Forecasting experiment

Nedan visas en skärmdump från Demand forecasting experimentet. Genom att klicka på knappen ”Deploy web service” i nedre delen av formuläret så genereras de web service nycklar som skall klippas in i parameterformuläret ”Demand forecasting parameters”.

7

Därefter är vi klara med vår uppsättning och kan nu gå vidare med att generera själva försäljningsprognosen.

Generera försäljningsprognos

Försäljningsprognosen genereras via formuläret

Master planning > Forecasting > Demand forecasting > Generate demand forecast

Här anges bland annat:

•Vilket historiskt urval av data som skall inkluderas

•Vilket datum försäljningsprognosen skall beräknas ifrån

•Vilket urval av data som skall inkluderas

•Vilket datumintervall som skall tillämpas (dag /vecka / månad)

•Antal prognosperioder enligt angivet datumintervall som skall beräknas

8

Adjusted demand forecast

Resultatet av försäljningsprognosen landar i formuläret ”Adjusted demand forecast”. Här finns möjlighet att vrida och vända på datat genom att aggregera poster på olika nivåer eller drilla ner i detaljer ända ner till SKU-nivå (stock keeping unit). Det finns även möjlighet att jämföra prognos mot faktiskt utvall samt göra manuella justeringar vid behov.

Detta formulär utgör således själva utgångspunkten för en planerare när det kommer till arbetet med försäljningsprognosticering.

Master planning > Forecasting > Demand forecasting > Adjusted demand forecast

9

Det sista steget är att godkänna prognosen för att därmed inkludera prognosdatat i huvudplaneringskörningen som i sin tur ligger till grund för planerade orders. Detta sker via formluäret ”Authorize adjusted demand forecast”.

Master planning > Forecasting > Demand forecasting > Authorize adjusted demand forecast

10

Syftet med detta inlägg var i detalj gå igenom de steg som krävs för att konfigurera försäljningsprognosfunktionen i Dynamics 365 for Operations. Avslutningsvis kan man säga att tröskeln att komma igång med avancerad försäljningsprognostisering med hjälp av D365 for Operations aldrig har varit lägre. Kontakta gärna Acando om ni är intresserade av att veta mer.