Tenemos ya disponible la última versión de Microsoft Dynamics NAV, y con ella han llegado innumerables mejoras y cambios tecnológicos, que marcarán un antes y un después en la concepción “clásica” que tenemos de un sistema ERP.
Una de estas mejoras es “Cortana Intelligence”, cuya finalidad es la dotar de capacidades predictivas a nuestro sistema.
¿Cómo es posible esto?
Es posible gracias a un servicio de “Machine Learning”, que pone a nuestra disposición Microsoft. Para los no iniciados, el “Aprendizaje automático” (o de máquinas, del inglés “Machine Learning”) es una rama de la inteligencia artificial cuyo objetivo es desarrollar técnicas que permitan a nuestros sistemas de información a “aprender” a partir de una información no estructurada suministrada en forma de muestras o ejemplos. En el caso de NAV obviamente emplearemos nuestros datos históricos del ERP, de donde se puede analizar cómo y cuál es la evolución de nuestro negocio.
Por tanto, si partimos de la premisa de que “tenemos un método para enseñar a nuestro sistema a hacer predicciones futuras basadas en datos históricos”, imaginaos las posibilidades:
- ¿Qué os parecería saber cuánto venderemos de un producto basándonos en las ventas históricas del mismo o de productos similares?
- ¿Y saber si un cliente podría comprar un producto basándonos en compras pasadas de clientes de su perfil?
- ¿O hacer una previsión de tesorería con los datos históricos de cobros y pagos?
¿Qué es lo que puedo hacer con Dynamics NAV 2017 out-of-the-box?
Pues os comento que encontraremos una “extensión” en el sistema, que se llama “Sales and Inventory Forecast”.
Como podemos deducir gracias a esta extensión podremos hacer tanto previsiones de ventas como de inventario. De hecho, cuando tenemos la extensión instalada podemos visualizar en el ribbon, por ejemplo, este apartado de “Previsión” desde el listado de productos:
Así como información en modo gráfico como “fact-box” (cuadro informativo) en el lateral derecho.
¿Cómo lo configuramos en NAV 2017?
En primer lugar, debemos irnos a la “Configuración de previsión de ventas e inventario”, donde vemos que existen 2 campos que no están rellenos:
- URI de API.
- Clave de API.
Estos datos debemos obtenerlos registrándonos en Microsoft Azure Machine Learning Studio, puesto que como ya he comentado vamos a hacer uso de un servicio de “Machine Learning” en Azure y posteriormente haremos una copia del “experimento” en nuestra galería para poder usarlo.
- Lo primero que hacemos es visitar la web del experimento en la galería de Cortana Intelligence: https://gallery.cortanaintelligence.com/Experiment/Forecasting-Model-for-Microsoft-Dynamics-365-for-Financials-1
- A la derecha tenemos un botón donde nos indica “Open in Studio”.
- Esto nos redirige a Microsoft Azure Machine Learning Studio, donde nos pide que accedamos con nuestra cuenta (si la tenemos) o nos registremos. NOTA: con la cuenta “free” podemos hacer uso sin problemas de la funcionalidad que necesitamos.
- Tras esto debemos copiar el Experimento a la galería, para concluir hacemos “RUN” y “Deploy Web Service”:
En la pantalla de “Dashboard”, tendremos algo así:
Y debemos seleccionar “REQUEST/RESPONSE”.
Con esto accederemos a la “URI de API” (Request URI), que junto con la “Clave de API” (API Key), nos servirán para rellenar los datos en NAV para que la extensión funcione.
Ahora debemos irnos a NAV para completar la información en la configuración de la extensión de previsiones.
Y con esto, hemos concluido la configuración. Cómo veis, es un proceso bastante sencillo y rápido.
Si se ha quedado algo atrás recibiréis un mensaje de este estilo:
Que por lo general corresponde a que se ha introducido mal la API Key.
También podemos usar esta misma información de API para las previsiones de Cash-Flow en Microsoft Dynamics NAV 2017.
Para ello debemos ejecutar el asistente de “Set up Cash Flow Forecast”, que tenemos dentro de “Configuración asistida”:
El asistente es bien sencillo, tan sólo debemos marcar las cuentas sobre las que cuales queremos basar nuestra predicción, la periodicidad de actualización de nuestra “previsión de flujo de efectivo” y si queremos incluir los datos de “Cortana Intelligence”.
Cuando continuamos con el proceso, introducimos los datos que ya tenemos relativos a la Clave de API y URI de API.Para concluir con el asistente, nos pide especificar datos relativos al pago de impuestos (periodicidad, ventana de pago y cuenta).
Y en nuestras previsiones tendremos ahora algo así:
Bueno, hasta aquí os he contado lo que podemos hacer desde el primer minuto con NAV 2017, pero lo realmente interesante es el abanico de posibilidades que se nos abren gracias a esta tecnología.
Time Series Library:
Encontramos dentro de NAV 2017 una Codeunit llamada “Time Series Management (20000)”, donde están recogidas una serie de funciones que podemos llamar desde nuestro código con el fin de hacer uso de las capacidades predictivas de Cortana Intelligence.
Dentro encontramos varias funciones, a las cuales obviamente podemos invocarlas desde nuestro código.
Sería algo así, por ejemplo:
Con esto podríamos hacer la previsión para un producto que pasemos de parámetro.
Conclusiones:
Sinceramente creo que esta característica dará grandes posibilidades al producto, y trabajándolo con inteligencia puede extender enormemente el potencial actual del ERP, en muchísimas facetas.
Cualquier ejemplo que se venga a la cabeza es válido: empresas que suministran y almacenan productos químicos con caducidades y control de vida útil, empresas con mucha estacionalidad, etc., etc. El potencial es brutal.
Bueno, confío en que os haya resultado interesante esta breve reseña sobre las nuevas capacidades predictivas de Microsoft Dynamics NAV 2017.
Gracias y un saludo, Miguel Llorca.