Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
# Entidades de datos
En la siguiente tabla se enumeran las entidades y columnas de datos que utiliza Demand Planning.
## Cómo leer la tabla:
+ **Obligatorias**: las columnas de esta entidad de datos son obligatorias para ejecutar una previsión de la demanda sin errores.
+ **Obligatorio condicional**: las columnas de esta entidad de datos son obligatorias en función de las configuraciones establecidas en los ajustes del plan de demanda.
+ **Recomendado para la calidad de la previsión**: las columnas de esta entidad de datos son obligatorias para garantizar la calidad de la previsión.
+ **Opcional**: el nombre de la columna es opcional. Para mejorar el resultado de la característica, se recomienda añadir el nombre de la columna con valores.
## outbound\_order\_line (obligatorio)
**¿Cómo se usa esta entidad de datos?** La planificación de la demanda utiliza estos datos como la fuente principal de la demanda histórica para la previsión. Además, los campos seleccionados según su granularidad se envían para formación y están disponibles como filtros para revisar el plan de demanda.
**columnas outbound\_order\_line**
| Columna | ¿Es obligatoria la columna? | ¿Cómo se usa esta columna en las previsiones? |
| --- | --- | --- |
| id | Obligatorio | id, cust\_order\_id y product\_id se utilizan para identificar de forma exclusiva un registro en la entidad de datos y esta combinación siempre debe ser única. Asegúrese de que los valores de las columnas no contengan caracteres no válidos, como asteriscos o comillas dobles. |
| cust\_order\_id | Obligatorio | |
| product\_id | Obligatorio | |
| order\_date | Obligatorio | Necesario para la creación de previsiones. Identifica el período para la previsión de series temporales. |
| final\_quantity\_requested | Obligatorio | Necesario para la creación de previsiones. Identifica la cantidad utilizada para la previsión de series temporales. Esta columna no debe contener valores nulos y debe ser numérica. Asegúrese de que no haya comas en los valores. Por ejemplo, 500000,00 es un valor aceptado en la planificación de la demanda. |
| ship\_from\_site\_id | Necesario condicionalmente | Esta columna es necesaria condicionalmente para la creación de previsiones si la columna se selecciona para la dimensión de previsión (jerarquía de sitios). Esta columna debe tener un valor y se utiliza para filtrar y analizar los datos. |
| ship\_to\_site\_id | Obligatorio condicionalmente | |
| channel\_id | Requerido condicionalmente | Esta columna es necesaria condicionalmente para la creación de previsiones si la columna se selecciona para la dimensión de previsión (jerarquía de canales). Esta columna debe tener un valor y se utiliza para filtrar y analizar los datos. |
| customer\_tpartner\_id | Obligatorio condicionalmente | Esta columna es necesaria condicionalmente para la creación de previsiones si la columna se selecciona para la dimensión de previsión (jerarquía de clientes). Esta columna debe tener un valor y se utiliza para filtrar y analizar los datos. |
| ship\_to\_site\_address\_city | Obligatorio condicionalmente | Esta columna es necesaria condicionalmente para la creación de previsiones si la columna se selecciona para la dimensión de previsión (jerarquía de sitios). Esta columna debe tener un valor y se utiliza para filtrar y analizar los datos. |
| ship\_to\_site\_address\_state | Obligatorio condicionalmente | |
| ship\_to\_site\_address\_country | Requerido condicionalmente | |
| status | Recomendado para la calidad de las previsiones | Esta columna se recomienda para garantizar la calidad de las previsiones. Los pedidos con estado cancelado no se consideran una entrada de previsión. |
## producto (obligatorio)
**¿Cómo se usa esta entidad de datos?**
La planificación de la demanda utiliza los atributos del producto para establecer filtros jerárquicos para la revisión del plan de demanda y para el entrenamiento de modelos.
**columnas de productos**
| Columna | ¿Es obligatoria la columna? | ¿Cómo se usa esta columna en las previsiones? |
| --- | --- | --- |
| id | Obligatorio | Necesaria para la ingesta de datos en Supply Chain Data Lake (SCDL). Asegúrese de que los valores de las columnas no tengan identificadores duplicados ni caracteres especiales, como un asterisco o comillas dobles. |
| description | Obligatorio | Necesario para la ingesta de datos en Supply Chain Data Lake (SCDL). Esta columna puede contener caracteres especiales como asteriscos, guiones, comillas y comillas dobles. |
| parent\_product\_id | Obligatorio condicionalmente | Esta columna es necesaria condicionalmente para la creación de la previsión si la columna se selecciona para las dimensiones de la previsión (jerarquía de productos). Asegúrese de que la columna tenga valores y se utilice para filtrar y analizar los datos y el entrenamiento del modelo. |
| product\_group\_id | Necesario condicionalmente | |
| product\_type | Requerido condicionalmente | |
| brand\_name | Requerido condicionalmente | |
| color | Requerido condicionalmente | |
| display\_desc | Requerido condicionalmente | |
| product\_available\_day | Recomendado para la calidad de las previsiones | Recomendado. El valor de esta columna mejora la calidad de las previsiones al permitir que el modelo de previsión tenga en cuenta el momento en que se introducirán nuevos productos. |
| discontinue\_day | Recomendado para la calidad de las previsiones | Recomendado. El valor de esta columna mejora la calidad de la previsión al permitir que el modelo de previsión tenga en cuenta el momento en que se retiran los productos. |
| base\_uom | Recomendado para la calidad de las previsiones | Unidad de medida del producto. El valor predeterminado es Unidades. |
| is\_deleted | Recomendado para la calidad de las previsiones | Recomendado. Introduzca Y si el identificador del producto debe excluirse de la previsión. |
| pkg\_height | Recomendado para la calidad de las previsiones | Recomendado. Las características físicas del producto que los modelos de previsión pueden entender. |
| pkg\_length | Recomendado para la calidad de las previsiones | |
| pkg\_width | Recomendado para la calidad de las previsiones | |
| shipping\_dimension | Recomendado para la calidad de las previsiones | |
| casepack\_size | Recomendado para la calidad de las previsiones | |
## product\_alternate (recomendado para la calidad de las previsiones)
**¿Cómo se usa esta entidad de datos?**
La planificación de la demanda utiliza los datos de los productos predecesores o alternativos para crear una previsión de nuevos productos. Cuando se ingieren datos en la entidad de datos *product\_alternate*, se habilita la compatibilidad con el linaje de productos para la previsión. Puede omitir la ingesta de datos en la entidad de datos *product\_alternate* y la previsión podrá seguir generándose.
**columnas product\_alternate**
| Columna | ¿Es obligatoria la columna? | ¿Cómo se usa esta columna en las previsiones? |
| --- | --- | --- |
| alternative\_product\_id | Obligatorio | Necesaria para la ingesta de datos en Supply Chain Data Lake (SCDL). Identificador de registro único. |
| product\_id | Obligatorio | Necesario para la ingesta de datos en Supply Chain Data Lake (SCDL). ID del nuevo producto o de la nueva versión del producto. Asegúrese de que el *product\_id* esté rellenado en la entidad de datos del *producto*. |
| product\_alternate\_id | Obligatorio | Necesario para la ingesta de datos en SCDL. Identificador de un producto similar o de una versión anterior del producto. Para considerar varios productos similares como un único *product\_id*, introduce los productos en filas distintas. *Asegúrese de que *product\_alternate\_id* esté rellenado en la entidad de datos del producto.* |
| alternate\_type | Obligatorio | Necesario para solicitar la sustitución o el linaje del producto. Utilice el valor estático *similar\_demand\_product* en todas las filas. |
| alternate\_product\_qty | Obligatorio | Necesario para aplicar la sustitución o el linaje de un producto. *Introduce la proporción del historial del *alternate\_product\_id que deseas usar para pronosticar el product\_id*.* Por ejemplo, si es del 60%, introduzca 60. Si tiene varios *alternative\_product\_id* para un único *product\_id*, *alternate\_product\_qty* no tiene por qué sumar 100. |
| alternate\_product\_qty\_uom | Obligatorio | Necesario para aplicar la sustitución o el linaje de los productos. Utilice el valor estático específico «porcentaje». |
| eff\_start\_date | Obligatorio | Necesario para la ingesta de datos en SCDL. Introduzca el plazo de inicio para tener en cuenta el historial de un producto similar. Asegúrese de que esta fecha sea igual o anterior a la *ef\_end\_date* o puede dejar este campo vacío y Demand Planning rellenará automáticamente el año con 1000. |
| eff\_end\_date | Obligatorio | Necesario para la ingesta de datos en SCDL. Introduzca el plazo de finalización que desee tener en cuenta en el historial de un producto similar. Asegúrate de que esta fecha sea igual o posterior a la *eff\_start\_date*. |
| status | Se recomienda para garantizar la calidad de las previsiones | Recomendado. Introduzca *Inactivo* para ignorar la asignación de linajes o de sustitución de productos. |
## supplementary\_time\_series (recomendado para la calidad de las previsiones)
**¿Cómo se usa esta entidad de datos?** Demand Planning utiliza estos datos como fuente principal para etiquetar factores ocasionales, como eventos promocionales, descuentos, días festivos, etc.
**columnas supplementary\_time\_series**
| Columna | ¿Es obligatoria la columna? | ¿Cómo se usa esta columna en las previsiones? |
| --- | --- | --- |
| id | Obligatorio | Necesaria para la ingesta de datos en Supply Chain Data Lake (SCDL). Identificador de registro único. |
| order\_date | Obligatorio | Necesario para la ingesta de datos en Supply Chain Data Lake (SCDL). Marca de tiempo en que se grabó la serie temporal. |
| nombre\_de\_serie\_tiempo | Obligatorio | Necesario para la ingesta de datos en Supply Chain Data Lake (SCDL). Nombre del tipo específico de serie temporal. La columna *time\_series\_name* debe empezar por una letra, tener entre 2 y 56 caracteres y puede contener letras, números y guiones bajos. No se permite utilizar ningún otro carácter especial. |
| time\_series\_value | Obligatorio | Necesario para la ingesta de datos en SCDL. Valor correspondiente a la serie temporal específica. La planificación de la demanda solo admite entradas numéricas y no se tienen en cuenta las series temporales con un valor categórico. |
| product\_id | Opcional | Recomendado. Identificador único para un producto específico. Utilice esta columna si el impulsor de la demanda está disponible a nivel de producto. |
| site\_id | Opcional | Recomendado. Identificador único para un sitio o ubicación específicos. Utilice esta columna si el impulsor de la demanda está disponible a nivel de sitio. Esta columna puede representar *ship\_from\_site\_id o ship\_to\_site\_id* *en función de la configuración jerárquica* de sitios de nivel inferior. |
| channel\_id | Opcional | Recomendado. Identificador único para un canal específico. Utilice esta columna si el controlador de demanda está disponible a nivel de canal. |
| customer\_tpartner\_id | Opcional | Recomendado. Identificador único para un cliente específico. Utilice esta columna si el impulsor de la demanda está disponible a nivel de cliente. |
## Series temporales complementarias históricas y futuras: comprensión de las covariables en los pronósticos
Una previsión de la demanda precisa requiere comprender no solo los patrones históricos de ventas, sino también los factores externos que impulsan los cambios en la demanda. Los datos de series temporales complementarias (STS), también denominadas covariables, capturan estos factores de la demanda, como las promociones, los precios, las vacaciones y los niveles de inventario, lo que permite a los modelos de previsión distinguir los patrones explicables del ruido aleatorio y predecir cómo las acciones empresariales futuras afectarán a la demanda. Sin embargo, existe una distinción fundamental entre las covariables que solo se conocen históricamente (como los niveles de inventario anteriores o las acciones de los competidores) y las que se conocen de antemano (como las promociones planificadas o los días festivos programados), y comprender esta diferencia es esencial para crear pronósticos precisos que respalden las decisiones de planificación proactivas.
Una distinción fundamental en la previsión de la demanda es entre las covariables **pasadas y las covariables** **conocidas (también denominadas covariables** futuras). Comprender esta diferencia es esencial para crear modelos de pronóstico precisos.
### Covariables pasadas (datos históricos de STS)
Las covariables pasadas son valores de series temporales complementarias que solo se conocen para períodos históricos. Estas variables se observan junto con su demanda histórica, pero no se pueden predecir ni conocer de antemano para períodos futuros.
**Ejemplos de covariables pasadas:**
+ **Disponibilidad histórica del inventario**: usted sabe cuáles eran los niveles de inventario en el pasado, pero la disponibilidad futura depende de la demanda, el reabastecimiento y otros factores inciertos
+ **Precios reales de la competencia: los** datos históricos de los precios de la competencia son observables, pero se desconocen las acciones futuras de los competidores
+ **Condiciones meteorológicas**: se registra el clima pasado, pero el clima futuro (más allá de las previsiones a corto plazo) es incierto
+ **Tráfico del sitio web**: se conocen los patrones de tráfico históricos, pero el tráfico futuro depende de muchos factores impredecibles
**Uso en modelos de pronóstico:** las covariables pasadas ayudan al modelo a aprender relaciones y patrones históricos. Por ejemplo, si la alta disponibilidad de inventario se correlacionó históricamente con un aumento de las ventas (debido a una mejor visibilidad del producto o a una mayor velocidad de procesamiento), el modelo aprende esta relación. Sin embargo, dado que estos valores se desconocen para períodos futuros, el modelo debe pronosticar sin ellos o hacer suposiciones sobre sus valores futuros.
### Covariables conocidas (datos futuros de STS)
Las covariables conocidas son valores de series temporales suplementarias que se conocen o se pueden determinar de antemano para períodos futuros. Estos son los insumos más valiosos para la previsión porque proporcionan información concreta sobre las condiciones futuras.
**Ejemplos de covariables conocidas:**
+ **Descuentos promocionales planificados**: tu equipo de marketing ya ha programado campañas promocionales con niveles de descuento específicos para fechas futuras
+ **Cambios en el índice de precios: los** ajustes de precios planificados se determinan de antemano en función de su estrategia de precios
+ **Indicadores de días festivos**: los eventos basados en el calendario (días festivos, temporadas de compras, períodos fiscales) se conocen con años de antelación
+ **Gasto de marketing planificado**: las asignaciones presupuestarias y los programas de campaña están predeterminados
+ ** Opening/Closing Eventos en la tienda: los** planes de expansión o consolidación se conocen con antelación
**Uso en modelos de pronóstico:** las covariables conocidas mejoran drásticamente la precisión del pronóstico porque el modelo puede incorporar condiciones futuras reales en lugar de suposiciones. Por ejemplo, si sabe que está prevista una promoción de descuento del 25% para el mes que viene, el modelo puede predecir el aumento esperado de la demanda en función de los patrones históricos de respuesta de los descuentos.
### Estrategia de implementación práctica
**Para períodos históricos (datos de entrenamiento):** incluya tanto las covariables pasadas como las covariables conocidas en sus datos de series temporales complementarias. Esto permite que el modelo aprenda las relaciones de todos los factores de demanda disponibles. Su conjunto de datos debe contener los valores observados reales para todos los tipos de series temporales hasta la fecha actual.
**Para períodos futuros (horizonte de pronóstico):** incluya solo las covariables conocidas en los datos de series temporales complementarias. Estos son los impulsores de la demanda que puede especificar con confianza para fechas futuras. Por ejemplo:
```
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
```
Estos datos futuros indican al modelo que está previsto un descuento del 20% para el 1 de febrero y una promoción del 30% para el Día de San Valentín para el 14 de febrero.
## Aplicaciones prácticas
+ **Planificación de promociones**: haga un seguimiento de los porcentajes de descuento a lo largo del tiempo para comprender cómo la intensidad de la promoción afecta a la demanda. Esto ayuda a identificar los niveles de descuento óptimos y a predecir el aumento de la demanda derivado de futuras promociones.
+ **Análisis de elasticidad de precios**: monitorea los movimientos del índice de precios para cuantificar cómo influyen los cambios en el comportamiento de compra de los clientes en diferentes productos, ubicaciones y canales.
+ **Modelado de restricciones de inventario**: registre los niveles de disponibilidad del inventario para identificar cuándo las ventas se agotan o son bajas, y asegúrese de que las previsiones tengan en cuenta las limitaciones de la oferta y no las verdaderas señales de demanda.
## Ventajas de la planificación de la demanda
Al incorporar datos de series temporales adicionales, su sistema de planificación de la demanda puede:
+ **Mejore la precisión de las previsiones**: tenga en cuenta los impulsores de la demanda conocidos en lugar de tratarlos como una variación inexplicable
+ **Habilite la planificación de escenarios**: modele escenarios hipotéticos ajustando los valores futuros de los impulsores de la demanda
+ **Identifique las relaciones causales**: comprenda qué factores tienen un impacto más significativo en la demanda de diferentes productos y mercados
+ **Support Strategic Decisions**: proporcione información basada en datos para estrategias de precios, promociones e inventario