As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Forecast com base nos fatores de demanda
<a name="demand_drivers"></a>

Para aprimorar a precisão da previsão ao configurar sua previsão, você pode usar fatores de demanda. *Os fatores de demanda* são entradas de séries temporais relacionadas que capturam as tendências e temporadas dos produtos. Em vez de depender da demanda histórica, você pode usar fatores de demanda para influenciar a cadeia de suprimentos com base em vários fatores. Por exemplo, promoções, alterações de preços e campanhas de marketing. O Planejamento de Demanda oferece suporte a fatores de demanda históricos e futuros.

## Pré-requisitos para usar drivers de demanda
<a name="ingesting_demand_drivers"></a>

Antes de ingerir dados para geradores de demanda, certifique-se de que os dados atendam às seguintes condições:
+ Certifique-se de ingerir os dados dos drivers de demanda na entidade de dados *supplementary\$1time\$1series*. Você pode fornecer informações históricas e futuras sobre fatores de demanda. Para obter informações sobre as entidades de dados que o Planejamento de Demanda exige, consulte[Planejamento de Demanda](required_entities.md).

  Se você não conseguir localizar a entidade de dados *supplementary\$1time\$1series*, sua instância pode estar usando uma versão anterior do modelo de dados. Você pode entrar em contato com o AWS Support para atualizar sua versão do modelo de dados ou criar uma nova conexão de dados.
+ Certifique-se de que as colunas a seguir estejam preenchidas na entidade de dados *supplementary\$1time\$1series*.
  + *id* — Essa coluna é o identificador exclusivo do registro e é necessária para uma ingestão de dados bem-sucedida.
  + *order\$1date* — Essa coluna indica a data e hora do driver de demanda. Pode ser datado tanto do passado quanto do futuro.
  + *time\$1series\$1name* — Essa coluna é o identificador de cada driver de demanda. O valor dessa coluna deve começar com uma letra, ter de 2 a 56 caracteres e conter letras, números e sublinhados. Outros caracteres especiais não são válidos.
  + *time\$1series\$1value* — Essa coluna fornece a medição do ponto de dados de um determinado fator de demanda em um momento específico. Somente valores numéricos são suportados.
+ Selecione no mínimo 1 e no máximo 13 drivers de demanda. Certifique-se de que os métodos de agregação e preenchimento estejam configurados. Para obter mais informações sobre métodos de preenchimento, consulte[Método de preenchimento de dados de drivers de demanda](configuration_demand_drivers.md#filling_method_demand_drivers). Você pode modificar as configurações a qualquer momento. O Planejamento da Demanda aplicará as mudanças no próximo ciclo de previsão.

O exemplo a seguir ilustra como um plano de demanda é gerado quando as colunas necessárias do driver de demanda são ingeridas na entidade de dados *supplementary\$1time\$1series*. O Demand Planning recomenda fornecer dados históricos e futuros do fator de demanda (se disponíveis). Esses dados ajudam o modelo de aprendizado a aprender e aplicar o padrão à previsão.

![\[Exemplo de fatores de demanda\]](http://docs.aws.amazon.com/pt_br/aws-supply-chain/latest/userguide/images/demand_drivers_example.png)


O exemplo a seguir ilustra como você pode configurar alguns fatores de demanda comuns em seu conjunto de dados.

![\[Exemplo de fatores de demanda\]](http://docs.aws.amazon.com/pt_br/aws-supply-chain/latest/userguide/images/demand_drivers_example2.png)


Quando você fornece indicadores principais, o Planejamento de Demanda recomenda fortemente que você ajuste a data da série temporal. Por exemplo, digamos que uma métrica específica sirva como um indicador principal de 20 dias com uma taxa de conversão de 70%. Nesse caso, considere mudar a data na série temporal em 20 dias e depois aplicar o fator de conversão apropriado. Embora o modelo de aprendizado possa aprender padrões sem esses ajustes, alinhar os dados dos principais indicadores com o resultado correspondente é mais eficaz no reconhecimento de padrões. A magnitude do valor desempenha um papel significativo nesse processo, aprimorando a capacidade do modelo de aprender e interpretar padrões com precisão.