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.
Entidades de dados
A tabela a seguir lista as entidades e colunas de dados usadas pelo Planejamento da Demanda.
Como ler as tabelas:
-
Obrigatório — As colunas nessa entidade de dados são obrigatórias para executar uma previsão de demanda sem falhas.
-
Obrigatório condicionalmente — As colunas nessa entidade de dados são obrigatórias dependendo das configurações definidas nas configurações do plano de demanda.
-
Recomendado para a qualidade da previsão — As colunas nessa entidade de dados são necessárias para a qualidade da previsão.
-
Opcional — O nome da coluna é opcional. Para uma saída de recursos aprimorada, é recomendável adicionar o nome da coluna com valores.
outbound_order_line (obrigatório)
Como essa entidade de dados é usada? O Planejamento de Demanda usa esses dados como a principal fonte de demanda histórica para previsão. Além disso, os campos selecionados como granularidade são enviados para treinamento e estão disponíveis como filtros para revisar o plano de demanda.
Coluna |
A coluna é obrigatória? |
Como essa coluna é usada na Previsão? |
|---|---|---|
id |
Obrigatório |
id, cust_order_id e product_id são usados para identificar com exclusividade um registro na entidade de dados e essa combinação deve ser sempre exclusiva. Certifique-se de que os valores da coluna não tenham caracteres inválidos, como asterisco e aspas duplas. |
cust_order_id |
Obrigatório |
|
product_id |
Obrigatório |
|
order_date |
Obrigatório |
Necessário para a criação da previsão. Identifica o período para a previsão de séries temporais. |
final_quantity_requested |
Obrigatório |
Necessário para a criação da previsão. Identifica a quantidade usada para a previsão de séries temporais. Essa coluna não deve conter valores nulos e deve ser numérica. Certifique-se de que não haja vírgulas nos valores. Por exemplo, 500000,00 é um valor aceito no Planejamento da Demanda. |
ship_from_site_id |
Obrigatório condicionalmente |
Essa coluna é condicionalmente necessária para a criação da previsão se a coluna for selecionada para a dimensão da previsão (Hierarquia do Site). Essa coluna deve ter um valor e é usada para filtragem e análise de dados. |
ship_to_site_id |
Obrigatório condicionalmente |
|
channel_id |
Obrigatório condicionalmente |
Essa coluna é condicionalmente necessária para a criação da previsão se a coluna for selecionada para a dimensão da previsão (Hierarquia de canais). Essa coluna deve ter um valor e é usada para filtragem e análise de dados. |
customer_tpartner_id |
Obrigatório condicionalmente |
Essa coluna é condicionalmente necessária para a criação da previsão se a coluna for selecionada para a dimensão da previsão (Hierarquia do Cliente). Essa coluna deve ter um valor e é usada para filtragem e análise de dados. |
ship_to_site_address_city |
Obrigatório condicionalmente |
Essa coluna é condicionalmente necessária para a criação da previsão se a coluna for selecionada para a dimensão da previsão (Hierarquia do Site). Essa coluna deve ter um valor e é usada para filtragem e análise de dados. |
ship_to_site_address_state |
Obrigatório condicionalmente |
|
ship_to_site_address_country |
Obrigatório condicionalmente |
|
status |
Recomendado para a qualidade da previsão |
Essa coluna é recomendada para a qualidade da previsão. Pedidos com status cancelado não são considerados como entrada de previsão. |
produto (obrigatório)
Como essa entidade de dados é usada?
O Planejamento de Demanda usa os atributos do produto para estabelecer filtros hierárquicos para a revisão do plano de demanda e para o treinamento do modelo.
Coluna |
A coluna é obrigatória? |
Como essa coluna é usada na Previsão? |
|---|---|---|
id |
Obrigatório |
Necessário para a ingestão de dados no Supply Chain Data Lake (SCDL). Certifique-se de que os valores da coluna não tenham IDs duplicados e caracteres especiais, como asterisco e aspas duplas. |
descrição |
Obrigatório |
Necessário para a ingestão de dados no Supply Chain Data Lake (SCDL). Essa coluna pode conter caracteres especiais, como asterisco, hífen, aspas e aspas duplas. |
parent_product_id |
Obrigatório condicionalmente |
Essa coluna é condicionalmente necessária para a criação da previsão se a coluna for selecionada para dimensões de previsão (Hierarquia do Produto). Certifique-se de que a coluna tenha valores e seja usada para filtragem e análise de dados e treinamento de modelos. |
product_group_id |
Obrigatório condicionalmente |
|
product_type |
Obrigatório condicionalmente |
|
brand_name |
Obrigatório condicionalmente |
|
color |
Obrigatório condicionalmente |
|
display_desc |
Obrigatório condicionalmente |
|
product_available_day |
Recomendado para a qualidade da previsão |
Recomendado. O valor nessa coluna melhora a qualidade da previsão ao permitir que o modelo de previsão considere o momento da introdução de novos produtos. |
discontinue_day |
Recomendado para a qualidade da previsão |
Recomendado. O valor nessa coluna melhora a qualidade da previsão ao permitir que o modelo de previsão considere o momento da retirada do produto. |
base_uom |
Recomendado para a qualidade da previsão |
Unidade de medida para o produto. O padrão é Eaches. |
is_deleted |
Recomendado para a qualidade da previsão |
Recomendado. Insira Y se a ID do produto precisar ser excluída da previsão. |
pkg_height |
Recomendado para a qualidade da previsão |
Recomendado. As características físicas do produto que os modelos de previsão podem entender. |
pkg_length |
Recomendado para a qualidade da previsão |
|
pkg_width |
Recomendado para a qualidade da previsão |
|
shipping_dimension |
Recomendado para a qualidade da previsão |
|
casepack_size |
Recomendado para a qualidade da previsão |
product_alternate (recomendado para a qualidade da previsão)
Como essa entidade de dados é usada?
O Planejamento de Demanda usa os dados do (s) predecessor (es) ou alternativo (s) do produto para criar previsões para novos produtos. Quando os dados são ingeridos na entidade de dados product_alternate, o suporte à linhagem de produtos para previsão é ativado. Você pode pular a ingestão de dados na entidade de dados product_alternate, e a previsão ainda poderá ser gerada.
Coluna |
A coluna é obrigatória? |
Como essa coluna é usada na Previsão? |
|---|---|---|
alternative_product_id |
Obrigatório |
Necessário para a ingestão de dados no Supply Chain Data Lake (SCDL). Identificador de registro exclusivo. |
product_id |
Obrigatório |
Necessário para a ingestão de dados no Supply Chain Data Lake (SCDL). ID do novo produto ou da nova versão do produto. Certifique-se de que product_id esteja preenchido na entidade de dados do produto. |
product_alternate_id |
Obrigatório |
Necessário para ingestão de dados no SCDL. Identificador de um produto similar ou de uma versão anterior do produto. Para considerar vários produtos similares como um único product_id, insira os produtos em linhas separadas. Certifique-se de que product_alternate_id esteja preenchido na entidade de dados do produto. |
alternate_type |
Obrigatório |
Necessário para aplicar a supercessão ou linhagem do produto. Use o valor estático similar_demand_product em todas as linhas. |
alternate_product_qty |
Obrigatório |
Necessário para aplicar a supercessão ou linhagem do produto. Insira a proporção do histórico do alternate_product_id que você deseja usar para fazer a previsão do product_id. Por exemplo, se for 60%, insira 60. Quando você tem vários alternative_product_id para um único product_id, o alternate_product_qty não precisa somar 100. |
alternate_product_qty_uom |
Obrigatório |
Necessário para aplicar a supercessão ou linhagem do produto. Use o valor estático específico “porcentagem”. |
eff_start_date |
Obrigatório |
Necessário para ingestão de dados no SCDL. Insira o cronograma de início para considerar o histórico de um produto similar. Certifique-se de que essa data seja igual ou anterior à eff_end_date ou você pode deixar esse campo vazio e o Demand Planning preencherá automaticamente o ano com 1000. |
eff_end_date |
Obrigatório |
Necessário para ingestão de dados no SCDL. Insira o prazo final a ser considerado no histórico de um produto similar. Certifique-se de que essa data seja igual ou posterior à eff_start_date. |
status |
Recomendado para a qualidade da previsão |
Recomendado. Digite Inativo para ignorar a supercessão do produto ou o mapeamento de linhagem. |
supplementary_time_series (recomendado para a qualidade da previsão)
Como essa entidade de dados é usada? O Planejamento de Demanda usa esses dados como a principal fonte para marcar fatores casuais, como eventos promocionais, descontos, feriados e assim por diante.
Coluna |
A coluna é obrigatória? |
Como essa coluna é usada na Previsão? |
|---|---|---|
id |
Obrigatório |
Necessário para a ingestão de dados no Supply Chain Data Lake (SCDL). Identificador de registro exclusivo. |
order_date |
Obrigatório |
Necessário para a ingestão de dados no Supply Chain Data Lake (SCDL). Registro de data e hora em que a série temporal foi gravada. |
time_series_name |
Obrigatório |
Necessário para a ingestão de dados no Supply Chain Data Lake (SCDL). Nome do tipo específico de série temporal. A coluna time_series_name deve começar com uma letra, ter de 2 a 56 caracteres e conter letras, números e sublinhados. Nenhum outro caractere especial é permitido. |
valor_da_série_tempo |
Obrigatório |
Necessário para ingestão de dados no SCDL. Valor correspondente à série temporal específica. O Planejamento de Demanda suporta somente entradas numéricas e séries temporais com valor categórico não são consideradas. |
product_id |
Opcional |
Recomendado. Identificador exclusivo para um produto específico. Use essa coluna se o fator de demanda estiver disponível no nível do produto. |
site_id |
Opcional |
Recomendado. Identificador exclusivo para um site ou local específico. Use essa coluna se o driver de demanda estiver disponível no nível do site. Essa coluna pode representar ship_from_site_id ou ship_to_site_id com base na configuração da hierarquia do site de nível mais baixo. |
channel_id |
Opcional |
Recomendado. Identificador exclusivo para um canal específico. Use essa coluna se o driver de demanda estiver disponível no nível do canal. |
customer_tpartner_id |
Opcional |
Recomendado. Identificador exclusivo para um cliente específico. Use essa coluna se o fator de demanda estiver disponível no nível do cliente. |
Séries temporais suplementares históricas versus futuras: entendendo as covariáveis na previsão
A previsão precisa da demanda exige a compreensão não apenas dos padrões históricos de vendas, mas dos fatores externos que impulsionam as mudanças na demanda. Os dados da Supplementary Time Series (STS), também chamados de covariáveis, capturam esses fatores de demanda, como promoções, preços, feriados e níveis de estoque, permitindo que os modelos de previsão diferenciem padrões explicáveis de ruídos aleatórios e prevejam como as ações comerciais futuras afetarão a demanda. No entanto, existe uma distinção crítica entre covariáveis conhecidas apenas historicamente (como níveis de estoque anteriores ou ações da concorrência) e aquelas conhecidas com antecedência (como promoções planejadas ou feriados programados), e entender essa diferença é essencial para criar previsões precisas que apoiem decisões de planejamento proativas.
Uma distinção crítica na previsão de demanda é entre covariáveis passadas e covariáveis conhecidas (também chamadas de covariáveis futuras). Entender essa diferença é essencial para criar modelos de previsão precisos.
Covariáveis anteriores (dados históricos do STS)
As covariáveis passadas são valores de séries temporais suplementares que são conhecidos apenas para períodos históricos. Essas variáveis são observadas junto com sua demanda histórica, mas não podem ser previstas ou conhecidas com antecedência para períodos futuros.
Exemplos de covariáveis passadas:
-
Disponibilidade histórica de estoque: você sabe quais eram os níveis de estoque no passado, mas a disponibilidade futura depende da demanda, do reabastecimento e de outros fatores incertos
-
Preços reais da concorrência: os dados históricos de preços da concorrência são observáveis, mas as ações futuras da concorrência são desconhecidas
-
Condições climáticas: o clima passado é registrado, mas o clima futuro (além das previsões de curto prazo) é incerto
-
Tráfego do site: os padrões históricos de tráfego são conhecidos, mas o tráfego futuro depende de muitos fatores imprevisíveis
Uso em modelos de previsão: covariáveis passadas ajudam o modelo a aprender relações e padrões históricos. Por exemplo, se a alta disponibilidade de estoque está historicamente correlacionada com o aumento das vendas (devido à melhor visibilidade do produto ou à velocidade de atendimento), o modelo aprende essa relação. No entanto, como esses valores são desconhecidos para períodos futuros, o modelo deve prever sem eles ou fazer suposições sobre seus valores futuros.
Covariáveis conhecidas (dados futuros do STS)
As covariáveis conhecidas são valores de séries temporais suplementares que são conhecidos ou podem ser determinados com antecedência para períodos futuros. Esses são os insumos mais valiosos para a previsão porque fornecem informações concretas sobre as condições futuras.
Exemplos de covariáveis conhecidas:
-
Descontos promocionais planejados: sua equipe de marketing já programou campanhas promocionais com níveis de desconto específicos para datas futuras
-
Alterações no índice de preços: os ajustes de preços planejados são determinados com antecedência com base em sua estratégia de preços
-
Indicadores de feriados: eventos baseados em calendário (feriados, temporadas de compras, períodos fiscais) são conhecidos com anos de antecedência
-
Gastos de marketing planejados: as alocações orçamentárias e os cronogramas da campanha são predeterminados
-
Opening/Closing Eventos da loja: os planos de expansão ou consolidação são conhecidos com antecedência
Uso em modelos de previsão: covariáveis conhecidas melhoram drasticamente a precisão da previsão porque o modelo pode incorporar condições futuras reais em vez de suposições. Por exemplo, se você sabe que uma promoção de 25% de desconto está planejada para o próximo mês, o modelo pode prever o aumento esperado da demanda com base nos padrões históricos de resposta de descontos.
Estratégia prática de implementação
Para períodos históricos (dados de treinamento): inclua covariáveis passadas e covariáveis conhecidas em seus dados de séries temporais suplementares. Isso permite que o modelo aprenda as relações de todos os fatores de demanda disponíveis. Seu conjunto de dados deve conter valores reais observados para todos os tipos de séries temporais até a data atual.
Para períodos futuros (horizonte de previsão): inclua somente covariáveis conhecidas em seus dados de séries temporais suplementares. Esses são os fatores de demanda que você pode especificar com segurança para datas futuras. Por exemplo:
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
Esses dados futuros dizem ao modelo que um desconto de 20% está planejado para 1º de fevereiro e uma promoção de 30% para o Dia dos Namorados está programada para 14 de fevereiro.
Aplicações práticas
-
Planejamento promocional: acompanhe as porcentagens de descontos ao longo do tempo para entender como a intensidade promocional afeta a demanda. Isso ajuda a identificar os níveis ideais de desconto e a prever o aumento da demanda decorrente de futuras promoções.
-
Análise de elasticidade de preços: monitore os movimentos do índice de preços para quantificar como as mudanças de preço influenciam o comportamento de compra do cliente em diferentes produtos, locais e canais.
-
Modelagem de restrição de estoque: capture os níveis de disponibilidade de estoque para identificar quando há falta de estoque ou baixo estoque restringem as vendas, garantindo que as previsões levem em conta as limitações de fornecimento e não os verdadeiros sinais de demanda.
Benefícios do planejamento da demanda
Ao incorporar dados suplementares de séries temporais, seu sistema de Planejamento de Demanda pode:
-
Melhore a precisão da previsão: considere os fatores de demanda conhecidos em vez de tratá-los como uma variação inexplicável
-
Habilite o planejamento de cenários: modele cenários hipotéticos ajustando os valores futuros dos fatores de demanda
-
Identifique relações causais: entenda quais fatores impactam mais significativamente a demanda por diferentes produtos e mercados
-
Support Strategic Decisions: forneça insights baseados em dados para estratégias de preços, promoções e inventário
