本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 基于需求驱动因素的预测


要在配置预测时提高预测的准确性，您可以使用需求驱动因素。*需求驱动因素*是捕捉产品趋势和季节的相关时间序列输入。您可以根据各种因素使用需求驱动因素来影响供应链，而不必依赖历史需求。例如，促销、价格变动和营销活动。需求计划支持历史和未来的需求驱动因素。

## 使用需求驱动因素的先决条件


在为需求驱动因素摄取数据之前，请确保数据满足以下条件：
+ 确保在 su *pplementary* \$1time\$1series 数据实体中提取需求驱动因素数据。您可以提供历史和未来的需求驱动因素信息。有关需求计划所需的数据实体的信息，请参阅[需求规划功能](required_entities.md)。

  如果您找不到 su *pplementary\$1time\$1series* 数据实体，则您的实例可能使用的是较早的数据模型版本。您可以联系 S AWS upport 以升级您的数据模型版本或创建新的数据连接。
+ 确保在 su *pplementary\$1time\$1s* eries 数据实体中填充了以下各列。
  + *id* — 此列是唯一的记录标识符，是成功摄取数据所必需的。
  + *order\$1dat* e — 此列表示需求驱动因素的时间戳。它可以是过去，也可以是未来的日期。
  + *time\$1series\$1name* — 此列是每个需求驱动因素的标识符。此列的值必须以字母开头，长度应为 2-56 个字符，并且可以包含字母、数字和下划线。其他特殊字符无效。
  + *time\$1series\$1value — 此列提供特定时间点特定需求驱动因素的数据点测量值*。仅支持数值。
+ 选择最少 1 个、最多 13 个需求驱动因素。确保已配置聚合和填充方法。有关填充方法的更多信息，请参阅[需求驱动因素数据填充方法](configuration_demand_drivers.md#filling_method_demand_drivers)。您可以随时修改设置。需求计划将在下一个预测周期中应用更改。

以下示例说明了在 su *pplementary* \$1time\$1series 数据实体中提取所需的需求动因列时如何生成需求计划。Demand Planning 建议同时提供历史和未来的需求驱动数据（如果有）。这些数据有助于学习模型学习该模式并将其应用于预测。

![\[需求驱动因素示例\]](http://docs.aws.amazon.com/zh_cn/aws-supply-chain/latest/userguide/images/demand_drivers_example.png)


以下示例说明了如何在数据集中设置一些常见的需求驱动因素。

![\[需求驱动因素示例\]](http://docs.aws.amazon.com/zh_cn/aws-supply-chain/latest/userguide/images/demand_drivers_example2.png)


当您提供领先指标时，需求计划强烈建议您调整时间序列日期。例如，假设某一特定指标作为20天领先指标，转化率为70％。在这种情况下，可以考虑将时间序列中的日期移动 20 天，然后应用适当的转换系数。虽然学习模型可以在不进行此类调整的情况下学习模式，但将领先指标数据与相应的结果对齐在模式识别中更有效。值的大小在此过程中起着重要作用，增强了模型准确学习和解释模式的能力。

# 按需配置驱动程序


要使用需求驱动程序，必须对其进行配置。只有在 su *pplementary* \$1time\$1series 数据实体中提取数据后，才能配置需求驱动因素。

**注意**  
如果您未配置需求驱动因素，您仍然可以生成预测。但是，需求计划不会使用需求驱动因素。

## 需求驱动因素数据填充方法


*填充方法*表示（或 “填充”）时间序列中的缺失值。需求计划支持以下填充方法。需求计划应用的填充方法取决于数据中缺口的位置。
+ 回填—当产品较早的记录日期和上次记录的日期之间存在差距时适用。
+ 中间填充 — 当给定产品的最后记录数据点与全球上次记录的日期之间存在间隙时应用。
+ 未来填充 — 当需求驱动因素在未来至少有一个数据点并且在未来的时间范围内存在缺口时适用。

![\[需求驱动因素填写方法\]](http://docs.aws.amazon.com/zh_cn/aws-supply-chain/latest/userguide/images/filling_method.png)


Demand Planning 利用与需求驱动因素相对应的 su *pplementary\$1time\$1series* 数据实体中的最后 64 个数据点进行考虑。需求计划支持所有三种填充方法的*零*、*中位数*、*平均**值、最大*值和*最小*值选项。

以下示例说明了当将数据提取到产品 1 的 su *pplementary\$1time\$1serie* s 数据实体（包括历史数据和未来数据）*的价格*列时，需求驱动因素如何处理缺失的数据。

![\[需求驱动因素填写方法\]](http://docs.aws.amazon.com/zh_cn/aws-supply-chain/latest/userguide/images/filling_method_example1.png)


## 聚合方法


Demand Planning 使用汇总方法，通过合并特定时间段和粒度级别的数据，促进不同粒度级别的需求驱动因素的集成。

时间段汇总-例如，当*库存*需求驱动因素在每日层面可用，但预测为每周层面时，需求计划将应用在库存需求计划设置下配置的汇总方法来使用这些信息进行预测。

![\[需求计划使用的汇总方法\]](http://docs.aws.amazon.com/zh_cn/aws-supply-chain/latest/userguide/images/aggregation_example1.png)


粒度级别汇总 — 以下是需求计划如何使用粒度级别聚合的示例。 *out\$1of\$1stock\$1indicat* or 每天在产品站点层面提供，但预测粒度仅在产品层面可用。需求计划将应用在该需求动因的需求计划设置下配置的汇总方法。

![\[需求计划使用的粒度方法\]](http://docs.aws.amazon.com/zh_cn/aws-supply-chain/latest/userguide/images/granularity_example.png)


# 需求驱动程序推荐


在为需求驱动因素配置聚合和填充方法时，一般的指导原则是为布尔和连续数据类型分配*均*值聚合。要填充缺失值，请对布尔数据使用*零*填充，而*均*值填充适用于连续数据。

请注意，聚合和填充方法配置的选择取决于数据特征和有关缺失值的假设。见下列。

![\[需求驱动程序推荐\]](http://docs.aws.amazon.com/zh_cn/aws-supply-chain/latest/userguide/images/demand_driver_recommendation.png)


Demand Planning 建议调整需求驱动因素配置，以最好地满足您的数据集需求。需求驱动因素配置将影响预测的准确性。

在 AWS Supply Chain Web 应用程序的 “**需求计划**” “**概览**” 下，您将查看在需求计划级别汇总的与需求驱动因素相关的影响分数。这些影响分数衡量需求驱动因素对预测的相对影响。影响分数较低并不表示需求驱动因素对预测值的影响最小。相反，它表明其对预测值的影响相对低于其他需求驱动因素。在某些情况下，当影响分数为零时，应将其解释为需求驱动因素对预测值没有影响。Demand Planning 建议重新审视应用于该特定需求驱动因素的汇总和填充方法配置。