Fungsi Transformasi

Fungsi transformasi adalah serangkaian operasi yang memilih dan memodifikasi baris dalam deret waktu terkait. Anda memilih baris yang Anda inginkan dengan operasi kondisi. Anda kemudian memodifikasi baris dengan operasi transformasi. Semua kondisi digabungkan dengan operasi AND, yang berarti bahwa semua kondisi harus benar untuk transformasi yang akan diterapkan. Transformasi diterapkan dalam urutan yang terdaftar.

Saat Anda membuat perkiraan bagaimana-jika, gunakan pembuat fungsi Transformasi untuk menentukan kondisi dan transformasi yang ingin Anda terapkan. Gambar di bawah ini menggambarkan fungsi ini.

Di bagian yang disorot, price kolom dikalikan dengan 0,90 (yaitu, diskon 10%) di toko di tacoma (yaitu, Tacoma, Washington) untuk item yang berwarna. blue Untuk melakukan ini, Amazon Forecast pertama-tama membuat subset dari deret waktu terkait baseline yang hanya berisi baris yang sama. store tacoma

Subset itu selanjutnya dikupas untuk memasukkan hanya baris color yang sama. blue Akhirnya, semua nilai di price kolom dikalikan dengan 0,90 untuk membuat deret waktu terkait baru untuk digunakan dalam perkiraan bagaimana-jika.

Amazon Forecast mendukung kondisi berikut:

• EQUALS- Nilai dalam kolom sama dengan nilai yang diberikan dalam kondisi.

• NOT_EQUALS- Nilai di kolom tidak sama dengan nilai yang diberikan dalam kondisi.

• LESS_THAN- Nilai dalam kolom kurang dari nilai yang diberikan dalam kondisi.

• GREATER_THAN- Nilai dalam kolom lebih besar dari nilai yang diberikan dalam kondisi.

Amazon Forecast mendukung tindakan berikut:

• ADD- Menambahkan nilai yang diberikan ke semua baris di kolom.

• SUBTRACT- Mengurangi nilai yang disediakan dari semua baris di kolom.

• MULTIPLY- Mengalikan semua baris di kolom dengan nilai yang diberikan.

• DIVIDE- Membagi semua baris di kolom dengan nilai yang diberikan.

Berikut ini adalah contoh bagaimana Anda dapat menentukan transformasi deret waktu menggunakan SDK.

Example 1

Contoh ini berlaku diskon 10% untuk semua item di toko Seattle. Perhatikan bahwa “Kota” adalah dimensi perkiraan.

TimeSeriesTransformations=[
  {
    "Action": {
      "AttributeName": "price",
      "Operation": "MULTIPLY",
      "Value": 0.90
      },
    "TimeSeriesConditions": [
      {
        "AttributeName": "city",
        "AttributeValue": "seattle",
        "Condition": "EQUALS"
      }
    ]
  }
]

Example 2

Contoh ini berlaku diskon 10% untuk semua item dalam kategori “elektronik”. Perhatikan bahwa “product_category” adalah metadata item.

TimeSeriesTransformations=[
  {
    "Action": {
      "AttributeName": "price",
      "Operation": "MULTIPLY",
      "Value": 0.90
      },
    "TimeSeriesConditions": [
      {
        "AttributeName": "product_category",
        "AttributeValue": "electronics",
        "Condition": "EQUALS"
      }
    ] 
  }
]

Example 3

Contoh ini menerapkan markup 20% pada BOA21314 item_id K.

TimeSeriesTransformations=[
  {
    "Action": {
      "AttributeName": "price",
      "Operation": "MULTIPLY",
      "Value": 1.20
      },
    "TimeSeriesConditions": [
      {
        "AttributeName": "item_id",
        "AttributeValue": "BOA21314K",
        "Condition": "EQUALS"
      }
    ] 
  }
]

Example 4

Contoh ini menambahkan $1 ke semua item di toko Seattle dan Bellevue.

TimeSeriesTransformations=[
  {
    "Action": {
      "AttributeName": "price",
      "Operation": "ADD",
      "Value": 1.0
      },
    "TimeSeriesConditions": [
      {
        "AttributeName": "city",
        "AttributeValue": "seattle",
        "Condition": "EQUALS"
      }
    ] 
  },
  {
    "Action": {
      "AttributeName": "price",
      "Operation": "ADD",
      "Value": 1.0
      },
    "TimeSeriesConditions": [
      {
        "AttributeName": "city",
        "AttributeValue": "bellevue",
        "Condition": "EQUALS"
      }
    ] 
  }
]

Example 5

Contoh ini mengurangi $1 dari semua item di Seattle pada bulan September 2022.

TimeSeriesTransformations=[
  {
    "Action": {
      "AttributeName": "price",
      "Operation": "SUBTRACT",
      "Value": 1.0
      },
    "TimeSeriesConditions": [
      {
        "AttributeName": "city",
        "AttributeValue": "seattle",
        "Condition": "EQUALS"
      },
      {
        "AttributeName": "timestamp",
        "AttributeValue": "2022-08-31 00:00:00",
        "Condition": "GREATER_THAN"
      },
      {
        "AttributeName": "timestamp",
        "AttributeValue": "2022-10-01 00:00:00",
        "Condition": "LESS_THAN"
      }
    ] 
  }
]

Example 6

Dalam contoh ini, harga pertama kali dikalikan dengan 10, kemudian $5 dikurangkan dari harga. Perhatikan bahwa tindakan diterapkan dalam urutan yang dideklarasikan.

TimeSeriesTransformations=[
  {
    "Action": {
      "AttributeName": "price",
      "Operation": "MULTIPLY",
      "Value": 10.0
      },
    "TimeSeriesConditions": [
      {
        "AttributeName": "city",
        "AttributeValue": "seattle",
        "Condition": "EQUALS"
      }
    ]
    },
    {
    "Action": {
      "AttributeName": "price",
      "Operation": "SUBTRACT",
      "Value": 5.0
      },
    "TimeSeriesConditions": [
      {
        "AttributeName": "city",
        "AttributeValue": "seattle",
        "Condition": "EQUALS"
      }
    ] 
   }
]

Example 7

Contoh ini membuat set kosong, sehingga tindakan tidak diterapkan ke deret waktu apa pun. Kode ini mencoba mengubah harga semua barang di toko-toko di Seattle dan Bellevue. Karena kondisi bergabung dengan operasi AND, dan toko hanya dapat ada di satu kota, hasilnya adalah set kosong. Karena itu, tindakan tersebut tidak diterapkan.

TimeSeriesTransformations=[
  {
    "Action": {
      "AttributeName": "price",
      "Operation": "MULTIPLY",
      "Value": 10.0
      },
    "TimeSeriesConditions": [
      {
        "AttributeName": "city",
        "AttributeValue": "seattle",
        "Condition": "EQUALS"
      },
      {
        "AttributeName": "city",
        "AttributeValue": "bellevue",
        "Condition": "EQUALS"
      },
    ] 
  }
]

Untuk contoh cara menerapkan kondisi ke beberapa atribut, lihat Contoh 4.

Example 8

Kondisi transformasi yang menggunakan stempel waktu berlaku untuk data yang selaras dengan batas, bukan data mentah. Misalnya, Anda memasukkan data Anda setiap jam dan perkiraan setiap hari. Dalam hal ini, Forecast menyelaraskan stempel waktu ke hari, sehingga 2020-12-31 01:00:00 selaras dengan. 2020-12-31 00:00:00 Kode ini akan membuat set kosong karena tidak menentukan stempel waktu pada stempel waktu yang selaras dengan batas waktu.

TimeSeriesTransformations=[
  {
    "Action": {
      "AttributeName": "price",
      "Operation": "MULTIPLY",
      "Value": 10.0
      },
    "TimeSeriesConditions": [
      {
        "AttributeName": "timestamp",
        "AttributeValue": "2020-12-31 01:00:00",
        "Condition": "EQUALS"
      },
    ] 
  }
]