翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
データエンティティ
次の表に、Demand Planning で使用されるデータエンティティと列を示します。
表の読み方:
-
必須 – このデータエンティティの列は、障害なしで需要予測を実行するために必須です。
-
条件付きで必須 – このデータエンティティの列は、需要計画設定で設定された設定に応じて必要です。
-
予測品質に推奨 – このデータエンティティの列は、予測の品質に必要です。
-
オプション – 列名は省略可能です。機能の出力を向上するには、列名と値を追加することをお勧めします。
outbound_order_line (必須)
このデータエンティティはどのように使用されますか? Demand Planning は、このデータを予測の過去の需要の主なソースとして使用します。さらに、粒度として選択されたフィールドはトレーニング用に送信され、需要計画を確認するためのフィルターとして使用できます。
列 |
列は必須ですか? |
この列は予測でどのように使用されますか? |
|---|---|---|
id |
必須 |
id、cust_order_id、product_id は、データエンティティ内のレコードを一意に識別するために使用されます。この組み合わせは常に一意である必要があります。列の値にアスタリスクや二重引用符などの無効な文字が含まれていないことを確認します。 |
cust_order_id |
必須 |
|
product_id |
必須 |
|
order_date |
必須 |
予測の作成に必要です。時系列予測の期間を識別します。 |
final_quantity_requested |
必須 |
予測の作成に必要です。時系列予測に使用される数量を識別します。この列には null 値を含めず、数値にする必要があります。値にカンマがないことを確認します。たとえば、500000.00 は Demand Planning で受け入れられる値です。 |
ship_from_site_id |
条件付きで必要 |
この列は、予測ディメンション (サイト階層) に列が選択されている場合、予測の作成に条件付きで必要です。この列には値が必要で、データのフィルタリングと分析に使用されます。 |
ship_to_site_id |
条件付きで必要 |
|
channel_id |
条件付きで必要 |
この列は、予測ディメンション (チャネル階層) に列が選択されている場合、予測の作成に条件付きで必要です。この列には値が必要で、データのフィルタリングと分析に使用されます。 |
customer_tpartner_id |
条件付きで必要 |
この列は、予測ディメンション (顧客階層) に列が選択されている場合、予測の作成に条件付きで必要です。この列には値が必要で、データのフィルタリングと分析に使用されます。 |
ship_to_site_address_city |
条件付きで必要 |
この列は、予測ディメンション (サイト階層) に列が選択されている場合、予測の作成に条件付きで必要です。この列には値が必要で、データのフィルタリングと分析に使用されます。 |
ship_to_site_address_state |
条件付きで必要 |
|
ship_to_site_address_country |
条件付きで必要 |
|
ステータス |
予測品質に推奨 |
この列は、予測品質のために推奨されます。キャンセルされたステータスの注文は、予測入力とは見なされません。 |
製品 (必須)
このデータエンティティはどのように使用されますか?
Demand Planning は、製品属性を使用して、需要計画のレビューとモデルトレーニングのための階層フィルターを確立します。
列 |
列は必須ですか? |
この列は予測でどのように使用されますか? |
|---|---|---|
id |
必須 |
Supply Chain Data Lake (SCDL) へのデータ取り込みに必要です。列の値に重複IDs や、アスタリスや二重引用符などの特殊文字が含まれていないことを確認します。 |
説明 |
必須 |
Supply Chain Data Lake (SCDL) へのデータ取り込みに必要です。この列には、アスタリス、ハイフン、引用符、二重引用符などの特殊文字を含めることができます。 |
parent_product_id |
条件付きで必要 |
この列は、予測ディメンション (製品階層) で列が選択されている場合、予測の作成に条件付きで必要です。列に値があり、データとモデルトレーニングのフィルタリングと分析に使用されることを確認します。 |
product_group_id |
条件付きで必要 |
|
product_type |
条件付きで必要 |
|
brand_name |
条件付きで必要 |
|
color |
条件付きで必要 |
|
display_desc |
条件付きで必要 |
|
product_available_day |
予測品質に推奨 |
推奨。この列の値は、予測モデルが新製品の導入のタイミングを考慮できるようにすることで、予測品質を向上させます。 |
discontinue_day |
予測品質に推奨 |
推奨。この列の値は、予測モデルが製品廃止のタイミングを考慮できるようにすることで、予測品質を向上させます。 |
base_uom |
予測品質に推奨 |
製品の測定単位 デフォルトは Eaches。 |
is_deleted |
予測品質に推奨 |
推奨。製品 ID を予測から除外する場合は、Y と入力します。 |
pkg_height |
予測品質に推奨 |
推奨。予測モデルが理解できる製品の物理的特性。 |
pkg_length |
予測品質に推奨 |
|
pkg_width |
予測品質に推奨 |
|
shipping_dimension |
予測品質に推奨 |
|
casepack_size |
予測品質に推奨 |
product_alternate (予測品質に推奨)
このデータエンティティはどのように使用されますか?
Demand Planning は、製品の前身 (複数可) または代替 (複数可) のデータを使用して、新製品の予測を作成します。データが product_alternate データエンティティに取り込まれると、予測での製品系列サポートが有効になります。product_alternate データエンティティへのデータの取り込みをスキップしても、予想は引き続き生成できます。
列 |
列は必須ですか? |
この列は予測でどのように使用されますか? |
|---|---|---|
alternative_product_id |
必須 |
Supply Chain Data Lake (SCDL) へのデータ取り込みに必要です。一意のレコード識別子。 |
product_id |
必須 |
Supply Chain Data Lake (SCDL) へのデータ取り込みに必要です。新製品または製品の新しいバージョンの ID。product_id が製品データエンティティに入力されていることを確認します。 |
product_alternate_id |
必須 |
SCDL へのデータ取り込みに必要です。類似製品または以前のバージョンの製品の識別子。複数の類似製品を単一の product_id と見なすには、製品を別々の行に入力します。product_alternate_id が製品データエンティティに入力されていることを確認します。 |
alternate_type |
必須 |
製品の継承または系統を適用するために必要です。すべての行で静的値 similar_demand_product を使用します。 |
alternate_product_qty |
必須 |
製品の継承または系統を適用するために必要です。product_id の予測に使用する alternate_product_id の履歴の割合を入力します。例えば、60% の場合は 60 と入力する。単一の product_id に複数の alternative_product_id を指定する場合、 の合計が 100 となる必要はありません。 |
alternate_product_qty_uom |
必須 |
製品の継承または系統を適用するために必要です。特定の静的値「パーセント」を使用します。 |
eff_start_date |
必須 |
SCDL へのデータ取り込みに必要です。開始時間枠を入力して、類似製品の履歴を考慮します。この日付が eff_end_date 以前であることを確認するか、このフィールドを空のままにすると、Demand Planning は年を 1000 で自動入力します。 |
eff_end_date |
必須 |
SCDL へのデータ取り込みに必要です。類似製品の履歴で考慮する終了時間枠を入力します。この日付が eff_start_date 以降であることを確認します。 |
ステータス |
予測品質に推奨 |
推奨。Inactive と入力して、製品のスーパーセッションまたは系統マッピングを無視します。 |
supplementary_time_series (予測品質に推奨)
このデータエンティティはどのように使用されますか? Demand Planning は、このデータをプロモーションイベント、割引、祝日などの偶発的要因にタグ付けするための主要なソースとして使用します。
列 |
列は必須ですか? |
この列は予測でどのように使用されますか? |
|---|---|---|
id |
必須 |
Supply Chain Data Lake (SCDL) へのデータ取り込みに必要です。一意のレコード識別子。 |
order_date |
必須 |
Supply Chain Data Lake (SCDL) へのデータ取り込みに必要です。時系列が記録されたタイムスタンプ。 |
time_series_name |
必須 |
Supply Chain Data Lake (SCDL) へのデータ取り込みに必要です。特定のタイプの時系列の名前。time_series_name 列は文字で始まり、2～56 文字の長さで、文字、数字、アンダースコアを含めることができます。他の特殊文字は使用できません。 |
time_series_value |
必須 |
SCDL へのデータ取り込みに必要です。特定の時系列に対応する値。Demand Planning は数値入力のみをサポートし、カテゴリ値を持つ時系列は考慮されません。 |
product_id |
オプションです。 |
推奨。特定の製品の一意の識別子。需要ドライバーが製品レベルで利用可能な場合は、この列を使用します。 |
site_id |
オプションです。 |
推奨。特定のサイトまたは場所の一意の識別子。需要ドライバーがサイトレベルで利用可能な場合は、この列を使用します。この列は、最低レベルのサイト階層設定に基づいて ship_from_site_id または ship_to_site_id のいずれかを表すことができます。 |
channel_id |
オプションです。 |
推奨。特定のチャネルの一意の識別子。需要ドライバーがチャネルレベルで利用可能な場合は、この列を使用します。 |
customer_tpartner_id |
オプションです。 |
推奨。特定の顧客の一意の識別子。需要ドライバーが顧客レベルで利用可能な場合は、この列を使用します。 |
履歴と将来の補足時系列: 予測の共変量を理解する
需要を正確に予測するには、過去の販売パターンだけでなく、需要の変化を促進する外部要因を理解する必要があります。共変量とも呼ばれる補足時系列 (STS) データは、プロモーション、料金、祝日、在庫レベルなどの需要要因をキャプチャし、予測モデルが説明可能なパターンをランダムノイズと区別し、将来のビジネスアクションが需要にどのように影響するかを予測できるようにします。ただし、履歴的にのみ既知の共変量 (過去の在庫レベルや競合会社のアクションなど) と事前に既知の共変量 (計画されたプロモーションや予定された祝日など) には重要な違いがあり、この違いを理解することは、積極的な計画の決定をサポートする正確な予測を構築する上で不可欠です。
需要予測の重要な違いは、過去の共変量と既知の共変量 (将来の共変量とも呼ばれます) の区別です。この違いを理解することは、正確な予測モデルを構築する上で不可欠です。
過去の共変量 (履歴 STS データ)
過去の共変量は、過去の期間でのみ知られている補足的な時系列値です。これらの変数は、過去の需要とともに観察されますが、将来の期間に事前に予測または把握することはできません。
過去の共変量の例:
-
在庫の過去の可用性: 過去の在庫レベルはわかっていますが、将来の可用性は需要、補充、その他の不確実な要因によって異なります。
-
実際の競合相手の料金: 過去の競合相手の料金データは観測可能ですが、将来の競合相手のアクションは不明です
-
気象条件: 過去の天気は記録されますが、将来の天気 (短期予測を超える) は不確実です
-
ウェブサイトトラフィック: 過去のトラフィックパターンはわかっていますが、将来のトラフィックは多くの予測不可能な要因に依存します。
予測モデルで を使用する: 過去の共変量は、モデルが過去の関係とパターンを学習するのに役立ちます。例えば、高い在庫の可用性が (製品の可視性やフルフィルメント速度の向上により) 高い売上と相関していた場合、モデルはこの関係を学習します。ただし、これらの値は将来の期間について不明であるため、モデルはそれらの値なしで予測するか、将来の値について仮定する必要があります。
既知の共変量 (将来の STS データ)
既知の共変量は、既知の、または将来の期間に事前に決定できる補足的な時系列値です。これらは将来の状態に関する具体的な情報を提供するため、予測にとって最も貴重な入力です。
既知の共変量の例:
-
計画されたプロモーション割引: マーケティングチームが将来の日付に特定の割引レベルでプロモーションキャンペーンを既にスケジュールしている
-
料金インデックスの変更: 計画された料金調整は、料金戦略に基づいて事前に決定されます。
-
祝祭日インジケータ: カレンダーベースのイベント (祝日、ショッピングシーズン、会計期間) は、数年前から知られています。
-
計画されたマーケティング支出: 予算配分とキャンペーンスケジュールが事前に決定されている
-
ストアのオープン/クローズイベント: 拡張プランまたは統合プランが事前にわかっている
予測モデルで を使用する: 既知の共変量は、モデルに仮定ではなく実際の将来の条件を組み込むことができるため、予測精度を大幅に向上させます。たとえば、来月に 25% の割引プロモーションが予定されていることがわかっている場合、モデルは過去の割引対応パターンに基づいて予想される需要の増加を予測できます。
実践的な実装戦略
履歴期間 (トレーニングデータ): 補足時系列データに過去の共変量と既知の共変量の両方を含めます。これにより、モデルは利用可能なすべての需要要因から関係を学習できます。データセットには、現在の日付までのすべての時系列タイプの実際の観測値が含まれている必要があります。
将来の期間 (予測ホライズン): 補足時系列データには既知の共変量のみを含めます。これらは、将来の日付に自信を持って指定できる需要要因です。例えば、次のようになります。
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
この将来のデータは、2 月 1 日に 20% の割引が予定され、2 月 14 日に 30% のバレンタインデープロモーションが予定されていることをモデルに伝えます。
実用的なアプリケーション
-
プロモーション計画: 時間の経過とともに割引率を追跡し、プロモーションの強度が需要にどのように影響するかを理解します。これにより、最適な割引レベルを特定し、将来のプロモーションからの需要の増加を予測することができます。
-
Price Elasticity Analysis: 価格インデックスの動きをモニタリングして、価格の変化がさまざまな製品、場所、チャネルにわたる顧客の購入行動にどのように影響するかを定量化します。
-
インベントリ制約モデリング: 在庫の可用性レベルをキャプチャして、在庫切れや在庫不足による制約のある売上を特定することで、予測が真の需要シグナルではなく供給制限を考慮できるようにします。
Demand Planning の利点
補足的な時系列データを組み込むことで、Demand Planning システムは以下を行うことができます。
-
予測精度の向上: 原因不明の差異として扱うのではなく、既知の需要要因を考慮する
-
シナリオ計画を有効にする: 需要要因の将来の値を調整して「What if」シナリオをモデル化する
-
因果関係を特定する: さまざまな製品や市場の需要に最も大きな影響を与える要因を理解する
-
戦略的意思決定のサポート: 料金、プロモーション、在庫戦略に関するデータ駆動型のインサイトを提供します。
