基于需求驱动因素的预测

要在配置预测时提高预测的准确性，您可以使用需求驱动因素。需求驱动因素是捕捉产品趋势和季节的相关时间序列输入。您可以根据各种因素使用需求驱动因素来影响供应链，而不必依赖历史需求。例如，促销、价格变动和营销活动。需求计划支持历史和未来的需求驱动因素。

使用需求驱动因素的先决条件

在为需求驱动因素摄取数据之前，请确保数据满足以下条件：

• 确保在 su pplementary _time_series 数据实体中提取需求驱动因素数据。您可以提供历史和未来的需求驱动因素信息。有关需求计划所需的数据实体的信息，请参阅需求规划功能。

  如果您找不到 su pplementary_time_series 数据实体，则您的实例可能使用的是较早的数据模型版本。您可以联系 S AWS upport 以升级您的数据模型版本或创建新的数据连接。

• 确保在 su pplementary_time_s eries 数据实体中填充了以下各列。

  • id — 此列是唯一的记录标识符，是成功摄取数据所必需的。

  • order_dat e — 此列表示需求驱动因素的时间戳。它可以是过去，也可以是未来的日期。

  • time_series_name — 此列是每个需求驱动因素的标识符。此列的值必须以字母开头，长度应为 2-56 个字符，并且可以包含字母、数字和下划线。其他特殊字符无效。

  • time_series_value — 此列提供特定时间点特定需求驱动因素的数据点测量值。仅支持数值。

• 选择最少 1 个、最多 13 个需求驱动因素。确保已配置聚合和填充方法。有关填充方法的更多信息，请参阅需求驱动因素数据填充方法。您可以随时修改设置。需求计划将在下一个预测周期中应用更改。

以下示例说明了在 su pplem entary_time_series 数据实体中提取所需的需求动因列时如何生成需求计划。Demand Planning 建议同时提供历史和未来的需求驱动数据（如果有）。这些数据有助于学习模型学习该模式并将其应用于预测。

以下示例说明了如何在数据集中设置一些常见的需求驱动因素。

当您提供领先指标时，需求计划强烈建议您调整时间序列日期。例如，假设某一特定指标作为20天领先指标，转化率为70％。在这种情况下，可以考虑将时间序列中的日期移动 20 天，然后应用适当的转换系数。虽然学习模型可以在不进行此类调整的情况下学习模式，但将领先指标数据与相应的结果对齐在模式识别中更有效。值的大小在此过程中起着重要作用，增强了模型准确学习和解释模式的能力。