Amazon Forecast non è più disponibile per i nuovi clienti. I clienti esistenti di Amazon Forecast possono continuare a utilizzare il servizio normalmente. [Scopri di più»](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)
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.
# Analisi what-if
L'analisi what-if è uno strumento che aiuta a indagare e spiegare in che modo diversi scenari potrebbero influire sulla previsione di base creata da Amazon Forecast. La previsione di base è la previsione creata da Amazon Forecast in base alle serie temporali correlate originali fornite.
Un'analisi what-if crea una serie di previsioni ipotetiche basate su come hai scelto di modificare le serie temporali correlate. Queste previsioni ipotetiche vengono confrontate e confrontate con la previsione di base per aiutarvi a capire in che modo modifiche specifiche potrebbero influire sul modello.
Esistono due metodi per creare una serie temporale correlata modificata. Puoi fornire una serie temporale correlata modificata in un percorso Amazon S3 o specificare un set di trasformazioni alle serie temporali correlate esistenti. Quando si specifica un insieme di trasformazioni, viene creata una copia della serie temporale correlata originale per contenere queste modifiche.
Le trasformazioni consentono di creare un sottoinsieme delle serie temporali correlate e di modificare attributi specifici delle serie temporali correlate. Per ulteriori informazioni, consulta [Set di dati sostitutivo](replacement-series.md) e [Funzioni di trasformazione](data-transformations.md).
**Topics**
+ [Creazione di un'analisi what-if](#how-what-if-works)
+ [Funzioni di trasformazione](data-transformations.md)
+ [Set di dati sostitutivo](replacement-series.md)
## Creazione di un'analisi what-if
Un'analisi ipotetica analizza in che modo le modifiche alle serie temporali relative alla linea di base possono influire su una previsione. È possibile creare un'analisi ipotetica solo a partire da una previsione che utilizza un. AutoPredictor Dopo aver creato un'analisi ipotetica, si creano una o più previsioni ipotetiche. Confronta le previsioni ipotetiche e la previsione di base, quindi esporta una o più previsioni ipotetiche.
**Nota**
I dati devono essere in formato CSV (valori separati da virgole) per creare un'analisi what-if.
**Topics**
+ [Crea un'analisi what-if](#create-analysis)
+ [Crea una previsione ipotetica](#create-forecast)
+ [Confrontate le vostre previsioni ipotetiche](#compare-forecasts)
+ [Esporta le tue previsioni ipotetiche](#export-forecasts)
+ [Interroga le tue previsioni ipotetiche](#query-wi-forecasts)
### Crea un'analisi what-if
Puoi creare un'analisi what-if utilizzando la console Forecast o il Forecast Software Development Kit (SDK).
------
#### [ Console ]
Per creare un'analisi what-if, completa i seguenti passaggi:
1. Crea una previsione che viene addestrata utilizzando un. AutoPredictor
1. Apri la dashboard del gruppo di set di dati che contiene la previsione che ti interessa.
1. Scegli **Esplora l'analisi what-if**.
1. **Nella scheda **Analisi What-if** della pagina Insights, scegli Crea.**
1. Fornisci un nome univoco nel campo **Nome dell'analisi What-if** e scegli la previsione di base per questa analisi.
1. Nell'area di **selezione degli elementi**, selezionate se desiderate includere automaticamente tutti gli elementi nell'analisi o specificare gli elementi da includere in un file.
Se scegli **Seleziona elementi con file**, devi fornire un set di dati che contenga solo gli elementi che desideri modificare nelle previsioni ipotetiche. Per ulteriori informazioni, consulta [Specificare le serie temporali](forecast-explainability.md#forecast-explainability-time-series).
1. **Scegli Crea analisi what-if.** Un banner nella parte superiore della pagina What-if Analysis mostrerà lo stato del processo di creazione dell'analisi what-if.
------
#### [ SDK ]
Utilizzando l'[CreateWhatIfAnalysis](API_CreateWhatIfAnalysis.md)operazione, fornire un nome univoco WhatIfAnalysisName e fornire l'ARN di previsione della previsione di base per. ForecastArn L'esempio seguente mostra uno schema per le serie temporali utilizzando una combinazione di «item\$1id» e la dimensione «store\$1location». Per ulteriori informazioni, consulta [Specificare le serie temporali](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"
}
]
}
}
}
}
```
------
### Crea una previsione ipotetica
Puoi creare una previsione what-if utilizzando la console Forecast o il Forecast Software Development Kit (SDK).
------
#### [ Console ]
Per creare una previsione ipotetica, completa i seguenti passaggi:
1. Nella scheda **Analisi ipotetica** della pagina Insights, scegli l'analisi ipotetica che ti interessa.
1. **Nella sezione Previsione **What-if**, scegli Crea.**
1. Nella pagina Crea previsione ipotetica, fornisci un **nome univoco per la previsione What-If e scegli **Usa le funzioni di trasformazione** o Definisci la previsione what-if** **con un set di dati sostitutivo**. Per ulteriori informazioni, consulta [Set di dati sostitutivo](replacement-series.md) e [Funzioni di trasformazione](data-transformations.md).
1. Se scegli **Usa le funzioni di trasformazione**, devi utilizzare il **generatore di funzioni di trasformazione** per selezionare e modificare le righe incluse nella previsione what-if. Tutte le trasformazioni vengono applicate nell'ordine in cui sono state specificate. Le condizioni vengono applicate nell'ordine in cui sono specificate e vengono unite con un'operazione AND. La trasformazione viene applicata solo quando tutte le condizioni sono soddisfatte.
1. Se scegli **Definisci la previsione ipotetica con un set di dati sostitutivo, devi fornire un set** di dati sostitutivo che contenga solo le righe che desideri modificare per la previsione ipotetica.
1. Scegli **Create (Crea) **.
------
#### [ SDK - Transformation Function ]
Utilizzando l'[CreateWhatIfForecast](API_CreateWhatIfForecast.md)operazione, fornisci un nome univoco WhatIfAnalysisName e fornisci l'ARN di previsione per. ForecastArn L'esempio seguente mostra uno schema per una trasformazione in «price» quando «store\$1location» non è «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"
}
]
}
]
}
```
In questo esempio, `jan2020forecast` è la previsione di base ed `PromotionAnalysis_01G8MB3PZM89J9V1VEXCC0BS63` è il nome dell'analisi what-if.
È inoltre possibile specificare un set di dati sostitutivo con l'operazione. [TimeSeriesReplacementsDataSource](API_TimeSeriesReplacementsDataSource.md)
------
#### [ SDK - Replacement Dataset ]
Utilizzando l'[CreateWhatIfForecast](API_CreateWhatIfForecast.md)operazione, fornisci un nome univoco WhatIfAnalysisName e fornisci l'ARN di previsione per. ForecastArn L'esempio seguente mostra uno schema per un'origine dati sostitutiva.
```
{
"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"
},
]
}
}
}
```
È inoltre possibile specificare modifiche alle serie temporali correlate con l'[TimeSeriesTransformation](API_TimeSeriesTransformation.md)operazione.
------
### Confrontate le vostre previsioni ipotetiche
Per confrontare le previsioni what-if, completa i seguenti passaggi nella console Forecast:
1. Nella scheda **Analisi ipotetica** della pagina Insights, scegli l'analisi ipotetica che ti interessa.
1. **Nella sezione **Confronta previsioni what-if**, specifica l'elemento da analizzare, una o più **previsioni What-if** e almeno un tipo di Forecast.**
![\[Interface for comparing what-if forecasts with baseline forecast, showing input fields and graph.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/compareWhatIfForecasts.png)
In questo esempio, ci sono due previsioni what-if e, che vengono confrontate in base ai tipi di previsione`priceIncrease20pct`, `priceCut10pct` e per. `p50` `p10` `p90` `item_105` Il grafico consente di visualizzare il confronto tra queste previsioni e le serie temporali di base.
1. Passa il mouse sul grafico per verificare in che modo le previsioni ipotetiche si confrontano con la previsione di base.
### Esporta le tue previsioni ipotetiche
Puoi esportare una previsione what-if utilizzando la console Forecast o il Forecast Software Development Kit (SDK).
------
#### [ Console ]
Per esportare le previsioni what-if, completa i seguenti passaggi:
1. Nella scheda **Analisi ipotetica** della pagina Insights, scegli l'analisi ipotetica che ti interessa.
1. **Nella sezione Esportazione delle **previsioni What-if, scegli Crea esportazione**.**
1. ****Nella pagina di esportazione delle previsioni What-if, fornisci un **nome univoco per l'esportazione delle previsioni What-if, specifica le previsioni **What-if da includere, scegli una posizione** di esportazione** e fornisci il ruolo IAM.****
1. Scegli **Crea** esportazione.
------
#### [ SDK ]
Utilizzando l'[CreateWhatIfForecastExport](API_CreateWhatIfForecastExport.md)operazione, configura la «Destinazione» in modo che punti al bucket Amazon S3 che conterrà l'esportazione. Specificate quali previsioni ipotetiche esportare e fornite un nome univoco per l'esportazione.
```
{
"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"
}
},
}
```
------
### Interroga le tue previsioni ipotetiche
È possibile eseguire una query su una previsione ipotetica utilizzando l'operazione. [QueryWhatIfForecast](API_forecastquery_QueryWhatIfForecast.md) Per impostazione predefinita, viene restituito l'intervallo completo della previsione. Puoi richiedere un intervallo di date specifico all'interno della previsione completa.
Quando si esegue una query su una previsione ipotetica, è necessario specificare i criteri di filtro. Un filtro è una coppia chiave-valore. La chiave è uno dei nomi degli attributi dello schema (incluse le dimensioni della previsione) di uno dei set di dati utilizzati per creare la previsione. Il valore è un valore valido per la chiave specificata. Puoi specificare più coppie chiave-valore. La previsione what-if restituita conterrà solo gli elementi che soddisfano tutti i criteri.
Ad esempio, utilizzate questo codice per ottenere la previsione what-if per. `product_42`
```
{
"Filters": {
"item_id" : "product_42"
},
"WhatIfForecastArn": "arn:aws:forecast:region:acctNumber:what-if-forecast/id1"
}
```
# Funzioni di trasformazione
Una funzione di trasformazione è un insieme di operazioni che selezionano e modificano le righe in una serie temporale correlata. Le righe desiderate vengono selezionate con un'operazione di condizione. Quindi modificate le righe con un'operazione di trasformazione. Tutte le condizioni vengono unite con un'operazione AND, il che significa che tutte le condizioni devono essere vere affinché la trasformazione possa essere applicata. Le trasformazioni vengono applicate nell'ordine in cui sono elencate.
Quando create una previsione ipotetica, utilizzate il **generatore di funzioni di trasformazione** per specificare le condizioni e le trasformazioni da applicare. L'immagine seguente illustra questa funzionalità.
![\[Transformation function builder interface with options to modify price and stock count.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/transformationFunctionsMod.png)
Nella sezione evidenziata, la `price` colonna viene moltiplicata per 0,90 (ovvero uno sconto del 10%) presso il negozio di `tacoma` (ad esempio, Tacoma, Washington) per gli articoli colorati. `blue` A tale scopo, Amazon Forecast crea innanzitutto un sottoinsieme delle serie temporali relative alla baseline contenente solo le righe corrispondenti. `store` `tacoma`
Tale sottoinsieme viene ulteriormente ridotto per includere solo le righe uguali. `color` `blue` Infine, tutti i valori della `price` colonna vengono moltiplicati per 0,90 per creare una nuova serie temporale correlata da utilizzare nella previsione what-if.
Amazon Forecast supporta le seguenti condizioni:
+ `EQUALS`- Il valore nella colonna è lo stesso del valore fornito nella condizione.
+ `NOT_EQUALS`- Il valore nella colonna non è lo stesso del valore fornito nella condizione.
+ `LESS_THAN`- Il valore nella colonna è inferiore al valore fornito nella condizione.
+ `GREATER_THAN`- Il valore nella colonna è maggiore del valore fornito nella condizione.
Amazon Forecast supporta le seguenti azioni:
+ `ADD`- Aggiunge il valore fornito a tutte le righe della colonna.
+ `SUBTRACT`- Sottrae il valore fornito da tutte le righe della colonna.
+ `MULTIPLY`- Moltiplica tutte le righe della colonna per il valore fornito.
+ `DIVIDE`- Divide tutte le righe della colonna per il valore fornito.
Di seguito sono riportati alcuni esempi di come è possibile specificare una trasformazione di serie temporali utilizzando l'SDK.
------
#### [ Example 1 ]
Questo esempio applica uno sconto del 10% a tutti gli articoli nel negozio di Seattle. Tieni presente che «Città» è una dimensione di previsione.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 0.90
},
"TimeSeriesConditions": [
{
"AttributeName": "city",
"AttributeValue": "seattle",
"Condition": "EQUALS"
}
]
}
]
```
------
#### [ Example 2 ]
Questo esempio applica uno sconto del 10% su tutti gli articoli della categoria «elettronica». Nota che «product\$1category» è un metadato di un articolo.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 0.90
},
"TimeSeriesConditions": [
{
"AttributeName": "product_category",
"AttributeValue": "electronics",
"Condition": "EQUALS"
}
]
}
]
```
------
#### [ Example 3 ]
Questo esempio applica un markup del 20% sullo specifico item\$1id K. BOA21314
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 1.20
},
"TimeSeriesConditions": [
{
"AttributeName": "item_id",
"AttributeValue": "BOA21314K",
"Condition": "EQUALS"
}
]
}
]
```
------
#### [ Example 4 ]
Questo esempio aggiunge \$11 a tutti gli articoli nei negozi di Seattle e 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 ]
Questo esempio sottrae 1\$1 da tutti gli articoli presenti a Seattle nel mese di settembre 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 ]
In questo esempio, il prezzo viene prima moltiplicato per 10, quindi vengono sottratti 5 USD dal prezzo. Tieni presente che le azioni vengono applicate nell'ordine in cui sono dichiarate.
```
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 ]
Questo esempio crea un set vuoto, quindi l'azione non viene applicata a nessuna serie temporale. Questo codice cerca di modificare il prezzo di tutti gli articoli nei negozi di Seattle e Bellevue. Poiché le condizioni vengono unite all'operazione AND e un negozio può esistere in una sola città, i risultati sono un insieme vuoto. Pertanto, l'azione non viene applicata.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 10.0
},
"TimeSeriesConditions": [
{
"AttributeName": "city",
"AttributeValue": "seattle",
"Condition": "EQUALS"
},
{
"AttributeName": "city",
"AttributeValue": "bellevue",
"Condition": "EQUALS"
},
]
}
]
```
Per un esempio di come applicare una condizione a più attributi, vedi Esempio 4.
------
#### [ Example 8 ]
Le condizioni di trasformazione che utilizzano un timestamp si applicano ai dati allineati ai confini, non ai dati grezzi. Ad esempio, inserisci i dati ogni ora e le previsioni ogni giorno. In questo caso, Forecast allinea i timestamp al giorno, quindi `2020-12-31 01:00:00` viene allineato a. `2020-12-31 00:00:00` Questo codice creerà un set vuoto perché non specifica il timestamp in corrispondenza del timestamp allineato ai confini.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 10.0
},
"TimeSeriesConditions": [
{
"AttributeName": "timestamp",
"AttributeValue": "2020-12-31 01:00:00",
"Condition": "EQUALS"
},
]
}
]
```
------
# Set di dati sostitutivo
Un set di dati sostitutivo è una versione modificata della serie temporale relativa alla linea di base che contiene solo i valori che si desidera modificare in una previsione ipotetica. Il set di dati sostitutivo deve contenere le dimensioni della previsione, gli identificatori degli elementi e i timestamp delle serie temporali relative alla linea di base, nonché almeno una serie temporale modificata. Questo set di dati viene unito alla serie temporale relativa alla linea di base per creare un set di dati trasformato da utilizzare per la previsione ipotetica. Il set di dati sostitutivo deve essere in formato CSV.
Questo set di dati non deve contenere timestamp duplicati per la stessa serie temporale.
Di seguito sono riportati alcuni esempi di come è possibile specificare una serie temporale sostitutiva e di come tali specifiche vengono interpretate. Si consideri il caso in cui si effettuano previsioni giornaliere e l'orizzonte di previsione è compreso tra il 01/08/2022 e il 03/08/2022. Le serie temporali relative alla linea di base per tutti gli esempi sono riportate nella tabella seguente.
| id\$1articolo | timestamp | price | stock\$1count |
| --- | --- | --- | --- |
| articolo\$11 | 2022-08-01 | 100 | 50 |
| articolo\$11 | 2022-08-02 | 100 | 50 |
| articolo\$11 | 2022-08-03 | 100 | 50 |
| articolo\$12 | 2022-08-01 | 75 | 500 |
| articolo\$12 | 2022-08-02 | 75 | 500 |
| articolo\$12 | 2022-08-03 | 75 | 500 |
------
#### [ Unchanged values ]
Per applicare uno sconto del 10% su item\$11 per il 02/08/2022 e il 03/08/2022, è sufficiente specificare quanto segue per il set di dati sostitutivo:
**Set di dati sostitutivo**
| id\$1articolo | timestamp | price |
| --- | --- | --- |
| item\$11 | 2022-08-02 | 90 |
| articolo\$11 | 2022-08-03 | 90 |
Tuttavia, è valido anche specificare valori invariati nel set di dati sostitutivo. Se utilizzata come set di dati sostitutivi, ciascuna delle tre tabelle seguenti produrrà gli stessi risultati della tabella fornita in precedenza.
**Set di dati sostitutivo con una colonna invariata**
| id\$1articolo | timestamp | price | stock\$1count |
| --- | --- | --- | --- |
| articolo\$11 | 2022-08-02 | 90 | 50 |
| articolo\$11 | 2022-08-03 | 90 | 50 |
**Set di dati sostitutivo con righe invariate**
| id\$1articolo | timestamp | price |
| --- | --- | --- |
| item\$11 | 2022-08-01 | 100 |
| articolo\$11 | 2022-08-02 | 90 |
| articolo\$11 | 2022-08-03 | 90 |
| articolo\$12 | 2022-08-01 | 75 |
| articolo\$12 | 2022-08-02 | 75 |
| articolo\$12 | 2022-08-03 | 75 |
**Set di dati sostitutivo con righe e colonne invariate**
| id\$1articolo | timestamp | price | stock\$1count |
| --- | --- | --- | --- |
| articolo\$11 | 2022-08-01 | 100 | 50 |
| articolo\$11 | 2022-08-02 | 90 | 50 |
| articolo\$11 | 2022-08-03 | 90 | 50 |
| articolo\$12 | 2022-08-01 | 75 | 500 |
| articolo\$12 | 2022-08-02 | 75 | 500 |
| articolo\$12 | 2022-08-03 | 75 | 500 |
------
#### [ Missing values ]
I valori mancanti nelle serie temporali sostitutive vengono sostituiti con i valori delle serie temporali relative alla linea di base. Considera lo scenario in cui applichi uno sconto del 10% su item\$11 per il 2022-08-02 e il 2022-08-03 e aumenti lo stock di item\$12 il 01/08/2022. Questo set di dati sostitutivo è sufficiente:
**Set di dati sostitutivo con valori mancanti**
| id\$1articolo | timestamp | price | stock\$1count |
| --- |--- |--- |--- |
| articolo\$11 | 2022-08-02 | 90 | |
| --- |--- |--- |--- |
| articolo\$11 | 2022-08-03 | 90 | |
| --- |--- |--- |--- |
| articolo\$12 | 2022-08-01 | | 5000 |
| --- |--- |--- |--- |
I valori mancanti in questa tabella sono imputati dalle serie temporali relative alla linea di base.
------
#### [ Extraneous values ]
I valori estranei nelle serie temporali sostitutive vengono ignorati durante la creazione di una previsione ipotetica. In altre parole, i valori nel set di dati sostitutivo che non corrispondono ai valori delle serie temporali relative alla linea di base non vengono modellati. Considerate questo set di dati sostitutivo:
**Set di dati sostitutivo con valori estranei**
| id\$1articolo | timestamp | price | stock\$1count |
| --- |--- |--- |--- |
| articolo\$11 | 2022-08-01 | 100 | 50 |
| articolo\$11 | 2022-08-02 | 100 | 50 |
| articolo\$11 | 2022-08-03 | 100 | 50 |
| articolo\$12 | 2022-08-01 | 75 | 500 |
| articolo\$12 | 2022-08-02 | 75 | 500 |
| articolo\$12 | 2022-08-03 | 75 | 500 |
| articolo\$13 | 2022-08-01 | 50 | 125 |
| --- |--- |--- |--- |
| articolo\$13 | 2022-08-02 | 50 | 125 |
| --- |--- |--- |--- |
| articolo\$13 | 2022-08-03 | 50 | 125 |
| --- |--- |--- |--- |
Le righe contenenti item\$13 vengono ignorate e non fanno parte dell'analisi what-if.
------
#### [ Historical changes ]
Le modifiche nel set di dati sostitutivo che si trovano al di fuori dell'orizzonte di previsione vengono ignorate. Considerate questo set di dati sostitutivo:
**Set di dati sostitutivo con valori al di fuori dell'orizzonte di previsione**
| id\$1articolo | timestamp | price | stock\$1count |
| --- |--- |--- |--- |
| articolo\$11 | 2022-07-31 | 100 | 50 |
| --- |--- |--- |--- |
| articolo\$11 | 2022-08-01 | 100 | 50 |
| articolo\$11 | 2022-08-02 | 100 | 50 |
| articolo\$11 | 2022-08-03 | 100 | 50 |
| articolo\$11 | 2022-08-04 | 100 | 50 |
| --- |--- |--- |--- |
| articolo\$12 | 2022-07-31 | 75 | 500 |
| --- |--- |--- |--- |
| articolo\$12 | 2022-08-01 | 75 | 500 |
| articolo\$12 | 2022-08-02 | 75 | 500 |
| articolo\$12 | 2022-08-03 | 75 | 500 |
| articolo\$13 | 2022-08-04 | 75 | 500 |
| --- |--- |--- |--- |
Le righe contenenti 2022-07-31 e 2022-08-04 vengono ignorate e non fanno parte dell'analisi what-if.
------
## Dimensioni di Forecast
Se includi le dimensioni previsionali nel set di dati, devi includerle nel set di dati sostitutivo. Considerate questa serie temporale relativa alla linea di base:
| id\$1articolo | store\$1id | timestamp | price | stock\$1count |
| --- | --- | --- | --- | --- |
| articolo\$11 | negozio\$11 | 2022-08-01 | 100 | 50 |
| articolo\$11 | negozio\$11 | 2022-08-02 | 100 | 50 |
| articolo\$11 | negozio\$11 | 2022-08-03 | 100 | 50 |
| articolo\$11 | negozio\$12 | 2022-08-01 | 75 | 500 |
| articolo\$11 | negozio\$12 | 2022-08-02 | 75 | 500 |
| articolo\$11 | negozio\$12 | 2022-08-03 | 75 | 500 |
Pertanto, il set di dati sostitutivo per uno sconto del 10% in tutti i negozi il 02/08/2022 sarebbe il seguente:
| id\$1articolo | store\$1id | timestamp | price |
| --- | --- | --- | --- |
| articolo\$11 | negozio\$11 | 2022-08-02 | 90 |
| articolo\$11 | negozio\$12 | 2022-08-02 | 67,5 |