Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Entités de données
Le tableau suivant répertorie les entités de données et les colonnes utilisées par Demand Planning.
Comment lire le tableau :
-
Obligatoire — Les colonnes de cette entité de données sont obligatoires pour exécuter une prévision de la demande sans aucune défaillance.
-
Obligatoire conditionnel : les colonnes de cette entité de données sont obligatoires en fonction des configurations définies dans les paramètres du plan de demande.
-
Recommandé pour la qualité des prévisions — Les colonnes de cette entité de données sont obligatoires pour garantir la qualité des prévisions.
-
Facultatif — Le nom de colonne est facultatif. Pour une sortie de fonctionnalités améliorée, il est recommandé d'ajouter le nom de colonne avec des valeurs.
outbound_order_line (obligatoire)
Comment cette entité de données est-elle utilisée ? La planification de la demande utilise ces données comme principale source de demande historique pour les prévisions. En outre, les champs sélectionnés en tant que granularité sont envoyés pour formation et sont disponibles sous forme de filtres pour examiner le plan de demande.
Colonne |
La colonne est-elle obligatoire ? |
Comment cette colonne est-elle utilisée dans Forecasting ? |
|---|---|---|
id |
Obligatoire |
id, cust_order_id et product_id sont utilisés pour identifier de manière unique un enregistrement dans l'entité de données et cette combinaison doit toujours être unique. Assurez-vous que les valeurs des colonnes ne comportent pas de caractères non valides tels qu'un astérisque ou des guillemets. |
ID de commande personnalisé |
Obligatoire |
|
product_id |
Obligatoire |
|
date_commande |
Obligatoire |
Nécessaire pour la création des prévisions. Identifie la période de prévision des séries chronologiques. |
quantité_finale demandée |
Obligatoire |
Nécessaire pour la création des prévisions. Identifie la quantité utilisée pour les prévisions de séries chronologiques. Cette colonne ne doit pas contenir de valeurs nulles et doit être numérique. Assurez-vous qu'il n'y a pas de virgule dans les valeurs. Par exemple, 500000,00 est une valeur acceptée dans Demand Planning. |
ship_from_site_id |
Nécessaire sous certaines conditions |
Cette colonne est conditionnellement requise pour la création des prévisions si elle est sélectionnée pour la dimension des prévisions (hiérarchie du site). Cette colonne doit avoir une valeur et est utilisée pour le filtrage et l'analyse des données. |
ID d'expédition vers le site |
Nécessaire sous certaines conditions |
|
identifiant_canal |
Nécessaire sous certaines conditions |
Cette colonne est conditionnellement requise pour la création de prévisions si la colonne est sélectionnée pour la dimension de prévision (hiérarchie des canaux). Cette colonne doit avoir une valeur et est utilisée pour le filtrage et l'analyse des données. |
customer_tpartner_id |
Nécessaire sous certaines conditions |
Cette colonne est conditionnellement requise pour la création des prévisions si la colonne est sélectionnée pour la dimension des prévisions (hiérarchie des clients). Cette colonne doit avoir une valeur et est utilisée pour le filtrage et l'analyse des données. |
adresse_du_navire_de_site_ville |
Nécessaire sous certaines conditions |
Cette colonne est conditionnellement requise pour la création des prévisions si elle est sélectionnée pour la dimension des prévisions (hiérarchie du site). Cette colonne doit avoir une valeur et est utilisée pour le filtrage et l'analyse des données. |
adresse_état_de_expédition vers le site |
Nécessaire sous certaines conditions |
|
Adresse_de_livre_de_site_pays/adresse |
Nécessaire sous certaines conditions |
|
status |
Recommandé pour la qualité des prévisions |
Cette colonne est recommandée pour la qualité des prévisions. Les commandes dont le statut est annulé ne sont pas considérées comme des prévisions. |
produit (obligatoire)
Comment cette entité de données est-elle utilisée ?
La planification de la demande utilise les attributs du produit pour établir des filtres hiérarchiques destinés à la révision du plan de demande et à la formation des modèles.
Colonne |
La colonne est-elle obligatoire ? |
Comment cette colonne est-elle utilisée dans Forecasting ? |
|---|---|---|
id |
Obligatoire |
Nécessaire pour l'ingestion de données dans le lac de données de la chaîne d'approvisionnement (SCDL). Assurez-vous que les valeurs des colonnes ne comportent pas d'identificateurs dupliqués ni de caractères spéciaux tels qu'un astérisque ou des guillemets. |
description |
Obligatoire |
Nécessaire pour l'ingestion de données dans le lac de données de la chaîne d'approvisionnement (SCDL). Cette colonne peut contenir des caractères spéciaux tels qu'un astérisque, un trait d'union, des guillemets et des guillemets doubles. |
identifiant_produit_parent |
Nécessaire sous certaines conditions |
Cette colonne est conditionnellement requise pour la création des prévisions si elle est sélectionnée pour les dimensions des prévisions (hiérarchie des produits). Assurez-vous que la colonne contient des valeurs et qu'elle est utilisée pour le filtrage et l'analyse des données ainsi que pour l'entraînement des modèles. |
ID du groupe_produit |
Nécessaire sous certaines conditions |
|
type_produit |
Nécessaire sous certaines conditions |
|
nom_marque |
Nécessaire sous certaines conditions |
|
color |
Nécessaire sous certaines conditions |
|
display_desc |
Nécessaire sous certaines conditions |
|
jour de disponibilité du produit |
Recommandé pour la qualité des prévisions |
Recommandé La valeur de cette colonne améliore la qualité des prévisions en permettant au modèle de prévision de prendre en compte le calendrier des lancements de nouveaux produits. |
jour_arrêt |
Recommandé pour la qualité des prévisions |
Recommandé La valeur de cette colonne améliore la qualité des prévisions en permettant au modèle de prévision de prendre en compte le calendrier des mises hors service des produits. |
base UOM |
Recommandé pour la qualité des prévisions |
Unité de mesure du produit. La valeur par défaut est Eaches. |
is_deleted |
Recommandé pour la qualité des prévisions |
Recommandé Entrez Y si l'identifiant du produit doit être exclu des prévisions. |
pkg_height |
Recommandé pour la qualité des prévisions |
Recommandé Caractéristiques physiques du produit que les modèles de prévision peuvent comprendre. |
longueur du fichier |
Recommandé pour la qualité des prévisions |
|
largeur du fichier |
Recommandé pour la qualité des prévisions |
|
dimension d'expédition |
Recommandé pour la qualité des prévisions |
|
taille du coffret |
Recommandé pour la qualité des prévisions |
product_alternate (recommandé pour la qualité des prévisions)
Comment cette entité de données est-elle utilisée ?
La planification de la demande utilise les données des prédécesseurs ou des produits alternatifs pour créer des prévisions pour les nouveaux produits. Lorsque des données sont ingérées dans l'entité de données product_alternate, la prise en charge du lignage de produits pour les prévisions est activée. Vous pouvez ignorer l'ingestion de données dans l'entité de données product_alternate et les prévisions peuvent toujours être générées.
Colonne |
La colonne est-elle obligatoire ? |
Comment cette colonne est-elle utilisée dans Forecasting ? |
|---|---|---|
identifiant_produit_alternatif |
Obligatoire |
Nécessaire pour l'ingestion de données dans le lac de données de la chaîne d'approvisionnement (SCDL). Identifiant d'enregistrement unique. |
product_id |
Obligatoire |
Nécessaire pour l'ingestion de données dans le lac de données de la chaîne d'approvisionnement (SCDL). ID du nouveau produit ou de la nouvelle version du produit. Assurez-vous que product_id est renseigné dans l'entité de données du produit. |
product_alternate_id |
Obligatoire |
Nécessaire pour l'ingestion de données dans le SCDL. Identifiant d'un produit similaire ou d'une version précédente du produit. Pour considérer plusieurs produits similaires comme un seul product_id, entrez les produits dans des lignes distinctes. Assurez-vous que product_alternate_id est renseigné dans l'entité de données du produit. |
type_alternatif |
Obligatoire |
Nécessaire pour appliquer la supercession ou la lignée du produit. Utilisez la valeur statique similar_demand_product dans toutes les lignes. |
quantité de produit alternative |
Obligatoire |
Nécessaire pour appliquer la supercession ou la lignée du produit. Entrez la proportion de l'historique de l'alternate_product_id que vous souhaitez utiliser pour prévoir le product_id. Par exemple, s'il s'agit de 60 %, entrez 60. Lorsque vous avez plusieurs alternative_product_id pour un seul product_id, il n'est pas nécessaire que la somme de la valeur du produit alternate_product_qty soit égale à 100. |
Qty_produit_alternative |
Obligatoire |
Nécessaire pour appliquer la supercession ou la lignée du produit. Utilisez la valeur statique spécifique « pourcentage ». |
eff_start_date |
Obligatoire |
Nécessaire pour l'ingestion de données dans le SCDL. Entrez l'heure de début pour prendre en compte l'historique d'un produit similaire. Assurez-vous que cette date est égale ou antérieure à eff_end_date ou vous pouvez laisser ce champ vide et Demand Planning remplira automatiquement l'année avec 1000. |
eff_end_date |
Obligatoire |
Nécessaire pour l'ingestion de données dans le SCDL. Entrez le délai de fin à prendre en compte dans l'historique d'un produit similaire. Assurez-vous que cette date est identique ou ultérieure à la date eff_start_date. |
status |
Recommandé pour la qualité des prévisions |
Recommandé Entrez Inactif pour ignorer la supercession du produit ou le mappage de la lignée. |
supplementary_time_series (recommandé pour la qualité des prévisions)
Comment cette entité de données est-elle utilisée ? Demand Planning utilise ces données comme source principale pour étiqueter les facteurs occasionnels tels que les événements promotionnels, les remises, les vacances, etc.
Colonne |
La colonne est-elle obligatoire ? |
Comment cette colonne est-elle utilisée dans Forecasting ? |
|---|---|---|
id |
Obligatoire |
Nécessaire pour l'ingestion de données dans le lac de données de la chaîne d'approvisionnement (SCDL). Identifiant d'enregistrement unique. |
date_commande |
Obligatoire |
Nécessaire pour l'ingestion de données dans le lac de données de la chaîne d'approvisionnement (SCDL). Horodatage de l'enregistrement de la série chronologique. |
nom_série chronologique |
Obligatoire |
Nécessaire pour l'ingestion de données dans le lac de données de la chaîne d'approvisionnement (SCDL). Nom du type spécifique de série chronologique. La colonne time_series_name doit commencer par une lettre, comporter de 2 à 56 caractères et peut contenir des lettres, des chiffres et des traits de soulignement. Aucun autre caractère spécial n’est autorisé. |
valeur_série temporelle |
Obligatoire |
Nécessaire pour l'ingestion de données dans le SCDL. Valeur correspondant à la série chronologique spécifique. La planification de la demande ne prend en charge que la saisie numérique et les séries chronologiques avec une valeur catégorielle ne sont pas prises en compte. |
product_id |
Facultatif |
Recommandé Identifiant unique pour un produit spécifique. Utilisez cette colonne si le moteur de demande est disponible au niveau du produit. |
identifiant_site |
Facultatif |
Recommandé Identifiant unique pour un site ou un emplacement spécifique. Utilisez cette colonne si le moteur de demande est disponible au niveau du site. Cette colonne peut représenter ship_from_site_id ou ship_to_site_id en fonction de la configuration hiérarchique du site de niveau le plus bas. |
identifiant_canal |
Facultatif |
Recommandé Identifiant unique pour une chaîne spécifique. Utilisez cette colonne si le moteur de demande est disponible au niveau du canal. |
customer_tpartner_id |
Facultatif |
Recommandé Identifiant unique pour un client spécifique. Utilisez cette colonne si le facteur de demande est disponible au niveau du client. |
Séries chronologiques supplémentaires historiques et futures : comprendre les covariables dans les prévisions
Une prévision précise de la demande nécessite de comprendre non seulement les modèles de ventes historiques, mais aussi les facteurs externes qui influencent les variations de la demande. Les données de séries chronologiques supplémentaires (STS), également appelées covariables, capturent ces facteurs de demande tels que les promotions, les prix, les vacances et les niveaux de stocks, permettant aux modèles de prévision de distinguer les modèles explicables du bruit aléatoire et de prévoir l'impact des actions commerciales futures sur la demande. Cependant, il existe une distinction essentielle entre les covariables qui ne sont connues qu'historiquement (comme les niveaux de stocks antérieurs ou les actions des concurrents) et celles connues à l'avance (comme les promotions planifiées ou les jours fériés programmés), et il est essentiel de comprendre cette différence pour établir des prévisions précises qui soutiennent les décisions de planification proactives.
En matière de prévision de la demande, il est essentiel de faire la distinction entre les covariables passées et les covariables connues (également appelées covariables futures). Il est essentiel de comprendre cette différence pour créer des modèles de prévision précis.
Covariables passées (données STS historiques)
Les covariables passées sont des valeurs de séries chronologiques supplémentaires qui ne sont connues que pour les périodes historiques. Ces variables sont observées parallèlement à votre demande historique mais ne peuvent pas être prédites ou connues à l'avance pour les périodes futures.
Exemples de covariables passées :
-
Disponibilité historique des stocks : vous savez quels étaient les niveaux de stock par le passé, mais la disponibilité future dépend de la demande, du réapprovisionnement et d'autres facteurs incertains
-
Prix réels des concurrents : les données historiques sur les prix des concurrents sont observables, mais les actions futures des concurrents sont inconnues
-
Conditions météorologiques : les conditions météorologiques passées sont enregistrées, mais les conditions météorologiques futures (au-delà des prévisions à court terme) sont incertaines
-
Trafic du site Web : les modèles de trafic historiques sont connus, mais le trafic futur dépend de nombreux facteurs imprévisibles
Utilisation dans les modèles de prévision : les covariables passées aident le modèle à apprendre les relations et les modèles historiques. Par exemple, si la haute disponibilité des stocks est historiquement corrélée à une augmentation des ventes (en raison d'une meilleure visibilité des produits ou d'une meilleure rapidité d'expédition), le modèle apprend cette relation. Toutefois, étant donné que ces valeurs ne sont pas connues pour les périodes futures, le modèle doit établir des prévisions sans elles ou émettre des hypothèses quant à leurs valeurs futures.
Covariables connues (futures données STS)
Les covariables connues sont des valeurs de séries chronologiques supplémentaires qui sont connues ou peuvent être déterminées à l'avance pour les périodes futures. Ce sont les données les plus précieuses pour les prévisions, car elles fournissent des informations concrètes sur les conditions futures.
Exemples de covariables connues :
-
Réductions promotionnelles planifiées : votre équipe marketing a déjà planifié des campagnes promotionnelles avec des niveaux de réduction spécifiques pour les dates futures
-
Changements de l'indice des prix : les ajustements de prix prévus sont déterminés à l'avance en fonction de votre stratégie de prix
-
Indicateurs de vacances : les événements basés sur le calendrier (jours fériés, saisons de shopping, exercices fiscaux) sont connus des années à l'avance
-
Dépenses marketing prévues : les allocations budgétaires et les calendriers des campagnes sont prédéterminés
-
Opening/Closing Événements en magasin : les plans d'expansion ou de consolidation sont connus à l'avance
Utilisation dans les modèles de prévision : les covariables connues améliorent considérablement la précision des prévisions car le modèle peut intégrer les conditions futures réelles plutôt que des hypothèses. Par exemple, si vous savez qu'une promotion de 25 % est prévue pour le mois prochain, le modèle peut prévoir l'augmentation de la demande attendue sur la base des modèles historiques de réponse aux remises.
Stratégie de mise en œuvre pratique
Pour les périodes historiques (données d'entraînement) : incluez à la fois les covariables passées et les covariables connues dans vos données de séries chronologiques supplémentaires. Cela permet au modèle d'apprendre les relations entre tous les moteurs de demande disponibles. Votre jeu de données doit contenir les valeurs observées réelles pour tous les types de séries chronologiques jusqu'à la date actuelle.
Pour les périodes futures (horizon de prévision) : incluez uniquement les covariables connues dans vos données de séries chronologiques supplémentaires. Il s'agit des facteurs de demande que vous pouvez définir en toute confiance pour les dates futures. Par exemple :
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
Ces futures données indiquent au modèle qu'une réduction de 20 % est prévue pour le 1er février et qu'une promotion de 30 % pour la Saint-Valentin est prévue pour le 14 février.
Applications pratiques
-
Planification promotionnelle : suivez les pourcentages de remises au fil du temps pour comprendre comment l'intensité des promotions affecte la demande. Cela permet d'identifier les niveaux de réduction optimaux et de prévoir l'augmentation de la demande liée aux futures promotions.
-
Analyse de l'élasticité des prix : surveillez les mouvements de l'indice des prix pour quantifier l'influence des variations de prix sur le comportement d'achat des clients sur différents produits, sites et canaux.
-
Modélisation des contraintes d'inventaire : capturez les niveaux de disponibilité des stocks pour identifier les cas où les ruptures de stock ou les faibles stocks limitent les ventes, en veillant à ce que les prévisions tiennent compte des limites d'approvisionnement plutôt que des véritables signaux de demande.
Avantages de la planification de la demande
En incorporant des données de séries chronologiques supplémentaires, votre système de planification de la demande peut :
-
Améliorez la précision des prévisions : tenez compte des facteurs de demande connus plutôt que de les traiter comme des variances inexpliquées
-
Activez la planification de scénarios : modélisez des scénarios hypothétiques en ajustant les valeurs futures des facteurs de demande
-
Identifier les relations causales : comprendre quels facteurs ont le plus d'impact sur la demande pour différents produits et marchés
-
Soutenir les décisions stratégiques : fournir des informations basées sur les données pour les stratégies de tarification, de promotion et d'inventaire
