Amazon Forecast ya no está disponible para nuevos clientes. Los clientes actuales de Amazon Forecast pueden seguir utilizando el servicio con normalidad. [Más información](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)
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.
# Análisis condicional
Un análisis condicional es una herramienta que ayuda a investigar y explicar cómo los diferentes escenarios podrían afectar a la previsión de referencia creada por Amazon Forecast. La previsión de referencia es la previsión que crea Amazon Forecast en función de la serie temporal original relacionada que proporciona.
Un análisis condicional crea una serie de previsiones condicionales en función de la forma en que haya decidido modificar la serie temporal relacionada. Esas previsiones condicionales se comparan y contrastan con la previsión de referencia para ayudarle a comprender cómo los cambios específicos podrían afectar a su modelo.
Existen dos métodos para crear una serie temporal relacionada. Puede proporcionar una serie temporal relacionada modificada en una ruta de Amazon S3 o especificar un conjunto de transformaciones en la serie temporal relacionada existente. Al especificar un conjunto de transformaciones, se crea una copia de la serie temporal original relacionada para contener estos cambios.
Las transformaciones permiten crear un subconjunto de la serie temporal relacionada y modificar atributos específicos de la serie temporal relacionada. Para obtener más información, consulte [Conjunto de datos de reemplazo](replacement-series.md) y [Funciones de transformación](data-transformations.md).
**Topics**
+ [Creación de un análisis condicional](#how-what-if-works)
+ [Funciones de transformación](data-transformations.md)
+ [Conjunto de datos de reemplazo](replacement-series.md)
## Creación de un análisis condicional
Un análisis condicional explora cómo los cambios en las series temporales relacionadas de referencia pueden afectar a una previsión. Solo puede crear un análisis hipotético a partir de una previsión que utilice un. AutoPredictor Tras crear un análisis condicional, se crean una o varias previsiones condicionales. Compare las previsiones condicionales y la previsión de referencia y, a continuación, exporte una o más previsiones condicionales.
**nota**
Los datos deben tener un formato de valores separados por comas (CSV) para poder crear un análisis condicional.
**Topics**
+ [Crear de un análisis condicional](#create-analysis)
+ [Crear una previsión condicional](#create-forecast)
+ [Comparar sus previsiones condicionales](#compare-forecasts)
+ [Exportar sus previsiones condicionales](#export-forecasts)
+ [Consultar sus previsiones condicionales](#query-wi-forecasts)
### Crear de un análisis condicional
Puede crear un análisis condicional mediante la consola de Forecast o el kit de desarrollo de software (SDK) de Forecast.
------
#### [ Console ]
Para crear un análisis condicional, siga los pasos que se describen a continuación:
1. Cree una previsión que esté entrenada con un. AutoPredictor
1. Abra el panel de datos del conjunto de datos que contiene la previsión que le interesa.
1. Elija **Explorar análisis condicional**.
1. En la pestaña **Análisis condicional** de la página Información, seleccione **Crear**.
1. Proporcione un nombre exclusivo en el campo **Nombre del análisis condicional** y elija la previsión de referencia para este análisis.
1. En el área de **selección de artículos**, seleccione si desea incluir automáticamente todos los artículos del análisis o especificar los artículos que desea incluir en un archivo.
Si elige **Seleccionar artículos con un archivo**, debe proporcionar un conjunto de datos que contenga solo los artículos que desee modificar en las previsiones condicionales. Para obtener más información, consulte [Especificación de series temporales](forecast-explainability.md#forecast-explainability-time-series).
1. Elija **Crear análisis condicional**. Un banner en la parte superior de la página de análisis condicional mostrará el estado del trabajo de creación del análisis condicional.
------
#### [ SDK ]
Mediante la [CreateWhatIfAnalysis](API_CreateWhatIfAnalysis.md) operación, proporcione un nombre exclusivo WhatIfAnalysisName y proporcione el ARN de previsión de la previsión de referencia para. ForecastArn El siguiente ejemplo muestra un esquema de series temporales que utilizan una combinación de “id\$1artículo” y la dimensión “ubicación\$1tienda”. Para obtener más información, consulte [Especificación de series temporales](forecast-explainability.md#forecast-explainability-time-series).
```
{
"ForecastArn": "arn:aws:forecast:region:acctNumber:forecast/baselineForecast",
"WhatIfAnalysisName": "unique_name",
"TimeSeriesSelector": {
"TimeSeriesIdentifiers": {
"DataSource": {
"S3Config": {
"Path": "s3://bucket/example-path",
"RoleArn": "arn:aws:iam::000000000000:role/ExampleRole"
}
},
"Schema": {
"Attributes": [
{
"AttributeName": "item_id",
"AttributeType": "string"
}
{
"AttributeName": "store_location",
"AttributeType": "string"
}
]
}
}
}
}
```
------
### Crear una previsión condicional
Puede crear una previsión condicional mediante la consola de Forecast o el kit de desarrollo de software (SDK) de Forecast.
------
#### [ Console ]
Para crear una previsión condicional, siga los pasos que se describen a continuación:
1. En la pestaña **Análisis condicional** de la página Información, elija el análisis condicional que le interese.
1. En la sección **Previsión condicional**, seleccione **Crear**.
1. En la página Crear previsión condicional, proporcione un **nombre de previsión condicional** único y elija **Usar funciones de transformación** o **Definir la previsión condicional con un conjunto de datos de reemplazo**. Para obtener más información, consulte [Conjunto de datos de reemplazo](replacement-series.md) y [Funciones de transformación](data-transformations.md).
1. Si elige **Usar funciones de transformación**, debe usar el **generador de funciones de transformación** para seleccionar y modificar las filas que se incluyen en la previsión condicional. Todas las transformaciones se aplican en el orden en el que se especificaron. Las condiciones se aplican en el orden en que se especifican y se unen mediante una operación AND. La transformación se aplica solo cuando se cumplen todas las condiciones.
1. Si elige **Definir la previsión condicional con un conjunto de datos de reemplazo**, debe proporcionar un conjunto de datos de reemplazo que contenga solo las filas que desee cambiar para la previsión condicional.
1. Seleccione **Crear**.
------
#### [ SDK - Transformation Function ]
Mediante la [CreateWhatIfForecast](API_CreateWhatIfForecast.md) operación, proporcione un nombre único para WhatIfAnalysisName y proporcione su ARN de previsión. ForecastArn El siguiente ejemplo muestra un esquema para una transformación a “precio” cuando “ubicación\$1tienda” no es “tacoma”.
```
{
"WhatIfAnalysisArn": "arn:aws:forecast:us-west-2:666488130463:what-if-analysis/jan2020forecast/PromotionAnalysis_01G8MB3PZM89J9V1VEXCC0BS63",
"WhatIfForecastName": "unique_name",
"TimeSeriesTransformations": [
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 0.85
},
"TimeSeriesConditions": [
{
"AttributeName": "store_location",
"AttributeValue": "tacoma",
"Condition": "NOT_EQUALS"
}
]
}
]
}
```
En este ejemplo, `jan2020forecast` es la previsión de referencia y `PromotionAnalysis_01G8MB3PZM89J9V1VEXCC0BS63` es el nombre del análisis condicional.
También puede especificar un conjunto de datos de reemplazo con la operación [TimeSeriesReplacementsDataSource](API_TimeSeriesReplacementsDataSource.md).
------
#### [ SDK - Replacement Dataset ]
Mediante la [CreateWhatIfForecast](API_CreateWhatIfForecast.md) operación, proporcione un nombre único para WhatIfAnalysisName y proporcione su ARN de previsión. ForecastArn En el siguiente ejemplo se muestra un esquema para un origen de datos de reemplazo.
```
{
"WhatIfAnalysisArn": "arn:aws:forecast:us-west-2:666488130463:what-if-analysis/jan2020forecast/PromotionAnalysis_01G8MB3PZM89J9V1VEXCC0BS63",
"WhatIfForecastName": "unique_name",
"TimeSeriesReplacementsDataSource": {
"S3config": {
"Path" : "s3://bucket-name/replacementDatasource.csv",
"RoleArn": "arn:aws:iam::acct-id:role/Role"
},
"Schema": {
Attributes" : [
{
"AttributeName": "item_id",
"AttributeType": "string"
},
{
"AttributeName": "timestamp",
"AttributeType": "timestamp"
},
{
"AttributeName": "price",
"AttributeType": "float"
},
{
"AttributeName": "stock_count",
"AttributeType": "integer"
},
]
}
}
}
```
También puede especificar cambios en la serie temporal relacionada con la operación [TimeSeriesTransformation](API_TimeSeriesTransformation.md).
------
### Comparar sus previsiones condicionales
Para comparar las previsiones condicionales, lleve a cabo los siguientes pasos en la consola de Forecast:
1. En la pestaña **Análisis condicional** de la página Información, elija el análisis condicional que le interese.
1. En la sección **Comparar previsiones condicionales**, especifique el artículo que se va a analizar, uno o más **previsiones condicionales** y al menos un **tipo de previsión**.
![\[Interface for comparing what-if forecasts with baseline forecast, showing input fields and graph.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/compareWhatIfForecasts.png)
En este ejemplo, hay dos previsiones condicionales, `priceCut10pct` y `priceIncrease20pct`, que se comparan en los tipos de previsión `p50`, `p10` y `p90` para `item_105`. El gráfico le permite ver cómo se comparan estas previsiones con la serie temporal de referencia.
1. Pase el ratón sobre el gráfico para ver cómo se comparan las previsiones condicionales con la previsión de referencia.
### Exportar sus previsiones condicionales
Puede exportar una previsión condicional mediante la consola de Forecast o el kit de desarrollo de software (SDK) de Forecast.
------
#### [ Console ]
Para exportar las previsiones condicionales, lleve a cabo estos pasos:
1. En la pestaña **Análisis condicional** de la página Información, elija el análisis condicional que le interese.
1. En la sección **Exportación de previsión condicional**, seleccione **Crear exportación**.
1. En la página Crear exportación de previsión condicional, proporcione un **nombre de exportación de previsión condicional** único, especifique las **previsiones condicionales** que desea incluir, elija una **Ubicación de exportación** y proporcione el **rol de IAM.**
1. Elija **Crear exportación**.
------
#### [ SDK ]
Mediante la operación [CreateWhatIfForecastExport](API_CreateWhatIfForecastExport.md), configure el “destino” para que apunte al bucket de Amazon S3 que contendrá la exportación. Especifique qué previsiones condicionales desea exportar y proporcione un nombre único para la exportación.
```
{
"WhatIfForecastArns": [ "arn:aws:forecast:region:acctNumber:what-if-forecast/id1" , "arn:aws:forecast:region:acctNumber:what-if-forecast/id2" ],
"WhatIfForecastExportName": "unique_export_name",
"Destination": {
"S3Config": {
"Path": "s3://bucket/example-path",
"RoleArn": "arn:aws:iam::000000000000:role/ExampleRole"
}
},
}
```
------
### Consultar sus previsiones condicionales
Puede consultar una previsión condicional mediante la operación [QueryWhatIfForecast](API_forecastquery_QueryWhatIfForecast.md). De forma predeterminada, se devuelve el intervalo completo de la previsión. Puede solicitar un intervalo de fechas específico en la previsión completa.
Cuando consulte una previsión condicional, debe especificar los criterios de filtrado. Un filtro es un par de clave/valor. La claves es uno de los nombre de atributo del esquema (incluidas las dimensiones de previsión) de uno de los conjuntos de datos utilizados para crear la previsión. El valor es un valor válido de la clave especificada. Puede especificar varios pares de clave/valor. La previsión condicional devuelta solo incluirá artículos que cumplan con todos los criterios.
Por ejemplo, use este código para obtener la previsión condicional `product_42`.
```
{
"Filters": {
"item_id" : "product_42"
},
"WhatIfForecastArn": "arn:aws:forecast:region:acctNumber:what-if-forecast/id1"
}
```
# Funciones de transformación
Una función de transformación es un conjunto de operaciones que seleccionan y modifican las filas de una serie temporal relacionada. Seleccione las filas que desee con una operación de condición. A continuación, modifique las filas con una operación de transformación. Todas las condiciones se unen con una operación AND, lo que significa que todas las condiciones deben cumplirse para que se aplique la transformación. Las transformaciones se aplican en el orden en el que se enumeran.
Al crear una previsión condicional, utilice el **generador de funciones de transformación** para especificar las condiciones y transformaciones que desee aplicar. La siguiente imagen ilustra esta funcionalidad.
![\[Transformation function builder interface with options to modify price and stock count.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/transformationFunctionsMod.png)
En la sección resaltada, la columna `price` se multiplica por 0,90 (es decir, un 10 % de descuento) en la tienda `tacoma` (es decir, Tacoma, Washington) para los artículos coloreados `blue`. Para ello, Amazon Forecast crea primero un subconjunto de las series temporales relacionadas de referencia para que contenga solo las filas de `store` que sean iguales a `tacoma`.
Ese subconjunto se reduce aún más para incluir solo las filas de `color` que sean iguales a `blue`. Por último, todos los valores de la columna `price` se multiplican por 0,90 para crear una nueva serie temporal relacionada que se utilizará en la previsión condicional.
Amazon Forecast admite las siguientes condiciones:
+ `EQUALS`: el valor de la columna es el mismo que el valor que se proporcionó en la condición.
+ `NOT_EQUALS`: el valor de la columna no es el mismo que el valor que se proporcionó en la condición.
+ `LESS_THAN`: el valor de la columna es menor que el valor que se proporcionó en la condición.
+ `GREATER_THAN`: el valor de la columna es mayor que el valor que se proporcionó en la condición.
Amazon Forecast admite las siguientes acciones:
+ `ADD`: suma el valor proporcionado a todas las filas de la columna.
+ `SUBTRACT`: resta el valor proporcionado a todas las filas de la columna.
+ `MULTIPLY`: multiplica todas las filas de la columna por el valor proporcionado.
+ `DIVIDE`: divide todas las filas de la columna por el valor proporcionado.
A continuación se muestran ejemplos de cómo puede especificar una transformación de serie temporal utilizando el SDK.
------
#### [ Example 1 ]
En este ejemplo, se aplica un descuento del 10 % a todos los artículos de la tienda de Seattle. Tenga en cuenta que “Ciudad” es una dimensión de previsión.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 0.90
},
"TimeSeriesConditions": [
{
"AttributeName": "city",
"AttributeValue": "seattle",
"Condition": "EQUALS"
}
]
}
]
```
------
#### [ Example 2 ]
En este ejemplo, se aplica un descuento del 10 % en todos los artículos de la categoría “electrónica”. Tenga en cuenta que “categoría\$1producto” es un metadato de un artículo.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 0.90
},
"TimeSeriesConditions": [
{
"AttributeName": "product_category",
"AttributeValue": "electronics",
"Condition": "EQUALS"
}
]
}
]
```
------
#### [ Example 3 ]
En este ejemplo, se aplica un margen de beneficio del 20% al item\$1id K específico. BOA21314
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 1.20
},
"TimeSeriesConditions": [
{
"AttributeName": "item_id",
"AttributeValue": "BOA21314K",
"Condition": "EQUALS"
}
]
}
]
```
------
#### [ Example 4 ]
En este ejemplo, se añade 1 USD dólar a todos los artículos de las tiendas de Seattle y 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 ]
En este ejemplo, se resta 1 USD de todos los artículos de Seattle del mes de septiembre de 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 ]
En este ejemplo, primero se multiplica el precio por 10 y, a continuación, se restan 5 USD del precio. Tenga en cuenta que las acciones se aplican en el orden en que se declaran.
```
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 ]
En este ejemplo se crea un conjunto vacío, por lo que la acción no se aplica a ninguna serie temporal. Este código intenta modificar el precio de todos los artículos de las tiendas de Seattle y Bellevue. Como las condiciones se unen a la operación AND y una tienda solo puede existir en una ciudad, el resultado es un conjunto vacío. Por lo tanto, la acción no se aplica.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 10.0
},
"TimeSeriesConditions": [
{
"AttributeName": "city",
"AttributeValue": "seattle",
"Condition": "EQUALS"
},
{
"AttributeName": "city",
"AttributeValue": "bellevue",
"Condition": "EQUALS"
},
]
}
]
```
Para ver un ejemplo práctico de cómo aplicar una condición a varios atributos, consulte el ejemplo 4.
------
#### [ Example 8 ]
Las condiciones de transformación que utilizan una marca temporal se aplican a los datos alineados con los límites, no a los datos sin procesar. Por ejemplo, ingresa sus datos cada hora y realiza una previsión diaria. En este caso, Forecast alinea las marcas temporales con el día, por lo que `2020-12-31 01:00:00` se alinea con `2020-12-31 00:00:00`. Este código creará un conjunto vacío porque no especifica la marca temporal en la marca temporal alineada con los límites.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 10.0
},
"TimeSeriesConditions": [
{
"AttributeName": "timestamp",
"AttributeValue": "2020-12-31 01:00:00",
"Condition": "EQUALS"
},
]
}
]
```
------
# 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\$1id | marca de tiempo | precio | recuento\$1existencias |
| --- | --- | --- | --- |
| artículo\$11 | 01/08/2022 | 100 | 50 |
| artículo\$11 | 2022-08-02 | 100 | 50 |
| artículo\$11 | 2022-08-03 | 100 | 50 |
| artículo\$12 | 2022-08-01 | 75 | 500 |
| artículo\$12 | 2022-08-02 | 75 | 500 |
| artículo\$12 | 2022-08-03 | 75 | 500 |
------
#### [ Unchanged values ]
Para aplicar un descuento del 10 % en el artículo\$11 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\$1id | marca de tiempo | precio |
| --- | --- | --- |
| artículo\$11 | 2022-08-02 | 90 |
| artículo\$11 | 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\$1id | marca de tiempo | precio | recuento\$1existencias |
| --- | --- | --- | --- |
| artículo\$11 | 2022-08-02 | 90 | 50 |
| artículo\$11 | 2022-08-03 | 90 | 50 |
**Conjunto de datos de reemplazo con filas sin cambios**
| item\$1id | marca de tiempo | precio |
| --- | --- | --- |
| artículo\$11 | 2022-08-01 | 100 |
| artículo\$11 | 2022-08-02 | 90 |
| artículo\$11 | 2022-08-03 | 90 |
| artículo\$12 | 2022-08-01 | 75 |
| artículo\$12 | 2022-08-02 | 75 |
| artículo\$12 | 2022-08-03 | 75 |
**Conjunto de datos de reemplazo con filas y columnas sin cambios**
| item\$1id | marca de tiempo | precio | recuento\$1existencias |
| --- | --- | --- | --- |
| artículo\$11 | 2022-08-01 | 100 | 50 |
| artículo\$11 | 2022-08-02 | 90 | 50 |
| artículo\$11 | 2022-08-03 | 90 | 50 |
| artículo\$12 | 2022-08-01 | 75 | 500 |
| artículo\$12 | 2022-08-02 | 75 | 500 |
| artículo\$12 | 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\$11 para el 2 de agosto de 2022 y el 3 de agosto de 2022 y aumenta las existencias del artículo\$12 el 1 de agosto de 2022. Este conjunto de datos de reemplazo es suficiente:
**Conjunto de datos de reemplazo con valores que faltan**
| item\$1id | marca de tiempo | precio | recuento\$1existencias |
| --- |--- |--- |--- |
| artículo\$11 | 2022-08-02 | 90 | |
| --- |--- |--- |--- |
| artículo\$11 | 2022-08-03 | 90 | |
| --- |--- |--- |--- |
| artículo\$12 | 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\$1id | marca de tiempo | precio | recuento\$1existencias |
| --- |--- |--- |--- |
| artículo\$11 | 2022-08-01 | 100 | 50 |
| artículo\$11 | 2022-08-02 | 100 | 50 |
| artículo\$11 | 2022-08-03 | 100 | 50 |
| artículo\$12 | 2022-08-01 | 75 | 500 |
| artículo\$12 | 2022-08-02 | 75 | 500 |
| artículo\$12 | 2022-08-03 | 75 | 500 |
| artículo\$13 | 2022-08-01 | 50 | 125 |
| --- |--- |--- |--- |
| artículo\$13 | 2022-08-02 | 50 | 125 |
| --- |--- |--- |--- |
| artículo\$13 | 2022-08-03 | 50 | 125 |
| --- |--- |--- |--- |
Las filas que contienen el artículo\$13 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\$1id | marca de tiempo | precio | recuento\$1existencias |
| --- |--- |--- |--- |
| artículo\$11 | 2022-07-31 | 100 | 50 |
| --- |--- |--- |--- |
| artículo\$11 | 2022-08-01 | 100 | 50 |
| artículo\$11 | 2022-08-02 | 100 | 50 |
| artículo\$11 | 2022-08-03 | 100 | 50 |
| artículo\$11 | 2022-08-04 | 100 | 50 |
| --- |--- |--- |--- |
| artículo\$12 | 2022-07-31 | 75 | 500 |
| --- |--- |--- |--- |
| artículo\$12 | 2022-08-01 | 75 | 500 |
| artículo\$12 | 2022-08-02 | 75 | 500 |
| artículo\$12 | 2022-08-03 | 75 | 500 |
| artículo\$13 | 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\$1id | id\$1tienda | marca de tiempo | precio | recuento\$1existencias |
| --- | --- | --- | --- | --- |
| artículo\$11 | tienda\$11 | 2022-08-01 | 100 | 50 |
| artículo\$11 | tienda\$11 | 2022-08-02 | 100 | 50 |
| artículo\$11 | tienda\$11 | 2022-08-03 | 100 | 50 |
| artículo\$11 | tienda\$12 | 2022-08-01 | 75 | 500 |
| artículo\$11 | tienda\$12 | 2022-08-02 | 75 | 500 |
| artículo\$11 | tienda\$12 | 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\$1id | id\$1tienda | marca de tiempo | precio |
| --- | --- | --- | --- |
| artículo\$11 | tienda\$11 | 2022-08-02 | 90 |
| artículo\$11 | tienda\$12 | 2022-08-02 | 67,5 |