기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# 데이터 엔터티
<a name="plans-data-entities"></a>

다음 표에는 Demand Planning에서 사용하는 데이터 엔터티와 열이 나열되어 있습니다.

## 표를 읽는 방법:
<a name="data-entities-how-to-read"></a>
+ **필수** -이 데이터 엔터티의 열은 실패 없이 수요 예측을 실행하는 데 필수입니다.
+ **조건부 필수** - 수요 계획 설정에서 설정한 구성에 따라이 데이터 엔터티의 열이 필요합니다.
+ **예측 품질에 권장 **-이 데이터 엔터티의 열은 예측 품질에 필요합니다.
+ **선택 사항** - 열 이름이 선택 사항입니다. 향상된 기능 출력을 위해서는 값으로 열 이름을 추가하는 것이 좋습니다.

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

**이 데이터 엔터티는 어떻게 사용되나요?** Demand Planning은이 데이터를 예측에 대한 과거 수요의 기본 소스로 사용합니다. 또한 세분화로 선택된 필드는 훈련을 위해 전송되며 수요 계획을 검토하기 위한 필터로 사용할 수 있습니다.


**outbound\_order\_line 열**  

| 열 | 열이 필요합니까? | 이 열은 예측에 어떻게 사용되나요? | 
| --- | --- | --- | 
| id | 필수 | id, cust\_order\_id 및 product\_id는 데이터 엔터티의 레코드를 고유하게 식별하는 데 사용되며이 조합은 항상 고유해야 합니다. 열 값에 별표 및 큰따옴표와 같은 잘못된 문자가 없는지 확인합니다. | 
| cust\_order\_id | 필수 |  | 
| product\_id | 필수 |  | 
| order\_date | 필수 | 예측 생성에 필요합니다. 시계열 예측 기간을 식별합니다. | 
| final\_quantity\_requested | 필수 | 예측 생성에 필요합니다. 시계열 예측에 사용되는 수량을 식별합니다. 이 열에는 null 값이 포함되어서는 안 되며 숫자여야 합니다. 값에 쉼표가 없는지 확인합니다. 예를 들어 500000.00은 Demand Planning에서 허용되는 값입니다. | 
| ship\_from\_site\_id | 조건부 필수 | 이 열은 예측 차원(사이트 계층 구조)에 대해 열을 선택한 경우 예측 생성에 조건부로 필요합니다. 이 열에는 값이 있어야 하며 데이터 필터링 및 분석에 사용됩니다. | 
| ship\_to\_site\_id | 조건부 필수 |  | 
| channel\_id | 조건부 필수 | 이 열은 예측 차원(채널 계층 구조)에 대해 열을 선택한 경우 예측 생성에 조건부로 필요합니다. 이 열에는 값이 있어야 하며 데이터 필터링 및 분석에 사용됩니다. | 
| customer\_tpartner\_id | 조건부 필수 | 이 열은 예측 차원(고객 계층 구조)에 대해 열을 선택한 경우 예측 생성에 조건부로 필요합니다. 이 열에는 값이 있어야 하며 데이터 필터링 및 분석에 사용됩니다. | 
| ship\_to\_site\_address\_city | 조건부 필수 | 이 열은 예측 차원(사이트 계층 구조)에 대해 열을 선택한 경우 예측 생성에 조건부로 필요합니다. 이 열에는 값이 있어야 하며 데이터 필터링 및 분석에 사용됩니다. | 
| ship\_to\_site\_address\_state | 조건부 필수 |  | 
| ship\_to\_site\_address\_country | 조건부 필수 |  | 
| status | 예측 품질에 권장 | 이 열은 예측 품질에 권장됩니다. 취소된 상태의 주문은 예측 입력으로 간주되지 않습니다. | 

## 제품(필수)
<a name="data-entities-product"></a>

**이 데이터 엔터티는 어떻게 사용되나요?**

Demand Planning은 제품 속성을 사용하여 수요 계획 검토 및 모델 훈련을 위한 계층 필터를 설정합니다.


**제품 열**  

| 열 | 열이 필요합니까? | 이 열은 예측에 어떻게 사용되나요? | 
| --- | --- | --- | 
| id | 필수 | Supply Chain Data Lake(SCDL)로 데이터를 수집하는 데 필요합니다. 열 값에 중복 IDs와 소문자 및 큰따옴표와 같은 특수 문자가 없는지 확인합니다. | 
| description | 필수 | Supply Chain Data Lake(SCDL)로 데이터를 수집하는 데 필요합니다. 이 열에는 별표, 하이픈, 따옴표 및 큰따옴표와 같은 특수 문자가 포함될 수 있습니다. | 
| parent\_product\_id | 조건부 필수 | 이 열은 예측 차원(제품 계층 구조)에 대해 열을 선택한 경우 예측 생성에 조건부로 필요합니다. 열에 값이 있고 데이터 및 모델 훈련의 필터링 및 분석에 사용되는지 확인합니다. | 
| product\_group\_id | 조건부 필수 |  | 
| product\_type | 조건부 필수 |  | 
| brand\_name | 조건부 필수 |  | 
| color | 조건부 필수 |  | 
| display\_desc | 조건부 필수 |  | 
| product\_available\_day | 예측 품질에 권장 | 권장. 이 열의 값은 예측 모델이 신제품 도입 시기를 고려할 수 있도록 하여 예측 품질을 개선합니다. | 
| discontinue\_day | 예측 품질에 권장 | 권장. 이 열의 값은 예측 모델이 제품 사용 중지 시기를 고려할 수 있도록 하여 예측 품질을 개선합니다. | 
| base\_uom | 예측 품질에 권장 | 제품의 측정 단위입니다. 기본값은 한 단위 안에 있는 개별 상품입니다. | 
| is\_deleted | 예측 품질에 권장 | 권장. 제품 ID를 예측에서 제외해야 하는 경우 Y를 입력합니다. | 
| pkg\_height | 예측 품질에 권장 | 권장. 예측 모델이 이해할 수 있는 제품의 물리적 특성입니다. | 
| pkg\_length | 예측 품질에 권장 |  | 
| pkg\_width | 예측 품질에 권장 |  | 
| shipping\_dimension | 예측 품질에 권장 |  | 
| casepack\_size | 예측 품질에 권장 |  | 

## product\_alternate(예측 품질에 권장)
<a name="data-entities-product-alternate"></a>

**이 데이터 엔터티는 어떻게 사용되나요?**

Demand Planning은 제품 이전(들) 또는 대체(들)의 데이터를 사용하여 새 제품에 대한 예측을 생성합니다. 데이터가 *product\_alternate* 데이터 엔터티로 수집되면 예측에 대한 제품 계보 지원이 활성화됩니다. *product\_alternate* 데이터 엔터티로의 데이터 수집을 건너뛸 수 있으며 예측은 여전히 생성될 수 있습니다.


**product\_alternate 열**  

| 열 | 열이 필요합니까? | 이 열은 예측에 어떻게 사용되나요? | 
| --- | --- | --- | 
| alternative\_product\_id | 필수 | Supply Chain Data Lake(SCDL)로 데이터를 수집하는 데 필요합니다. 고유 레코드 식별자입니다. | 
| product\_id | 필수 | Supply Chain Data Lake(SCDL)로 데이터를 수집하는 데 필요합니다. 새 제품 또는 새 버전의 제품 ID입니다. *product\_id*가 *제품* 데이터 개체에 채워져 있는지 확인합니다. | 
| product\_alternate\_id | 필수 | SCDL로 데이터를 수집하는 데 필요합니다. 유사한 제품 또는 이전 버전의 제품에 대한 식별자입니다. 여러 유사한 제품을 단일 *product\_id*로 간주하려면 제품을 별도의 행에 입력합니다. *product\_alternate\_id*가 *제품* 데이터 개체에 채워져 있는지 확인합니다. | 
| alternate\_type | 필수 | 제품 중복 또는 계보를 적용하는 데 필요합니다. 모든 행에서 *similar\_demand\_product* 정적 값을 사용합니다. | 
| alternate\_product\_qty | 필수 | 제품 중복 또는 계보를 적용하는 데 필요합니다. product*\_id 예측에 사용할 alternate\_product**\_id*의 기록 비율을 입력합니다. 예를 들어 60%인 경우 60을 입력합니다. 단일 *product\_id*에 대해 여러 *alternative\_product\_id*가 있는 경우 *alternate\_product\_qty* 합계가 100이 될 필요는 없습니다. | 
| alternate\_product\_qty\_uom | 필수 | 제품 중복 또는 계보를 적용하는 데 필요합니다. 특정 정적 값 "percentage"를 사용합니다. | 
| eff\_start\_date | 필수 | SCDL로 데이터를 수집하는 데 필요합니다. 유사한 제품의 기록을 고려하려면 시작 기간을 입력합니다. 이 날짜가 *eff\_end\_date* 또는 그 이전인지 확인하거나이 필드를 비워 두면 Demand Planning이 연도를 1000으로 자동 채웁니다. | 
| eff\_end\_date | 필수 | SCDL로 데이터를 수집하는 데 필요합니다. 유사한 제품의 기록에서 고려할 종료 기간을 입력합니다. 이 날짜가 *eff\_start\_date* 또는 그 이후인지 확인합니다. | 
| status | 예측 품질에 권장 | 권장. *비활성*을 입력하여 제품 초과 또는 계보 매핑을 무시합니다. | 

## supplementary\_time\_series(예측 품질에 권장)
<a name="data-entities-supplementary-time-series"></a>

**이 데이터 엔터티는 어떻게 사용되나요?** Demand Planning은이 데이터를 프로모션 이벤트, 할인, 공휴일 등과 같은 일상적인 요인에 태그를 지정하는 기본 소스로 사용합니다.


**supplementary\_time\_series 열**  

| 열 | 열이 필요합니까? | 이 열은 예측에 어떻게 사용되나요? | 
| --- | --- | --- | 
| id | 필수 | SCDL( Supply Chain Data Lake)로 데이터를 수집하는 데 필요합니다. 고유 레코드 식별자입니다. | 
| order\_date | 필수 | SCDL( Supply Chain Data Lake)로 데이터를 수집하는 데 필요합니다. 시계열이 기록된 시점의 타임스탬프입니다. | 
| time\_series\_이름 | 필수 | SCDL( Supply Chain Data Lake)로 데이터를 수집하는 데 필요합니다. 특정 유형의 시계열 이름입니다. *time\_series\_name* 열은 문자로 시작해야 하고 2\~56자여야 하며 문자, 숫자 및 밑줄을 포함할 수 있습니다. 기타 특수 문자는 허용되지 않습니다. | 
| time\_series\_값 | 필수 | SCDL로 데이터를 수집하는 데 필요합니다. 특정 시계열에 해당하는 값입니다. Demand Planning은 숫자 입력만 지원하며 범주형 값이 있는 시계열은 고려되지 않습니다. | 
| product\_id | 선택 사항 | 권장. 특정 제품의 고유 식별자입니다. 제품 수준에서 수요 드라이버를 사용할 수 있는 경우이 열을 사용합니다. | 
| site\_id | 선택 사항 | 권장. 특정 사이트 또는 위치의 고유 식별자입니다. 사이트 수준에서 수요 드라이버를 사용할 수 있는 경우이 열을 사용합니다. 이 열은 가장 낮은 수준의 사이트 계층 구조 구성을 기반으로 *ship\_from\_site\_id* 또는 *ship\_to\_site\_id*를 나타낼 수 있습니다. | 
| channel\_id | 선택 사항 | 권장. 특정 채널의 고유 식별자입니다. 채널 수준에서 수요 드라이버를 사용할 수 있는 경우이 열을 사용합니다. | 
| customer\_tpartner\_id | 선택 사항 | 권장. 특정 고객의 고유 식별자입니다. 고객 수준에서 수요 드라이버를 사용할 수 있는 경우이 열을 사용합니다. | 

## 과거 및 향후 보조 시계열: 예측의 공변량 이해
<a name="data-entities-covariates"></a>

정확한 수요 예측을 위해서는 과거 판매 패턴뿐만 아니라 수요 변화를 주도하는 외부 요인을 이해해야 합니다. 공변량이라고도 하는 보조 시계열(STS) 데이터는 프로모션, 요금, 공휴일 및 인벤토리 수준과 같은 이러한 수요 동인을 캡처하여 예측 모델을 통해 설명 가능한 패턴을 무작위 노이즈와 구별하고 향후 비즈니스 조치가 수요에 미치는 영향을 예측할 수 있습니다. 그러나 과거에만 알려진 공변량(예: 과거 재고 수준 또는 경쟁자 조치)과 미리 알려진 공변량(예: 계획된 프로모션 또는 예정된 공휴일) 간에는 중요한 차이가 있으며, 이러한 차이를 이해하는 것은 사전 계획 결정을 지원하는 정확한 예측을 구축하는 데 필수적입니다.

수요 예측의 중요한 차이점은 **과거 공변량**과 **알려진 공변량**(향후 공변량이라고도 함) 간의 차이입니다. 이러한 차이를 이해하는 것은 정확한 예측 모델을 구축하는 데 필수적입니다.

### 과거 공변량(과거 STS 데이터)
<a name="data-entities-past-covariates"></a>

과거 공변량은 과거 기간에 대해서만 알려진 보조 시계열 값입니다. 이러한 변수는 과거 수요와 함께 관찰되지만 향후 기간에는 미리 예측하거나 알 수 없습니다.

**과거 공변량의 예:**
+ **과거 인벤토리 가용성**: 과거에 어떤 인벤토리 수준이었는지 알 수 있지만 향후 가용성은 수요, 보충 및 기타 불확실한 요인에 따라 달라집니다.
+ **실제 경쟁자 요금**: 과거 경쟁자 가격 데이터를 관찰할 수 있지만 향후 경쟁자 조치는 알 수 없음
+ **날씨 조건**: 과거 날씨는 기록되지만 향후 날씨(단기 예보 이상)는 불확실합니다.
+ **웹 사이트 트래픽**: 과거 트래픽 패턴이 알려져 있지만 향후 트래픽은 예측할 수 없는 여러 요인에 따라 달라집니다.

**예측 모델에서 사용:** 과거 공변량은 모델이 과거 관계와 패턴을 학습하는 데 도움이 됩니다. 예를 들어, 재고 가용성이 높을수록 과거 매출이 높아지는 것과 상관관계가 있는 경우(제품 가시성 또는 이행 속도 향상으로 인해) 모델은이 관계를 학습합니다. 그러나 미래 기간에는 이러한 값을 알 수 없으므로 모델은 이러한 값 없이 예측하거나 미래 값을 가정해야 합니다.

### 알려진 공변량(향후 STS 데이터)
<a name="data-entities-known-covariates"></a>

알려진 공변량은 알려지거나 향후 기간에 미리 결정할 수 있는 보조 시계열 값입니다. 이는 미래 조건에 대한 구체적인 정보를 제공하기 때문에 예측에 가장 유용한 입력입니다.

**알려진 공변량의 예:**
+ **계획된 프로모션 할인**: 마케팅 팀이 이미 향후 날짜에 특정 할인 수준으로 프로모션 캠페인을 예약했습니다.
+ **가격 지수 변경**: 계획된 가격 조정은 요금 전략에 따라 미리 결정됩니다.
+ **공휴일 지표**: 달력 기반 이벤트(공휴일, 쇼핑 시즌, 회계 기간)는 몇 년 전에 알려집니다.
+ **계획된 마케팅 지출**: 예산 할당 및 캠페인 일정이 미리 결정됨
+ **Store Opening/Closing Events**: 확장 또는 통합 계획을 미리 알고 있음

**예측 모델에서 사용: 모델이** 가정이 아닌 실제 미래 조건을 통합할 수 있으므로 알려진 공변량은 예측 정확도를 크게 개선합니다. 예를 들어 다음 달에 25% 할인 프로모션이 계획되어 있음을 알고 있는 경우 모델은 과거 할인 응답 패턴을 기반으로 예상 수요 증가를 예측할 수 있습니다.

### 실제 구현 전략
<a name="data-entities-implementation-strategy"></a>

**기록 기간(훈련 데이터):** 보조 시계열 데이터에 과거 공변량과 알려진 공변량을 모두 포함합니다. 이를 통해 모델은 사용 가능한 모든 수요 동인으로부터 관계를 학습할 수 있습니다. 데이터 세트에는 현재 날짜까지의 모든 시계열 유형에 대해 관찰된 실제 값이 포함되어야 합니다.

**미래 기간(예측 기간):** 보조 시계열 데이터에 알려진 공변량만 포함합니다. 다음은 미래 날짜에 대해 자신 있게 지정할 수 있는 수요 동인입니다. 예제:

```
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
```

이 미래 데이터는 모델에 2월 1일에 20% 할인이 예정되어 있고 2월 14일에 30% 발렌타인 데이 프로모션이 예정되어 있음을 알려줍니다.

## 실제 애플리케이션
<a name="data-entities-practical-applications"></a>
+ **프로모션 계획**: 시간 경과에 따른 할인율을 추적하여 프로모션 강도가 수요에 미치는 영향을 파악합니다. 이를 통해 최적의 할인 수준을 식별하고 향후 프로모션의 수요 증가를 예측할 수 있습니다.
+ **가격 탄력성 분석**: 가격 인덱스 이동을 모니터링하여 가격 변화가 다양한 제품, 위치 및 채널에서 고객 구매 행동에 미치는 영향을 정량화합니다.
+ **인벤토리 제약 조건 모델링**: 인벤토리 가용성 수준을 캡처하여 재고 부족 또는 재고 부족으로 인해 판매가 제한되는 시기를 식별하여 예측이 실제 수요 신호가 아닌 공급 제한을 고려하도록 합니다.

## Demand Planning의 이점
<a name="data-entities-benefits"></a>

Demand Planning 시스템은 보조 시계열 데이터를 통합하여 다음을 수행할 수 있습니다.
+ **예측 정확도 개선**: 알려진 수요 동인을 설명되지 않는 분산으로 취급하지 않고 고려
+ **시나리오 계획 활성화**: 수요 동인의 미래 값을 조정하여 “what if” 시나리오 모델링
+ **인과관계 파악**: 다양한 제품 및 시장 수요에 가장 큰 영향을 미치는 요인 이해
+ **전략적 의사 결정 지원**: 요금, 프로모션 및 인벤토리 전략에 대한 데이터 기반 인사이트 제공