Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Datenentitäten
In der folgenden Tabelle sind die Datenentitäten und Spalten aufgeführt, die von Demand Planning verwendet werden.
So lesen Sie die Tabelle:
-
Erforderlich — Die Spalten in dieser Datenentität sind für die fehlerfreie Ausführung einer Bedarfsprognose erforderlich.
-
Bedingt erforderlich — Die Spalten in dieser Datenentität sind abhängig von den Konfigurationen erforderlich, die in den Einstellungen für den Bedarfsplan festgelegt wurden.
-
Für die Prognosequalität empfohlen — Die Spalten in dieser Datenentität sind für die Qualität der Prognose erforderlich.
-
Optional — Der Spaltenname ist optional. Für eine verbesserte Feature-Ausgabe wird empfohlen, den Spaltennamen mit Werten hinzuzufügen.
outbound_order_line (erforderlich)
Wie wird diese Datenentität verwendet? Demand Planning verwendet diese Daten als Hauptquelle für die historische Nachfrage für Prognosen. Darüber hinaus werden Felder, die als Granularität ausgewählt wurden, zur Schulung gesendet und stehen als Filter zur Überprüfung des Bedarfsplans zur Verfügung.
Spalte |
Ist die Spalte erforderlich? |
Wie wird diese Spalte in Forecasting verwendet? |
|---|---|---|
id |
Erforderlich |
id, cust_order_id und product_id werden verwendet, um einen Datensatz in der Datenentität eindeutig zu identifizieren, und diese Kombination sollte immer eindeutig sein. Stellen Sie sicher, dass die Spaltenwerte keine ungültigen Zeichen wie Sternchen und doppelte Anführungszeichen enthalten. |
cust_order_id |
Erforderlich |
|
product_id |
Erforderlich |
|
Bestelldatum |
Erforderlich |
Erforderlich für die Erstellung von Prognosen. Identifiziert den Zeitraum für Zeitreihenprognosen. |
final_quantity_requested |
Erforderlich |
Für die Erstellung von Prognosen erforderlich. Identifiziert die Menge, die für Zeitreihenprognosen verwendet wird. Diese Spalte darf keine Nullwerte enthalten und muss numerisch sein. Stellen Sie sicher, dass die Werte keine Kommas enthalten. Beispielsweise ist 500000,00 ein akzeptierter Wert in Demand Planning. |
ship_from_site_id |
Befriedigend erforderlich |
Diese Spalte ist für die Erstellung von Prognosen bedingt erforderlich, wenn die Spalte für die Prognosedimension (Site-Hierarchie) ausgewählt wurde. Diese Spalte muss einen Wert haben und wird zum Filtern und Analysieren von Daten verwendet. |
ship_to_site_id |
Befriedigend erforderlich |
|
channel_id |
Befriedigend erforderlich |
Diese Spalte ist für die Erstellung von Prognosen bedingt erforderlich, wenn die Spalte für die Prognosedimension (Kanalhierarchie) ausgewählt wurde. Diese Spalte muss einen Wert haben und wird zum Filtern und Analysieren von Daten verwendet. |
customer_tpartner_id |
Befriedigend erforderlich |
Diese Spalte ist für die Erstellung von Prognosen bedingt erforderlich, wenn die Spalte für die Prognosedimension (Kundenhierarchie) ausgewählt wurde. Diese Spalte muss einen Wert haben und wird zum Filtern und Analysieren von Daten verwendet. |
ship_to_site_address_city |
Befriedigend erforderlich |
Diese Spalte ist für die Erstellung von Prognosen bedingt erforderlich, wenn die Spalte für die Prognosedimension (Site-Hierarchie) ausgewählt wurde. Diese Spalte muss einen Wert haben und wird zum Filtern und Analysieren von Daten verwendet. |
ship_to_site_address_state |
Befriedigend erforderlich |
|
Land der Lieferadresse |
Befriedigend erforderlich |
|
Status |
Für die Prognosequalität empfohlen |
Diese Spalte wird für die Prognosequalität empfohlen. Bestellungen mit dem Status „Storniert“ gelten nicht als Eingabe für Prognosen. |
Produkt (erforderlich)
Wie wird diese Datenentität verwendet?
Demand Planning verwendet die Produktattribute, um Hierarchiefilter für die Überprüfung von Bedarfsplänen und für das Modelltraining einzurichten.
Spalte |
Ist die Spalte erforderlich? |
Wie wird diese Spalte in Forecasting verwendet? |
|---|---|---|
id |
Erforderlich |
Erforderlich für die Datenaufnahme in den Supply Chain Data Lake (SCDL). Stellen Sie sicher, dass die Spaltenwerte keine doppelten IDs und Sonderzeichen wie Asterix und doppelte Anführungszeichen enthalten. |
description |
Erforderlich |
Erforderlich für die Datenaufnahme in den Supply Chain Data Lake (SCDL). Diese Spalte kann Sonderzeichen wie Asterix, Bindestrich, Anführungszeichen und doppelte Anführungszeichen enthalten. |
parent_product_id |
Befriedigend erforderlich |
Diese Spalte ist für die Erstellung von Prognosen bedingt erforderlich, wenn die Spalte für Prognosedimensionen (Produkthierarchie) ausgewählt wurde. Stellen Sie sicher, dass die Spalte Werte enthält und zum Filtern und Analysieren von Daten sowie zum Modelltraining verwendet wird. |
product_group_id |
Befriedigend erforderlich |
|
Produkttyp |
Bedingt erforderlich |
|
Markenname |
Befriedigend erforderlich |
|
color |
Befriedigend erforderlich |
|
display_desc |
Bedingt erforderlich |
|
product_available_day |
Wird für die Prognosequalität empfohlen |
Empfohlen. Der Wert in dieser Spalte verbessert die Prognosequalität, da das Prognosemodell den Zeitpunkt der Einführung neuer Produkte berücksichtigen kann. |
discontinue_day |
Wird für die Prognosequalität empfohlen |
Empfohlen. Der Wert in dieser Spalte verbessert die Prognosequalität, da das Prognosemodell den Zeitpunkt für Produktausmusterungen berücksichtigen kann. |
base_uom |
Wird für die Prognosequalität empfohlen |
Maßeinheit für das Produkt. Die Standardeinstellung ist Eaches. |
is_deleted |
Für die Prognosequalität empfohlen |
Empfohlen. Geben Sie Y ein, wenn die Produkt-ID von der Prognose ausgeschlossen werden soll. |
pkg_height |
Wird für die Prognosequalität empfohlen |
Empfohlen. Die physikalischen Eigenschaften des Produkts, die die Prognosemodelle verstehen können. |
pkg_length |
Wird für die Prognosequalität empfohlen |
|
pkg_width |
Wird für die Prognosequalität empfohlen |
|
Versandgröße |
Wird für die Prognosequalität empfohlen |
|
casepack_size |
Wird für die Prognosequalität empfohlen |
product_alternate (empfohlen für die Prognosequalität)
Wie wird diese Datenentität verwendet?
Demand Planning verwendet die Daten der Vorgänger- oder Alternativprodukte des Produkts, um Prognosen für neue Produkte zu erstellen. Wenn Daten in die Datenentität product_alternate aufgenommen werden, ist die Product-Lineage-Unterstützung für Prognosen aktiviert. Sie können die Aufnahme von Daten in die Datenentität product_alternate überspringen und die Prognose kann trotzdem generiert werden.
Spalte |
Ist die Spalte erforderlich? |
Wie wird diese Spalte in Forecasting verwendet? |
|---|---|---|
alternative_product_id |
Erforderlich |
Erforderlich für die Datenaufnahme in den Supply Chain Data Lake (SCDL). Eindeutige Datensatz-ID. |
product_id |
Erforderlich |
Erforderlich für die Datenaufnahme in den Supply Chain Data Lake (SCDL). ID des neuen Produkts oder der neuen Version des Produkts. Stellen Sie sicher, dass product_id in der Produktdateneinheit eingetragen ist. |
product_alternate_id |
Erforderlich |
Erforderlich für die Datenaufnahme in SCDL. Kennung für ein ähnliches Produkt oder eine frühere Version des Produkts. Um mehrere ähnliche Produkte als eine einzige product_id zu betrachten, geben Sie die Produkte in separaten Zeilen ein. Stellen Sie sicher, dass product_alternate_id in der Produktdateneinheit aufgefüllt ist. |
alternate_type |
Erforderlich |
Erforderlich für die Anwendung von Product Superzession oder Lineage. Verwenden Sie den statischen Wert similar_demand_product in allen Zeilen. |
alternate_product_qty |
Erforderlich |
Erforderlich für die Anwendung von Product Suprezession oder Lineage. Geben Sie den Anteil der Historie von alternate_product_id ein, den Sie für die Prognose von product_id verwenden möchten. Wenn er beispielsweise 60% beträgt, geben Sie 60 ein. Wenn Sie mehrere alternative_product_id für eine einzelne product_id haben, muss die Summe von alternate_product_qty nicht 100 ergeben. |
alternate_product_qty_uom |
Erforderlich |
Erforderlich für die Anwendung von Product Suprezession oder Lineage. Verwenden Sie den spezifischen statischen Wert „Prozentsatz“. |
eff_start_date |
Erforderlich |
Erforderlich für die Datenaufnahme in SCDL. Geben Sie den Startzeitraum ein, um die Historie eines ähnlichen Produkts zu berücksichtigen. Stellen Sie sicher, dass dieses Datum am oder vor dem eff_end_date liegt, oder Sie können dieses Feld leer lassen und Demand Planning füllt das Jahr automatisch mit 1000 aus. |
eff_end_date |
Erforderlich |
Erforderlich für die Datenaufnahme in SCDL. Geben Sie den Endzeitraum ein, der in der Historie eines ähnlichen Produkts berücksichtigt werden soll. Stellen Sie sicher, dass dieses Datum am oder nach dem eff_start_date liegt. |
Status |
Aus Gründen der Prognosequalität empfohlen |
Empfohlen. Geben Sie Inaktiv ein, um die Produktabtretung oder die Zuordnung der Herkunft zu ignorieren. |
supplementary_time_series (für die Prognosequalität empfohlen)
Wie wird diese Datenentität verwendet? Demand Planning verwendet diese Daten als primäre Quelle für die Kennzeichnung zufälliger Faktoren wie Werbeveranstaltungen, Rabatte, Feiertage usw.
Spalte |
Ist die Spalte erforderlich? |
Wie wird diese Spalte in Forecasting verwendet? |
|---|---|---|
id |
Erforderlich |
Erforderlich für die Datenaufnahme in den Supply Chain Data Lake (SCDL). Eindeutige Datensatz-ID. |
order_date |
Erforderlich |
Erforderlich für die Datenaufnahme in den Supply Chain Data Lake (SCDL). Zeitstempel, zu dem die Zeitserie aufgezeichnet wurde. |
time_series_name |
Erforderlich |
Erforderlich für die Datenaufnahme in den Supply Chain Data Lake (SCDL). Name des spezifischen Zeitreihentyps. Die Spalte time_series_name muss mit einem Buchstaben beginnen, 2 bis 56 Zeichen lang sein und kann Buchstaben, Zahlen und Unterstriche enthalten. Andere Sonderzeichen sind nicht zulässig. |
time_series_value |
Erforderlich |
Erforderlich für die Datenaufnahme in SCDL. Wert, der der spezifischen Zeitreihe entspricht. Demand Planning unterstützt nur numerische Eingaben und Zeitreihen mit kategorialem Wert werden nicht berücksichtigt. |
product_id |
Optional |
Empfohlen. Eindeutiger Bezeichner für ein bestimmtes Produkt. Verwenden Sie diese Spalte, wenn der Nachfragetreiber auf Produktebene verfügbar ist. |
site_id |
Optional |
Empfohlen. Eindeutiger Bezeichner für eine bestimmte Site oder einen bestimmten Standort. Verwenden Sie diese Spalte, wenn der Bedarfstreiber auf Standortebene verfügbar ist. Diese Spalte kann entweder ship_from_site_id oder ship_to_site_id darstellen, basierend auf der Konfiguration der Standorthierarchie auf der untersten Ebene. |
channel_id |
Optional |
Empfohlen. Eindeutiger Bezeichner für einen bestimmten Kanal. Verwenden Sie diese Spalte, wenn der Bedarfstreiber auf Kanalebene verfügbar ist. |
customer_tpartner_id |
Optional |
Empfohlen. Eindeutige Kennung für einen bestimmten Kunden. Verwenden Sie diese Spalte, wenn der Nachfragetreiber auf Kundenebene verfügbar ist. |
Historische und zukünftige ergänzende Zeitreihen: Kovariaten in der Prognose verstehen
Für genaue Nachfrageprognosen müssen nicht nur historische Verkaufsmuster verstanden werden, sondern auch die externen Faktoren, die zu Nachfrageänderungen führen. Zusätzliche Zeitreihendaten (STS) — auch Kovariaten genannt — erfassen diese Nachfragetreiber wie Werbeaktionen, Preise, Feiertage und Lagerbestände, sodass Prognosemodelle erklärbare Muster von zufälligem Rauschen unterscheiden und vorhersagen können, wie sich future Geschäftsaktionen auf die Nachfrage auswirken werden. Es besteht jedoch ein entscheidender Unterschied zwischen Kovariaten, die nur historisch bekannt sind (wie vergangene Lagerbestände oder Maßnahmen von Wettbewerbern), und solchen, die im Voraus bekannt sind (wie geplante Werbeaktionen oder geplante Feiertage), und das Verständnis dieses Unterschieds ist wichtig, um genaue Prognosen zu erstellen, die proaktive Planungsentscheidungen unterstützen.
Ein entscheidender Unterschied bei der Nachfrageprognose besteht zwischen vergangenen Kovariaten und bekannten Kovariaten (auch future Kovariaten genannt). Das Verständnis dieses Unterschieds ist für die Erstellung genauer Prognosemodelle unerlässlich.
Frühere Kovariaten (historische STS-Daten)
Frühere Kovariaten sind zusätzliche Zeitreihenwerte, die nur für historische Perioden bekannt sind. Diese Variablen werden zusammen mit Ihrer historischen Nachfrage beobachtet, können aber für future Perioden nicht vorhergesagt oder im Voraus bekannt sein.
Beispiele für Kovariaten der Vergangenheit:
-
Historische Lagerverfügbarkeit: Sie wissen, wie hoch die Lagerbestände in der Vergangenheit waren, aber die future Verfügbarkeit hängt von der Nachfrage, dem Nachschub und anderen unsicheren Faktoren ab
-
Aktuelle Wettbewerberpreise: Historische Preisdaten der Wettbewerber sind beobachtbar, future Maßnahmen der Wettbewerber sind jedoch nicht bekannt
-
Wetterbedingungen: Vergangenes Wetter wird aufgezeichnet, aber future Wetter (jenseits kurzfristiger Prognosen) ist ungewiss
-
Webseiten-Traffic: Historische Verkehrsmuster sind bekannt, aber der future Traffic hängt von vielen unvorhersehbaren Faktoren ab
Verwendung in Prognosemodellen: Frühere Kovariaten helfen dem Modell, historische Zusammenhänge und Muster zu erkennen. Wenn beispielsweise eine hohe Lagerverfügbarkeit in der Vergangenheit mit höheren Umsätzen korrelierte (aufgrund einer besseren Produktsichtbarkeit oder einer schnelleren Auftragsabwicklung), lernt das Modell diesen Zusammenhang kennen. Da diese Werte für future Perioden jedoch nicht bekannt sind, muss das Modell ohne sie Prognosen erstellen oder Annahmen über ihre future Werte treffen.
Bekannte Kovariaten (zukünftige STS-Daten)
Bekannte Kovariaten sind zusätzliche Zeitreihenwerte, die bekannt sind oder für future Perioden im Voraus bestimmt werden können. Dies sind die wertvollsten Inputs für Prognosen, da sie konkrete Informationen über future Bedingungen liefern.
Beispiele für bekannte Kovariaten:
-
Geplante Aktionsrabatte: Ihr Marketingteam hat bereits Werbekampagnen mit bestimmten Rabattstufen für future Termine geplant
-
Änderungen des Preisindexes: Geplante Preisanpassungen werden im Voraus auf der Grundlage Ihrer Preisstrategie festgelegt
-
Feiertagsindikatoren: Kalenderereignisse (Feiertage, Einkaufssaisons, Geschäftsperioden) sind Jahre im Voraus bekannt
-
Geplante Marketingausgaben: Budgetzuweisungen und Kampagnenpläne sind im Voraus festgelegt
-
Opening/Closing Veranstaltungen im Geschäft: Expansions- oder Konsolidierungspläne sind im Voraus bekannt
Verwendung in Prognosemodellen: Bekannte Kovariaten verbessern die Prognosegenauigkeit erheblich, da das Modell tatsächliche future Bedingungen anstelle von Annahmen berücksichtigen kann. Wenn Sie beispielsweise wissen, dass für den nächsten Monat eine Rabattaktion von 25% geplant ist, kann das Modell den erwarteten Anstieg der Nachfrage auf der Grundlage historischer Rabattmuster vorhersagen.
Praktische Umsetzungsstrategie
Für historische Perioden (Trainingsdaten): Nehmen Sie sowohl vergangene als auch bekannte Kovariaten in Ihre ergänzenden Zeitreihendaten auf. Auf diese Weise kann das Modell Zusammenhänge aus allen verfügbaren Nachfragetreibern lernen. Ihr Datensatz sollte die tatsächlich beobachteten Werte für alle Zeitreihentypen bis zum aktuellen Datum enthalten.
Für zukünftige Perioden (Prognosehorizont): Nehmen Sie nur bekannte Kovariaten in Ihre zusätzlichen Zeitreihendaten auf. Dies sind die Nachfragetreiber, die Sie getrost für future Termine angeben können. Beispiel:
id,order_date,time_series_name,time_series_value,product_id,site_id,channel_id,customer_tpartner_id 1001,2025-02-01,discount_percentage,20.0,PROD_001,SITE_NYC,CHANNEL_ONLINE,CUST_12345 1002,2025-02-14,discount_percentage,30.0,PROD_001,SITE_NYC,CHANNEL_ONLINE,CUST_12345 1003,2025-02-01,holiday_indicator,0,PROD_001,SITE_NYC,CHANNEL_ONLINE,CUST_12345 1004,2025-02-14,holiday_indicator,1,PROD_001,SITE_NYC,CHANNEL_ONLINE,CUST_12345
Diese future Daten zeigen dem Modell, dass für den 1. Februar ein discount von 20% und für den 14. Februar eine Aktion zum Valentinstag von 30% geplant ist.
Praktische Anwendungen
-
Werbeplanung: Verfolgen Sie die Prozentsätze der discount im Laufe der Zeit, um zu verstehen, wie sich die Intensität der Werbeaktionen auf die Nachfrage auswirkt. Dies hilft dabei, optimale Rabattniveaus zu ermitteln und den Anstieg der Nachfrage aufgrund future Werbeaktionen vorherzusagen.
-
Preiselastizitätsanalyse: Überwachen Sie die Preisindexbewegungen, um zu quantifizieren, wie Preisänderungen das Kaufverhalten der Kunden bei verschiedenen Produkten, Standorten und Kanälen beeinflussen.
-
Modellierung von Bestandsbeschränkungen: Erfassen Sie die Verfügbarkeit von Lagerbeständen, um festzustellen, wann Fehlbestände oder geringe Lagerbestände den Umsatz einschränken, und stellen Sie sicher, dass Prognosen Angebotsbeschränkungen und nicht echte Nachfragesignale berücksichtigen.
Vorteile für die Bedarfsplanung
Durch die Integration zusätzlicher Zeitreihendaten kann Ihr Bedarfsplanungssystem:
-
Verbessern Sie die Prognosegenauigkeit: Berücksichtigen Sie bekannte Nachfragetreiber, anstatt sie als unerklärliche Varianz zu behandeln
-
Szenarioplanung aktivieren: Modellieren Sie „Was-wäre-wenn“ -Szenarien, indem Sie future Werte der Nachfragetreiber anpassen
-
Identifizieren Sie kausale Zusammenhänge: Finden Sie heraus, welche Faktoren die Nachfrage nach verschiedenen Produkten und Märkten am stärksten beeinflussen
-
Support strategischer Entscheidungen: Bereitstellung datengestützter Erkenntnisse für Preis-, Werbe- und Inventarstrategien
