Conjunto de datos de reemplazo

Un conjunto de datos de reemplazo es una versión modificada de la serie temporal relacionada de referencia que contiene solo los valores que desea cambiar en una previsión condicional. El conjunto de datos de reemplazo debe contener las dimensiones de la previsión, los identificadores de los artículos y las marcas temporales en las series temporales relacionadas de referencia, así como al menos 1 serie temporal cambiada. Este conjunto de datos se fusiona con la serie temporal relacionada de referencia para crear un conjunto de datos transformado que se utiliza para la previsión condicional. El conjunto de datos de reemplazo debe estar en formato CSV.

Este conjunto de datos no debe contener marcas temporales duplicadas para la misma serie temporal.

A continuación se muestran varios ejemplos de cómo se puede especificar una serie temporal de reemplazo y cómo se interpretan esas especificaciones. Considere el caso en el que realiza una previsión diaria y el horizonte de previsión va desde el 1 de agosto de 2022 hasta el 3 de agosto de 2022. La serie temporal relacionada de referencia de todos los ejemplos se muestra en la siguiente tabla.

item_id	marca de tiempo	precio	recuento_existencias
artículo_1	01/08/2022	100	50
artículo_1	2022-08-02	100	50
artículo_1	2022-08-03	100	50
artículo_2	2022-08-01	75	500
artículo_2	2022-08-02	75	500
artículo_2	2022-08-03	75	500

Unchanged values

Para aplicar un descuento del 10 % en el artículo_1 para el 2 de agosto de 2022 y el 3 de agosto de 2022, basta con especificar lo siguiente para el conjunto de datos de reemplazo:

Conjunto de datos de reemplazo

item_id	marca de tiempo	precio
artículo_1	2022-08-02	90
artículo_1	2022-08-03	90

Sin embargo, también es válido especificar valores sin cambios en el conjunto de datos de reemplazo. Cuando se utilizan como conjuntos de datos de reemplazo, cada una de las tres tablas siguientes arrojará los mismos resultados que la tabla proporcionada anteriormente.

Conjunto de datos de reemplazo con una columna sin cambios

item_id	marca de tiempo	precio	recuento_existencias
artículo_1	2022-08-02	90	50
artículo_1	2022-08-03	90	50

Conjunto de datos de reemplazo con filas sin cambios

item_id	marca de tiempo	precio
artículo_1	2022-08-01	100
artículo_1	2022-08-02	90
artículo_1	2022-08-03	90
artículo_2	2022-08-01	75
artículo_2	2022-08-02	75
artículo_2	2022-08-03	75

Conjunto de datos de reemplazo con filas y columnas sin cambios

item_id	marca de tiempo	precio	recuento_existencias
artículo_1	2022-08-01	100	50
artículo_1	2022-08-02	90	50
artículo_1	2022-08-03	90	50
artículo_2	2022-08-01	75	500
artículo_2	2022-08-02	75	500
artículo_2	2022-08-03	75	500

Missing values

Los valores que faltan en la serie temporal de reemplazo se sustituyen por valores de la serie temporal relacionada de referencia. Considere el escenario en el que aplica un 10 % de descuento en el artículo_1 para el 2 de agosto de 2022 y el 3 de agosto de 2022 y aumenta las existencias del artículo_2 el 1 de agosto de 2022. Este conjunto de datos de reemplazo es suficiente:

Conjunto de datos de reemplazo con valores que faltan

item_id	marca de tiempo	precio	recuento_existencias
artículo_1	2022-08-02	90
artículo_1	2022-08-03	90
artículo_2	2022-08-01		5000

Los valores que faltan en esta tabla se imputan a la serie temporal relacionada de referencia.

Extraneous values

Los valores ajenos a la serie temporal de reemplazo se ignoran al crear una previsión condicional. Es decir, los valores del conjunto de datos de reemplazo que no se corresponden con los valores de la serie temporal relacionada de referencia no se modelan. Considere este conjunto de datos de reemplazo:

Conjunto de datos de reemplazo con valores ajenos

item_id	marca de tiempo	precio	recuento_existencias
artículo_1	2022-08-01	100	50
artículo_1	2022-08-02	100	50
artículo_1	2022-08-03	100	50
artículo_2	2022-08-01	75	500
artículo_2	2022-08-02	75	500
artículo_2	2022-08-03	75	500
artículo_3	2022-08-01	50	125
artículo_3	2022-08-02	50	125
artículo_3	2022-08-03	50	125

Las filas que contienen el artículo_3 se ignoran y no forman parte del análisis condicional.

Historical changes

Se ignoran los cambios en el conjunto de datos de reemplazo que estén fuera del horizonte de previsión. Considere este conjunto de datos de reemplazo:

Conjunto de datos de reemplazo con valores fuera del horizonte de previsión

item_id	marca de tiempo	precio	recuento_existencias
artículo_1	2022-07-31	100	50
artículo_1	2022-08-01	100	50
artículo_1	2022-08-02	100	50
artículo_1	2022-08-03	100	50
artículo_1	2022-08-04	100	50
artículo_2	2022-07-31	75	500
artículo_2	2022-08-01	75	500
artículo_2	2022-08-02	75	500
artículo_2	2022-08-03	75	500
artículo_3	2022-08-04	75	500

Las filas que contienen el 31 de julio de 2022 y el 4 de agosto de 2022 se omiten y no forman parte del análisis condicional.

Dimensiones de Forecast

Si incluye las dimensiones de previsión en su conjunto de datos, debe incluirlas en el conjunto de datos de reemplazo. Considere esta serie temporal relacionada de referencia:

item_id	id_tienda	marca de tiempo	precio	recuento_existencias
artículo_1	tienda_1	2022-08-01	100	50
artículo_1	tienda_1	2022-08-02	100	50
artículo_1	tienda_1	2022-08-03	100	50
artículo_1	tienda_2	2022-08-01	75	500
artículo_1	tienda_2	2022-08-02	75	500
artículo_1	tienda_2	2022-08-03	75	500

Por lo tanto, el conjunto de datos para reemplazar un 10 % de descuento en todas las tiendas el 2 de agosto de 2022 sería el siguiente:

item_id	id_tienda	marca de tiempo	precio
artículo_1	tienda_1	2022-08-02	90
artículo_1	tienda_2	2022-08-02	67,5