რელიზი 4.1. SMART Demand Forecast: პროგნოზის შექმნა კიდევ უფრო მოსახერხებელია

მოთხოვნის პროგნოზირების სიზუსტის ზრდა გადამწყვეტი მნიშვნელობის მატარებელია მარაგების ეფექტური მართვის, წარმოების პროცესების ოპტიმიზაციისა და ფინანსური შედეგების გასაუმჯობესებლად. კერძოდ, მოთხოვნის სწორად პროგნოზირების უნარი ხელს უწყობს ჭარბი მარაგის შემცირებას, პროდუქციის დეფიციტის თავიდან აცილებას და საბოლოო ჯამში კომპანიის მოგების ზრდას.

დღეს მოთხოვნის პროგნოზირების სისტემა ბაზარზე არსებული სხვადასხვა ზომის კომპანისებისთვის კონკურენტუნარიანობის ძირითადი ინსტრუმენტია. ახალი 4.1 რელიზით, SMART Demand Forecast უფრო მარტივი და სწრაფია, რაც საშუალებას გაძლევთ მიიღოთ კიდევ უფრო ზუსტი პროგნოზები და გაზარდოთ თქვენი ბიზნესი.

განვიხილოთ ძირითადი განახლებები.

განხორციელდა ინფრასტრუქტურის ნაწილობრივი განლაგება ცალკეულ მოდულებში

განვახორციელეთ ინფრასტრუქტურის ნაწილობრივი განლაგება ცალკეული მოდულებით, რაც საშუალებას გაძლევთ შეამციროთ ღრუბლოვანი რესურსების ხარჯები, განსაკუთრებით პილოტური პროგნოზირების ეტაპზე.

განხორციელდა ფუნქციების გადატანა .Net Isolated-ში

გაუმჯობესებული უსაფრთხოება და შესრულება ფუნქციის გადატანით .Net Isolated-ზე და Azure Function-ის კონფიგურაციის განახლებით. ეს უზრუნველყოფს დეველოპერების მიერ გადაწყვეტილების სტაბილურ მხარდაჭერას, ამარტივებს განახლებების განხორციელებას და მნიშვნელოვნად აუმჯობესებს უსაფრთხოების დონეს და სისტემის მუშაობას.

განახლდა სისტემა .NET 8.0-ზე

ცვლილებები განხორციელდა პორტალის კომპონენტებში სისტემის მნიშვნელოვანი განახლებებისთვის. პლატფორმის განახლება .NET-ის უახლესი ვერსიით აუმჯობესებს სტაბილურობას, მუშაობის სიჩქარეს და საშუალებას გაძლევთ ისარგებლოთ უახლესი ტექნოლოგიური შესაძლებლობებით.

ცვლილებები განხორციელდა Azure Function-ის კონფიგურაციაში

უზრუნველყოფილია ინფრასტრუქტურის ოპტიმიზაცია Azure ფუნქციის გაზიარებულ AppService გეგმაზე გადატანით, რამაც შეამცირა ღრუბლვანი სისტემის კომპონენტების ღირებულება და გაამარტივა რესურსების მენეჯმენტი, რაც უზრუნველყოფს სისტემის სტაბილურ მუშაობას მცირე ხარჯებით.

შესრულდა ანალიტიკური მოდელის გადატანა SQL dedicated pool-დან Databricks-ზე

ანალიტიკური მოდელის მოდერნიზაციის ფარგლებში, გამოთვლები გადავიდა Spark-ში და მონაცემები ინახება Datalake-ში. ეს საშუალებას გაძლევთ გააფართოვოთ გადაწყვეტილება, გამოთვლებთან და მონაცემთა დიდ ნაკრებებთან სამუშაოდ.

განხორციელდა DAX Power BI გამოთვლების ოპტიმიზაცია

ოპტიმიზებული მოთხოვნები და მონაცემთა შენახვის განახლებული სტრუქტურა საშუალებას გაძლევთ შეამციროთ რესურსების გამოყენება და დააჩქაროთ ანგარიშების გენერაცია.

განხორციელდა ანალიტიკური მოდელის ზოგადი ოპტიმიზაცია

განხორციელდა ანალიტიკური მოდელის გლობალური ოპტიმიზაცია, რაც მნიშვნელოვნად აუმჯობესებს მონაცემთა დამუშავებისა და ETL პროცესების ეფექტურობას. ეს ნიშნავს დიდი მოცულობის ინფორმაციის უფრო სწრაფ დამუშავებას და ანალიზს.

განხორციელდა Power BI მონაცემთა წყაროები გადატანა Delta ცხრილში

ჩვენ განვახორციელეთ წყაროებისა და კავშირების ცვლილება, ანალიტიკური მოდელის ოპტიმიზაციის შემდეგ, რამაც უზრუნველყო შენახვის ოპტიმიზაცია და ანალიტიკური მოთხოვნების დაჩქარება. ამ ცვლილებით მცირდება სისტემაზე დატვირთვა, მონაცემთა დამუშავების ხარჯები და იზრდება ანალიტიკური რეპორტინგის სიჩქარე.

ფაილების იმპორტი და ექსპორტი

უზრუნველყოფილია ფაილების იმპორტისა და ექსპორტის პროცესების სტანდარტიზება და ოპტიმიზაცია, რამაც შესაძლებელი გახადა მათი სტრუქტურის შემოწმების ავტომატიზაცია. ეს ნიშნავს ხელით შესრულებულ სამუშაოს და შეცდომის რისკის მნიშვნელოვნად შემცირებას, ატვირთული მონაცემების მაღალი ხარისხის პარალელურად. ფაილებთან მუშაობას უფრო სწრაფი, მარტივი და ეფექტურია.

დაემატა სარეკლამო კამპანიების ადმინისტრაციის ფუნქციონალი

ახალი ფუნქციონალი საშუალებას გაძლევთ სწრაფად და მოხერხებულად შეიყვანოთ მონაცემები იმპლემენტაციის ყველა წერტილისთვის ერთ ხაზზე. სისტემა ავტომატურად გაავრცელებს ინფორმაციას თითოეულ გაყიდვის პუნქტში, რაც მინიმუმამდე დაიყვანს შეცდომების რისკს. ეს მნიშვნელოვნად აჩქარებს კამპანიის მართვის პროცესს და ზრდის თქვენი გუნდის ეფექტურობას.

განხორციელდა პროდუქციის/მაღაზიების გამოყოფის შესაძლებლობა – ახალი პროდუქციის ან ობიექტების ანალიტიკისგან

ახლა თქვენ შეგიძლიათ მოქნილად მართოთ თქვენი ანალიტიკა, თავიდან აიცილოთ მონაცემთა დამახინჯება, რომელიც შეიძლება მოხდეს ახალი პროდუქტების ან მაღაზიების გაყიდვების არასრული ისტორიის გამო და გავლენას იქონიებს პროგნოზირების სიზუსტის გამოთვლაზე. ამ ფუნქციით, თქვენი პროგნოზები ხდება კიდევ უფრო ზუსტი და მენეჯმენტის გადაწყვეტილებები უფრო ინფორმირებული.

დაემატა დუბლიკატი თითოეული მონაცემთა უნივერსალური სტრუქტურის ცხრილისთვის

მონაცემთა ხარისხი ბიზნეს პროცესების ზუსტი პროგნოზირებისა და ეფექტური მართვის საფუძველია. ჩვენ განვახორციელეთ დუბლიკატის შემოწმებები უნივერსალური მონაცემთა სტრუქტურის თითოეულ ცხრილში, რაც თავიდან აიცილებს ინფორმაციის ცრუ დუბლირებას. ეს ზრდის ანალიტიკისადმი ნდობას, უზრუნველყოფს გამოთვლების სისწორეს და გადაწყვეტილების მიღების პროცესს კიდევ უფრო ზუსტს ხდის.

შემუშავებულია ItemLifeCycle ანგარიში

პროდუქტის სასიცოცხლო ციკლი ასორტიმენტის დაგეგმვის, ინვენტარის მენეჯმენტის და გაყიდვების პროგნოზირების ძირითადი ფაქტორია. ჩვენ შევიმუშავეთ ItemLifeCycle-ის ავტომატური ანგარიში, რომელიც უზრუნველყოფს დეტალურ ანალიტიკას პროდუქციის სასიცოცხლო ციკლის ყველა ეტაპზე. მისი გამოყენებით თქვენ შეგიძლიათ მიიღოთ ინფორმირებული ბიზნეს გადაწყვეტილებები, უზრუნველყოთ პროდუქტის ბალანსის ოპტიმიზაცია და დაგეგმოთ შესყიდვები უფრო ეფექტურად.

გაუმჯობესებული UX/UI და გამოყენება

მიუხედავად იმისა, რომ სისტემა შექმნილია ზუსტი მათემატიკური გამოთვლებისთვის, არ უნდა დაგვავიწყდეს, რომ ის პირველ რიგში მომხმარებლებისთვის შეიქმნა. ამიტომ, ჩვენ მუდმივად ვაუმჯობესებთ SMART Demand Forecast. ცვლილებები, რომლებიც ა, რელიზში განხორციელდა:

• შევისწავლეთ და დავნერგეთ Lazy Loading ინტერფეისის რენდერინგის ოპტიმიზაციისთვის
  Lazy Loading საშუალებას გაძლევთ ჩატვირთოთ მხოლოდ კრიტიკული გვერდის ელემენტები და არაკრიტიკული ეტაპობრივად, რაც განსაკუთრებით მნიშვნელოვანია სუსტი ქსელის მქონე მომხმარებლებისთვის.
  
• გვერდის ოპტიმიზებული შესრულება
  ჩვენ შევამცირეთ ელემენტების რაოდენობა გვერდზე და API მოთხოვნის ლიმიტი ძირითადი ბიზნეს პროცესების გაშვებისას. გვერდები აჩვენებს მხოლოდ სისტემის მუშაობის აუცილებელ ინდიკატორებს და API მოთხოვნები სრულდება მნიშვნელოვანი პროცესების დასრულების შემდეგ. ეს ამცირებს დატვირთვას სისტემაზე, რაც მნიშვნელოვანია არც ისე ძლიერი მოწყობილობების ან სუსტი ქსელის მომხმარებლებისთვის.
  
• დაემატა მოსახერხებელი პარამეტრების ნავიგაციის ზოლი
  დამატებულია ძირითადი გვერდების სანავიგაციო პანელი გადაწყვეტილების ინტერფეისში. ასეთი განახლება ამარტივებს და აჩქარებს ნავიგაციას სისტემაში, ასევე აუმჯობესებს მომხმარებლის გამოცდილებას.
  
• გაუმჯობესდა ინტერფეისის ინტერაქტიულობა
  დაემატა გაუმჯობესებები მომხმარებლის ინტერაქციისთვის სისტემასთან, რაც ინტერფეისს უფრო მოსახერხებელს, დინამიურს და მიმზიდველს ხდის. ეს ეხება სისტემის იმ ელემენტების გაუმჯობესებას, რომლებთანაც მომხმარებლებს აქვთ შეხება ყოველდღიური საქმიანობის ფარგლებში – ყველა საჭირო ინსტრუმენტი ახლა უფრო ხელმისაწვდომია.
  

გაუმჯობესდა მანქანური სწავლების ალგორითმები

ჩვენ გავაუმჯობესეთ მანქანური სწავლების ალგორითმები: მონაცემთა მეცნიერების პროცესის კოდის ოპტიმიზაცია, დაჩქარებული მოდელირება და ქულები, რაც პროგნოზის კონსტრუქციის ძირითადი მოთხოვნაა. ეს უზრუნველყოფს მოდელის გაუმჯობესებულ შესრულებას და სწრაფ გამოთვლებს.

აღმოჩენილია ახალი შესაძლებლობები ანომალიებთან მუშაობისას

მონაცემების ანომალიებმა შეიძლება დაამახინჯოს პროგნოზები, რაც იწვევს შეცდომებს, ამიტომ ჩვენ მათ განსაკუთრებულ ყურადღებას ვუთმობთ ყოველ გამოშვებაში. იხილეთ სფეროები, რომლებიც გავაუმჯობესეთ:

• • ოპტიმიზირებულია ანომალიების გამოთვლისა და ჩატვირთვის პროცესი
    ანომალიების მონაცემთა ბაზაში ჩაწერა 30-40%-ით დაჩქარდა. პროცესების მოდიფიკაციით, გამოთვლები უფრო სწრაფად ხორციელდება, ხოლო მონაცემთა დიდი ნაკრების დამუშავება კიდევ უფრო ეფექტური ხდება. ეს საშუალებას აძლევს ბიზნესს სწრაფად უპასუხოს არასტანდარტულ სიტუაციებს და გააუმჯობესოს პროგნოზირების ხარისხი.
  • გაუმჯობესდა STL და Autoencoder ალგორითმები
    ეს ხელს უწყობს გადახრების უკეთ იდენტიფიცირებას და უფრო ზუსტი პროგნოზების უზრუნველყოფას. შესაბამისად, თქვენ შეძლებთ მარაგების უფრო ეფექტურად მართვას, მიწოდების პროცესების ოპტიმიზაციას და თქვენი ბიზნესისთვის ფინანსური რისკების შემცირებას.
  • ოპტიმიზებულია შაბლონური პერიოდის გაანგარიშება Anomaly Handling გვერდზე
    დანერგილია გაყიდვების პირველი დღის შემოწმება, რათა თავიდან აიცილოთ ცხრილებში ცარიელი სვეტების ჩვენება. ახლა პერიოდის შერჩევა ინტუიციურია და მონაცემები უფრო ზუსტი.

Data Science Azure Machine Learning პროცესები გადატანილია Azure Databricks-ზე

ეს მიგრაცია საშუალებას გაძლევთ იმუშაოთ მონაცემთა დიდ მოცულობასთან კიდევ უფრო სწრაფად და ეფექტურად, მაღალი დატვირთვის ამოცანებისთვის ოპტიმიზებული განაწილების ჩარჩოს გამოყენებით. გარდა ამისა, გადატანა უზრუნველყოფს მასშტაბურობას და ამცირებს გადაწყვეტილების ღირებულებას.

დანერგილი Data Science კაბინეტი Factor Designer-თან ერთად

Data Science კაბინეტის გაშვება კონფიგურირებადი და შესანახი Factor Designer-ით უზრუნველყოფს მოდელირების მოქნილ ინსტრუმენტებს. ფაქტორის დიზაინერის იმპლემენტაცია საშუალებას იძლევა მნიშვნელოვნად შემცირდეს დრო საპილოტე ექსპერიმენტების ეტაპზე და ადამიანური ფაქტორი ტესტირების დროს.

TFT на Prophet від Meta შეიცვალა TFT მოდელი Meta-სგან პროგნოზით

ჩვენ გავაუმჯობესეთ პროგნოზირების ალგორითმები TFT მოდელის ძლიერი პროზგნოზირებით. ეს შესაძლებელს ხდის კიდევ უფრო ზუსტი და მოქნილი პროგნოზების მიღებას, რაც აუმჯობესებს ადაპტაციას სეზონურობასთან, ტენდენციებთან და ბაზრის ცვალებადობასთან.

არქიტექტურა ადაპტირებულია omnichannel პროგნოზირებაზე

ნებისმიერი გადაწყვეტილების მისაღებად ჩვენ ვატარებთ საფუძვლიან ანალიზს. დიახ, ჩვენ ჩავუყარეთ საფუძველი არხის გაყიდვების პროგნოზირების სამომავლო განახლებებს, რაც საშუალებას მისცემს მოთხოვნის დინამიკის კიდევ უფრო ღრმა ანალიტიკას და ასორტიმენტის ოპტიმიზაციას. ამ დროისთვის, ეს გვაძლევს უფრო ნათელ სურათს მომდევნო რელიზში ფუნქციონალის გაუმჯობესების შესახებ.