Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Entitas Data
<a name="plans-data-entities"></a>

Tabel berikut mencantumkan entitas data dan kolom yang digunakan oleh Perencanaan Permintaan.

## Cara membaca tabel:
<a name="data-entities-how-to-read"></a>
+ **Wajib** - Kolom dalam entitas data ini wajib untuk mengeksekusi perkiraan permintaan tanpa kegagalan.
+ **Diperlukan secara kondisional** - Kolom dalam entitas data ini diperlukan tergantung pada konfigurasi yang ditetapkan di bawah pengaturan rencana permintaan.
+ **Direkomendasikan untuk kualitas perkiraan** — Kolom dalam entitas data ini diperlukan untuk kualitas perkiraan.
+ **Opsional** - Nama kolom adalah opsional. Untuk output fitur yang disempurnakan, disarankan untuk menambahkan nama kolom dengan nilai.

## outbound\_order\_line (wajib)
<a name="data-entities-outbound-order-line"></a>

**Bagaimana entitas data ini digunakan?** Perencanaan Permintaan menggunakan data ini sebagai sumber utama permintaan historis untuk perkiraan. Selain itu, bidang yang dipilih sebagai perincian dikirim untuk pelatihan dan tersedia sebagai filter untuk meninjau rencana permintaan.


**kolom outbound\_order\_line**  

| Kolom | Apakah kolom diperlukan? | Bagaimana kolom ini digunakan dalam Peramalan? | 
| --- | --- | --- | 
| id | Diperlukan | id, cust\_order\_id, dan product\_id digunakan untuk mengidentifikasi catatan secara unik dalam entitas data dan kombinasi ini harus selalu unik. Pastikan nilai kolom tidak memiliki karakter yang tidak valid seperti tanda bintang dan tanda kutip ganda. | 
| cust\_order\_id | Diperlukan |  | 
| product\_id | Diperlukan |  | 
| pesanan\_tanggal | Diperlukan | Diperlukan untuk pembuatan ramalan. Mengidentifikasi periode untuk peramalan deret waktu. | 
| final\_quantity\_request | Diperlukan | Diperlukan untuk pembuatan ramalan. Mengidentifikasi kuantitas yang digunakan untuk peramalan deret waktu. Kolom ini tidak boleh mengandung nilai nol dan harus numerik. Pastikan tidak ada koma dalam nilai. Misalnya, 500000,00 adalah nilai yang diterima dalam Perencanaan Permintaan. | 
| ship\_from\_site\_id | Diperlukan secara kondisional | Kolom ini diperlukan secara kondisional untuk pembuatan perkiraan jika kolom dipilih untuk dimensi perkiraan (Hierarki Situs). Kolom ini harus memiliki nilai dan digunakan untuk penyaringan dan analisis data. | 
| ship\_to\_site\_id | Diperlukan secara kondisional |  | 
| channel\_id | Diperlukan secara kondisional | Kolom ini diperlukan secara kondisional untuk pembuatan perkiraan jika kolom dipilih untuk dimensi perkiraan (Hierarki Saluran). Kolom ini harus memiliki nilai dan digunakan untuk penyaringan dan analisis data. | 
| customer\_tpartner\_id | Diperlukan secara kondisional | Kolom ini diperlukan secara kondisional untuk pembuatan perkiraan jika kolom dipilih untuk dimensi perkiraan (Hierarki Pelanggan). Kolom ini harus memiliki nilai dan digunakan untuk penyaringan dan analisis data. | 
| ship\_to\_site\_address\_city | Diperlukan secara kondisional | Kolom ini diperlukan secara kondisional untuk pembuatan perkiraan jika kolom dipilih untuk dimensi perkiraan (Hierarki Situs). Kolom ini harus memiliki nilai dan digunakan untuk penyaringan dan analisis data. | 
| ship\_to\_site\_address\_state | Diperlukan secara kondisional |  | 
| ship\_to\_site\_address\_country | Diperlukan secara kondisional |  | 
| status | Direkomendasikan untuk kualitas perkiraan | Kolom ini direkomendasikan untuk kualitas perkiraan. Pesanan dengan status dibatalkan tidak dianggap sebagai masukan perkiraan. | 

## produk (wajib)
<a name="data-entities-product"></a>

**Bagaimana entitas data ini digunakan?**

Perencanaan Permintaan menggunakan atribut produk untuk membuat filter hierarki untuk tinjauan rencana permintaan dan untuk pelatihan model.


**kolom produk**  

| Kolom | Apakah kolom diperlukan? | Bagaimana kolom ini digunakan dalam Peramalan? | 
| --- | --- | --- | 
| id | Diperlukan | Diperlukan untuk penyerapan data ke dalam Supply Chain Data Lake (SCDL). Pastikan nilai kolom tidak memiliki ID duplikat dan karakter khusus seperti asterix dan tanda kutip ganda. | 
| deskripsi | Diperlukan | Diperlukan untuk penyerapan data ke dalam Supply Chain Data Lake (SCDL). Kolom ini dapat berisi karakter khusus seperti asterix, tanda hubung, tanda kutip, dan tanda kutip ganda. | 
| parent\_product\_id | Diperlukan secara kondisional | Kolom ini diperlukan secara kondisional untuk pembuatan perkiraan jika kolom dipilih untuk dimensi perkiraan (Hierarki Produk). Pastikan kolom memiliki nilai dan digunakan untuk penyaringan dan analisis data dan pelatihan model. | 
| product\_group\_id | Diperlukan secara kondisional |  | 
| product\_type | Diperlukan secara kondisional |  | 
| brand\_name | Diperlukan secara kondisional |  | 
| warna | Diperlukan secara kondisional |  | 
| display\_desc | Diperlukan secara kondisional |  | 
| product\_available\_day | Direkomendasikan untuk kualitas perkiraan | Direkomendasikan. Nilai dalam kolom ini meningkatkan kualitas perkiraan dengan memungkinkan model peramalan untuk mempertimbangkan waktu pengenalan produk baru. | 
| discontinue\_day | Direkomendasikan untuk kualitas perkiraan | Direkomendasikan. Nilai dalam kolom ini meningkatkan kualitas perkiraan dengan memungkinkan model peramalan untuk mempertimbangkan waktu untuk pensiun produk. | 
| base\_uom | Direkomendasikan untuk kualitas perkiraan | Satuan ukuran untuk produk. Defaultnya adalah Eaches. | 
| is\_dihapus | Direkomendasikan untuk kualitas perkiraan | Direkomendasikan. Masukkan Y jika ID produk harus dikecualikan dari peramalan. | 
| pkg\_height | Direkomendasikan untuk kualitas perkiraan | Direkomendasikan. Karakteristik fisik produk yang dapat dipahami oleh model peramalan. | 
| pkg\_length | Direkomendasikan untuk kualitas perkiraan |  | 
| pkg\_width | Direkomendasikan untuk kualitas perkiraan |  | 
| shipping\_dimension | Direkomendasikan untuk kualitas perkiraan |  | 
| casepack\_size | Direkomendasikan untuk kualitas perkiraan |  | 

## product\_alternate (direkomendasikan untuk kualitas perkiraan)
<a name="data-entities-product-alternate"></a>

**Bagaimana entitas data ini digunakan?**

Perencanaan Permintaan menggunakan data pendahulu produk atau alternatif (s) untuk membuat perkiraan untuk produk baru. Saat data dicerna ke dalam entitas data *product\_alternate*, dukungan garis keturunan Produk untuk perkiraan diaktifkan. Anda dapat melewatkan pengambilan data ke dalam entitas data *product\_alternate* dan perkiraan masih dapat dibuat.


**kolom product\_alternate**  

| Kolom | Apakah kolom diperlukan? | Bagaimana kolom ini digunakan dalam Peramalan? | 
| --- | --- | --- | 
| alternatif\_product\_id | Diperlukan | Diperlukan untuk penyerapan data ke dalam Supply Chain Data Lake (SCDL). Pengidentifikasi catatan unik. | 
| product\_id | Diperlukan | Diperlukan untuk penyerapan data ke dalam Supply Chain Data Lake (SCDL). ID produk baru atau versi baru produk. *Pastikan *product\_id* diisi dalam entitas data produk.* | 
| product\_alternate\_id | Diperlukan | Diperlukan untuk konsumsi data ke SCDL. Pengidentifikasi untuk produk serupa atau versi produk sebelumnya. Untuk mempertimbangkan beberapa produk serupa sebagai *product\_id* tunggal, masukkan produk dalam baris terpisah. *Pastikan *product\_alternate\_id* diisi dalam entitas data produk.* | 
| alternate\_type | Diperlukan | Diperlukan untuk menerapkan supercession produk atau garis keturunan. Gunakan nilai statis *similar\_demand\_product* di semua baris. | 
| alternate\_product\_qty | Diperlukan | Diperlukan untuk menerapkan supercession produk atau garis keturunan. *Masukkan proporsi riwayat *alternate\_product\_id yang ingin Anda gunakan untuk memperkirakan product\_id*.* Misalnya, jika 60%, masukkan 60. *Ketika Anda memiliki beberapa *alternative\_product\_id untuk satu product\_id*, *alternate\_product\_qty tidak harus menambahkan* hingga 100.* | 
| alternate\_product\_qty\_uom | Diperlukan | Diperlukan untuk menerapkan supercession produk atau garis keturunan. Gunakan nilai statis tertentu “persentase”. | 
| eff\_start\_date | Diperlukan | Diperlukan untuk konsumsi data ke SCDL. Masukkan jangka waktu mulai untuk mempertimbangkan riwayat produk serupa. Pastikan tanggal ini aktif atau sebelum *eff\_end\_date* atau Anda dapat membiarkan bidang ini kosong dan Perencanaan Permintaan akan otomatis mengisi tahun dengan 1000. | 
| eff\_end\_date | Diperlukan | Diperlukan untuk konsumsi data ke SCDL. Masukkan jangka waktu akhir untuk dipertimbangkan dalam sejarah produk serupa. Pastikan tanggal ini aktif atau setelah *eff\_start\_date*. | 
| status | Direkomendasikan untuk kualitas perkiraan | Direkomendasikan. Masukkan *Tidak Aktif* untuk mengabaikan supercession produk atau pemetaan garis keturunan. | 

## supplementary\_time\_series (direkomendasikan untuk kualitas perkiraan)
<a name="data-entities-supplementary-time-series"></a>

**Bagaimana entitas data ini digunakan?** Perencanaan Permintaan menggunakan data ini sebagai sumber utama untuk menandai faktor kasual seperti acara promosi, diskon, liburan, dan sebagainya.


**kolom supplementary\_time\_series**  

| Kolom | Apakah kolom diperlukan? | Bagaimana kolom ini digunakan dalam Peramalan? | 
| --- | --- | --- | 
| id | Diperlukan | Diperlukan untuk penyerapan data ke dalam Supply Chain Data Lake (SCDL). Pengidentifikasi catatan unik. | 
| pesanan\_tanggal | Diperlukan | Diperlukan untuk penyerapan data ke dalam Supply Chain Data Lake (SCDL). Stempel waktu saat timeseries direkam. | 
| time\_series\_name | Diperlukan | Diperlukan untuk penyerapan data ke dalam Supply Chain Data Lake (SCDL). Nama jenis deret waktu tertentu. Kolom *time\_series\_name* harus dimulai dengan huruf, panjangnya 2 hingga 56 karakter, dan dapat berisi huruf, angka, dan garis bawah. Tidak ada karakter khusus lainnya yang diizinkan. | 
| time\_series\_value | Diperlukan | Diperlukan untuk konsumsi data ke SCDL. Nilai yang sesuai dengan deret waktu tertentu. Perencanaan Permintaan hanya mendukung input numerik dan deret waktu dengan nilai kategoris tidak dipertimbangkan. | 
| product\_id | Opsional | Direkomendasikan. Pengidentifikasi unik untuk produk tertentu. Gunakan kolom ini jika driver permintaan tersedia di tingkat produk. | 
| site\_id | Opsional | Direkomendasikan. Pengidentifikasi unik untuk situs atau lokasi tertentu. Gunakan kolom ini jika driver permintaan tersedia di tingkat situs. Kolom ini dapat mewakili *ship\_from\_site\_id atau *ship\_to\_site\_id** berdasarkan konfigurasi hierarki situs tingkat terendah. | 
| channel\_id | Opsional | Direkomendasikan. Pengidentifikasi unik untuk saluran tertentu. Gunakan kolom ini jika driver permintaan tersedia di tingkat saluran. | 
| customer\_tpartner\_id | Opsional | Direkomendasikan. Pengidentifikasi unik untuk pelanggan tertentu. Gunakan kolom ini jika driver permintaan tersedia di tingkat pelanggan. | 

## Seri Waktu Tambahan Historis vs Masa Depan: Memahami Kovariat dalam Peramalan
<a name="data-entities-covariates"></a>

Peramalan permintaan yang akurat membutuhkan pemahaman tidak hanya pola penjualan historis, tetapi faktor eksternal yang mendorong perubahan permintaan. Data Supplementary Time Series (STS) — juga disebut kovariat — menangkap pendorong permintaan ini seperti promosi, harga, liburan, dan tingkat inventaris, memungkinkan model peramalan untuk membedakan pola yang dapat dijelaskan dari kebisingan acak dan memprediksi bagaimana tindakan bisnis masa depan akan memengaruhi permintaan. Namun, ada perbedaan kritis antara kovariat yang hanya diketahui secara historis (seperti tingkat inventaris masa lalu atau tindakan pesaing) versus yang diketahui sebelumnya (seperti promosi yang direncanakan atau liburan terjadwal), dan memahami perbedaan ini sangat penting untuk membangun perkiraan akurat yang mendukung keputusan perencanaan proaktif.

Perbedaan kritis dalam peramalan permintaan adalah antara kovariat **masa lalu dan kovariat** yang **diketahui (juga disebut kovariat** future). Memahami perbedaan ini sangat penting untuk membangun model peramalan yang akurat.

### Kovariat Masa Lalu (Data STS Historis)
<a name="data-entities-past-covariates"></a>

Kovariat masa lalu adalah nilai deret waktu tambahan yang hanya diketahui untuk periode historis. Variabel-variabel ini diamati bersamaan dengan permintaan historis Anda tetapi tidak dapat diprediksi atau diketahui sebelumnya untuk periode masa depan.

**Contoh Kovariat Masa Lalu:**
+ **Ketersediaan Persediaan Historis**: Anda tahu tingkat inventaris apa di masa lalu, tetapi ketersediaan masa depan tergantung pada permintaan, pengisian, dan faktor tidak pasti lainnya
+ **Harga Pesaing Aktual**: Data harga pesaing historis dapat diamati, tetapi tindakan pesaing masa depan tidak diketahui
+ **Kondisi Cuaca**: Cuaca masa lalu dicatat, tetapi cuaca masa depan (di luar perkiraan jangka pendek) tidak pasti
+ **Lalu Lintas Situs Web**: Pola lalu lintas historis diketahui, tetapi lalu lintas future tergantung pada banyak faktor yang tidak dapat diprediksi

**Gunakan dalam Model Peramalan:** Kovariat masa lalu membantu model mempelajari hubungan dan pola historis. Misalnya, jika ketersediaan persediaan yang tinggi secara historis berkorelasi dengan penjualan yang lebih tinggi (karena visibilitas produk atau kecepatan pemenuhan yang lebih baik), model mempelajari hubungan ini. Namun, karena nilai-nilai ini tidak diketahui untuk periode masa depan, model harus meramalkan tanpa mereka atau membuat asumsi tentang nilai-nilai masa depan mereka.

### Kovariat yang Dikenal (Data STS Masa Depan)
<a name="data-entities-known-covariates"></a>

Kovariat yang diketahui adalah nilai deret waktu tambahan yang diketahui atau dapat ditentukan sebelumnya untuk periode masa depan. Ini adalah masukan yang paling berharga untuk peramalan karena mereka memberikan informasi konkret tentang kondisi masa depan.

**Contoh Kovariat yang Dikenal:**
+ **Diskon Promosi Terencana**: Tim pemasaran Anda telah menjadwalkan kampanye promosi dengan tingkat diskon khusus untuk tanggal mendatang
+ **Perubahan Indeks Harga**: Penyesuaian harga yang direncanakan ditentukan sebelumnya berdasarkan strategi penetapan harga Anda
+ **Indikator Liburan**: Acara berbasis kalender (liburan, musim belanja, periode fiskal) diketahui bertahun-tahun sebelumnya
+ **Pengeluaran Pemasaran Terencana**: Alokasi anggaran dan jadwal kampanye telah ditentukan sebelumnya
+ ** Opening/Closing Acara Toko**: Rencana ekspansi atau konsolidasi diketahui sebelumnya

**Gunakan dalam Model Peramalan:** Kovariat yang dikenal secara dramatis meningkatkan akurasi perkiraan karena model dapat menggabungkan kondisi masa depan yang sebenarnya daripada asumsi. Misalnya, jika Anda tahu promosi diskon 25% direncanakan untuk bulan depan, model dapat memprediksi kenaikan permintaan yang diharapkan berdasarkan pola respons diskon historis.

### Strategi Implementasi Praktis
<a name="data-entities-implementation-strategy"></a>

**Untuk Periode Historis (Data Pelatihan):** Sertakan kovariat masa lalu dan kovariat yang diketahui dalam data deret waktu tambahan Anda. Hal ini memungkinkan model untuk mempelajari hubungan dari semua driver permintaan yang tersedia. Dataset Anda harus berisi nilai pengamatan aktual untuk semua jenis deret waktu hingga tanggal saat ini.

**Untuk Periode Masa Depan (Forecasting Horizon):** Hanya sertakan kovariat yang diketahui dalam data deret waktu tambahan Anda. Ini adalah driver permintaan yang dapat Anda tentukan dengan percaya diri untuk tanggal masa depan. Contoh:

```
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
```

Data future ini memberi tahu model bahwa diskon 20% direncanakan untuk 1 Februari dan promosi Hari Valentine 30% dijadwalkan pada 14 Februari.

## Aplikasi Praktis
<a name="data-entities-practical-applications"></a>
+ **Perencanaan Promosi**: Lacak persentase diskon dari waktu ke waktu untuk memahami bagaimana intensitas promosi memengaruhi permintaan. Ini membantu mengidentifikasi tingkat diskon yang optimal dan memprediksi peningkatan permintaan dari promosi masa depan.
+ **Analisis Elastisitas Harga**: Memantau pergerakan indeks harga untuk mengukur bagaimana perubahan harga mempengaruhi perilaku pembelian pelanggan di berbagai produk, lokasi, dan saluran.
+ **Pemodelan Kendala** Persediaan: Tangkap tingkat ketersediaan inventaris untuk mengidentifikasi kapan stok atau penjualan terbatas persediaan rendah, memastikan perkiraan memperhitungkan batasan pasokan daripada sinyal permintaan yang sebenarnya.

## Manfaat untuk Perencanaan Permintaan
<a name="data-entities-benefits"></a>

Dengan memasukkan data deret waktu tambahan, sistem Perencanaan Permintaan Anda dapat:
+ **Meningkatkan Akurasi Forecast**: Memperhitungkan driver permintaan yang diketahui daripada memperlakukannya sebagai varians yang tidak dapat dijelaskan
+ **Aktifkan Perencanaan Skenario**: Modelkan skenario “bagaimana jika” dengan menyesuaikan nilai future dari driver permintaan
+ **Identifikasi Hubungan Kausal**: Memahami faktor mana yang paling signifikan memengaruhi permintaan untuk produk dan pasar yang berbeda
+ **Mendukung Keputusan Strategis**: Memberikan wawasan berbasis data untuk strategi harga, promosi, dan inventaris