Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Modelli di domanda e raccomandazioni
<a name="demand-patterns-recommendations"></a>

Il sistema fornisce raccomandazioni mirate basate su modelli di domanda identificati per contribuire a migliorare l'accuratezza delle previsioni. Per i prodotti che presentano una domanda irregolare, caratterizzata da picchi irregolari del volume degli ordini, il sistema suggerisce di incorporare potenziali influenze esterne, come promozioni o variazioni di prezzo. In questi casi, puoi migliorare in modo significativo la precisione delle previsioni collaborando con l'amministratore dei dati per caricare i dati pertinenti che determinano la domanda nella tabella [https://docs.aws.amazon.com/aws-supply-chain/latest/userguide/demand_drivers.html](https://docs.aws.amazon.com/aws-supply-chain/latest/userguide/demand_drivers.html) Series del data lake. Questo contesto aggiuntivo aiuta i modelli di previsione a comprendere e prevedere meglio le fluttuazioni della domanda. 

Per i prodotti con una cronologia insufficiente (meno di 2 anni) o senza alcuna cronologia, il sistema consiglia di utilizzare una mappatura alternativa dei prodotti. Questo approccio consente di utilizzare i modelli di domanda di prodotti affermati simili per migliorare l'affidabilità delle previsioni. Collabora con l'amministratore dei dati per caricare queste relazioni tra prodotti nella tabella [https://docs.aws.amazon.com/aws-supply-chain/latest/userguide/product_lineage.html](https://docs.aws.amazon.com/aws-supply-chain/latest/userguide/product_lineage.html) nel data lake. Ciò è particolarmente importante perché un'accurata stagionalità e un rilevamento delle tendenze a lungo termine richiedono almeno 2 anni interi di dati storici. Effettuando la mappatura su prodotti alternativi con una cronologia sufficiente, è possibile stabilire una base di previsione più affidabile per i prodotti più recenti o con una storia limitata.