本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 需求模式元件
<a name="demand-patterns-components"></a>

需求模式分析的三個維度為：
+ 需求模式 （根據需求隨著時間和數量的變化）
+ 年度需求 (12 個月期間所需的總數量）
+ 歷史記錄長度 （提供歷史需求資料的期間）

分析會將您的需求模式分為四種不同的類型：平滑、間歇性、不規律和凹凸。每個 都是透過分析需求的頻率和變異性來決定。如果符合條件的範圍內產品沒有歷史資料，則會在**零預測需求**區段下分組。如需詳細資訊，請參閱[需求模式](https://docs.aws.amazon.com/aws-supply-chain/latest/userguide/overview_dp.html#demand-pattern)。

產品的需求模式分佈可提供對預期預測可靠性的寶貴見解。具有順暢需求模式 （顯示一致的訂單量和頻率） 的產品通常會產生最可靠的預測，因為其行為更可預測。相反地，異常或凹凸模式的特徵是不規則峰值和不同的順序頻率，通常由於不可預測的性質，導致預測可靠性降低。透過了解此分佈，需求規劃器可以設定適當的期望並採取主動措施。

系統也會分析您過去 12 個月的需求 （視修剪組態而定），也稱為年度需求，緊接在預測開始日期之前。例如，假設預測開始日期是 2024 年 1 月 15 日 （星期一），而規劃儲存貯體是每週。系統認為過去 12 個月的分析期間是 2023 年 1 月 16 日至 2024 年 1 月 14 日。過去 12 個月的需求分析可協助需求規劃器區分作用中和非作用中的產品，同時識別在這些狀態之間轉換的產品 - 直接影響預測可靠性的模式。透過專注於最近的歷史記錄，而不是較舊的資料模式，您可以更明智地決定哪些產品需要特別注意或替代的預測方法，尤其是季節性項目、停產產品或逐步淘汰的項目。如需詳細資訊，請參閱[預測演算法](https://docs.aws.amazon.com/aws-supply-chain/latest/userguide/forecast-algorithims.html)。

在將日期調整為期間的預設開始之後，會根據預先處理的歷史需求資料中可用的最早和最新日期，計算每個預測精細程度 （例如，產品位置組合） 的歷史記錄長度，以年為單位。此分析有助於判斷產品是否已累積足夠的歷史資料來產生可靠的預測，而擷取季節性模式和長期趨勢通常需要至少兩年的時間。

![原始需求歷史記錄](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/raw-demand-history.png)