如何讀取資料表：outbound_order_line （必要）產品（必要）product_alternate （建議用於預測品質）supplementary_time_series （建議用於預測品質）歷史與未來補充時間序列：了解預測中的共變數實用應用程式需求規劃的優勢

資料實體

下表列出需求規劃所使用的資料實體和資料欄。

如何讀取資料表：

必要 – 此資料實體中的資料欄必須執行需求預測，而不會發生任何失敗。
有條件必要 – 根據需求計劃設定下設定的組態，需要此資料實體中的資料欄。
建議用於預測品質 – 預測品質需要此資料實體中的資料欄。
選用 – 資料欄名稱為選用。對於增強型功能輸出，建議使用值新增資料欄名稱。

outbound_order_line （必要）

如何使用此資料實體？ 需求規劃使用此資料作為歷史預測需求的主要來源。此外，選取為精細程度的欄位會傳送以供訓練，並可做為篩選條件來檢閱需求計劃。

outbound_order_line 欄
資料行	資料欄是必要的嗎？	預測中如何使用此資料欄？
id	必要	id、cust_order_id 和 product_id 用於唯一識別資料實體中的記錄，且此組合應一律是唯一的。請確定資料欄值沒有無效字元，例如星號和雙引號。
cust_order_id	必要
product_id	必要
order_date	必要	建立預測時需要。識別時間序列預測的期間。
final_quantity_requested	必要	建立預測時需要。識別用於時間序列預測的數量。此欄不得包含 null 值，且必須為數值。請確定值中沒有逗號。例如，500000.00 是需求規劃中接受的值。
ship_from_site_id	有條件必要	如果為預測維度（站台階層）選取資料欄，則有條件需要此資料欄才能建立預測。此欄必須具有值，並用於篩選和分析資料。
ship_to_site_id	有條件必要
channel_id	有條件必要	如果為預測維度（頻道階層）選取資料欄，則有條件需要此資料欄才能建立預測。此欄必須具有值，並用於篩選和分析資料。
customer_tpartner_id	有條件必要	如果為預測維度（客戶階層）選取資料欄，則有條件需要此資料欄才能建立預測。此欄必須具有值，並用於篩選和分析資料。
ship_to_site_address_city	有條件必要	如果為預測維度（站台階層）選取資料欄，則有條件需要此資料欄才能建立預測。此欄必須具有值，並用於篩選和分析資料。
ship_to_site_address_state	有條件必要
ship_to_site_address_country	有條件必要
status	建議用於預測品質	建議此欄用於預測品質。已取消狀態的訂單不會被視為預測輸入。

產品（必要）

如何使用此資料實體？

需求規劃使用產品屬性來建立階層篩選條件，以進行需求計劃檢閱和模型訓練。

產品資料欄
資料行	資料欄是必要的嗎？	預測中如何使用此資料欄？
id	必要	將資料擷取至供應鏈資料湖 (SCDL) 時需要。請確定資料欄值沒有重複IDs 和特殊字元，例如 asterix 和雙引號。
description	必要	將資料擷取至供應鏈資料湖 (SCDL) 時需要。此欄可包含特殊字元，例如 asterix、連字號、引號和雙引號。
parent_product_id	有條件必要	如果為預測維度（產品階層）選取資料欄，則有條件需要此資料欄才能建立預測。確定資料欄具有值，並用於篩選和分析資料和模型訓練。
product_group_id	有條件必要
product_type	有條件必要
品牌名稱	有條件必要
color	有條件必要
display_desc	有條件必要
product_available_day	建議用於預測品質	建議使用。此欄中的值允許預測模型考慮新產品引進的時間，以改善預測品質。
discontinue_day	建議用於預測品質	建議使用。此欄中的值允許預測模型考慮產品淘汰的時間，以改善預測品質。
base_uom	建議用於預測品質	產品的度量單位。預設為每個。
is_deleted	建議用於預測品質	建議使用。如果產品 ID 應該從預測中排除，請輸入 Y。
pkg_height	建議用於預測品質	建議使用。預測模型可了解之產品的實體特性。
pkg_length	建議用於預測品質
pkg_width	建議用於預測品質
shipping_dimension	建議用於預測品質
casepack_size	建議用於預測品質

product_alternate （建議用於預測品質）

如何使用此資料實體？

需求規劃會使用產品前身 (s) 或替代 (s) 的資料來建立新產品的預測。將資料擷取至 product_alternate 資料實體時，會啟用預測的產品歷程支援。您可以略過將資料擷取至 product_alternate 資料實體，但仍可產生預測。

product_alternate 欄
資料行	欄是否為必要？	預測中如何使用此資料欄？
alternative_product_id	必要	將資料擷取至供應鏈資料湖 (SCDL) 時需要。唯一記錄識別符。
product_id	必要	將資料擷取至供應鏈資料湖 (SCDL) 時需要。新產品或產品新版本的 ID。確定 product_id 已填入產品資料實體中。
product_alternate_id	必要	資料擷取至 SCDL 時為必要。類似產品或舊版產品的識別符。若要將多個類似的產品視為單一 product_id，請在不同的資料列中輸入產品。確定 product_alternate_id 已填入產品資料實體中。
alternate_type	必要	套用產品疊代或譜系時需要。在所有資料列中使用靜態值 similar_demand_product。
alternate_product_qty	必要	套用產品疊代或譜系時需要。輸入您要用於預測 product_id 的 alternate_product_id 歷史記錄比例。例如，如果是 60%，請輸入 60。當您對單一 product_id 有多個 alternative_product_id 時， alternate_product_qty 不需要新增最多 100 個。
alternate_product_qty_uom	必要	套用產品疊代或譜系時需要。使用特定的靜態值「百分比」。
eff_start_date	必要	資料擷取至 SCDL 時為必要。輸入開始時間範圍，以考慮類似產品的歷史記錄。請確定此日期在 eff_end_date 當天或之前，或者您可以將此欄位留空，且需求規劃會自動將年份填入 1000。
eff_end_date	必要	資料擷取至 SCDL 時為必要。輸入類似產品的歷史記錄中要考慮的結束時間範圍。請確定此日期在 eff_start_date 或之後。
status	建議用於預測品質	建議使用。輸入非作用中以忽略產品疊層或譜系映射。

supplementary_time_series （建議用於預測品質）

如何使用此資料實體？ 需求規劃使用此資料做為標記意外因素的主要來源，例如促銷活動、折扣、假日等。

supplementary_time_series 資料欄
資料行	欄是否為必要？	預測中如何使用此資料欄？
id	必要	將資料擷取至供應鏈資料湖 (SCDL) 時需要。唯一記錄識別符。
order_date	必要	將資料擷取至供應鏈資料湖 (SCDL) 時需要。記錄時間序列時的時間戳記。
time_series_name	必要	將資料擷取至供應鏈資料湖 (SCDL) 時需要。特定時間序列類型的名稱。time_series_name 欄必須以字母開頭，長度為 2 到 56 個字元，且可包含字母、數字和底線。不允許使用其他特殊字元。
time_series_value	必要	資料擷取至 SCDL 時為必要。對應至特定時間序列的值。需求規劃僅支援數值輸入，且不考慮具有分類值的時間序列。
product_id	選用	建議使用。特定產品的唯一識別符。如果需求驅動程式可在產品層級使用，請使用此欄。
site_id	選用	建議使用。特定網站或位置的唯一識別符。如果需求驅動程式可在網站層級使用，請使用此欄。此欄可以代表以最低層級網站階層組態為基礎的 ship_from_site_id 或 ship_to_site_id。
channel_id	選用	建議使用。特定頻道的唯一識別符。如果頻道層級有需求驅動程式可用，請使用此欄。
customer_tpartner_id	選用	建議使用。特定客戶的唯一識別符。如果需求驅動程式可在客戶層級使用，請使用此欄。

歷史與未來補充時間序列：了解預測中的共變數

準確的需求預測不僅需要了解歷史銷售模式，還需要驅動需求變化的外部因素。補充時間序列 (STS) 資料，也稱為共變數，擷取這些需求驅動因素，例如促銷、定價、假日和庫存水準，讓預測模型能夠區分可解釋模式與隨機雜訊，並預測未來的業務動作將如何影響需求。不過，只有歷史上已知的共變數（例如過去的庫存層級或競爭對手動作）與事先已知的共變數（例如規劃的促銷或排程的假日）之間存在重大差異，並且了解此差異對於建立支援主動規劃決策的準確預測至關重要。

需求預測的關鍵區別在於過去的共變數和已知共變數 （也稱為未來的共變數）。了解此差異對於建立準確的預測模型至關重要。

過去的共變數（歷史 STS 資料）

過去的共變數是補充時間序列值，僅針對歷史期間已知。這些變數會與您的歷史需求一起觀察，但未來期間無法事先預測或得知。

過去共變數的範例：

歷史庫存可用性：您知道過去的庫存水準，但未來的可用性取決於需求、補充和其他不確定因素
實際競爭對手定價：歷史競爭對手價格資料是可觀測的，但未來的競爭對手動作仍不明
天氣條件：記錄過去天氣，但未來天氣（除了短期預測之外）不確定
網站流量：已知歷史流量模式，但未來的流量取決於許多無法預測的因素

在預測模型中使用：過去的共變數有助於模型學習歷史關係和模式。例如，如果高庫存可用性在歷史上與較高的銷售額相關（因為更好的產品可見性或履行速度），則模型會學習這種關係。不過，由於這些值在未來期間是未知的，因此模型必須在沒有這些值的情況下進行預測，或對其未來值做出假設。

已知共變數（未來 STS 資料）

已知共變數是已知的補充時間序列值，或可提前決定未來期間。這些是預測最有價值的輸入，因為它們提供有關未來條件的具體資訊。

已知共變數的範例：

計劃促銷折扣：您的行銷團隊已排定未來日期具有特定折扣等級的行銷活動
價格索引變更：計劃價格調整會根據您的定價策略預先決定
假日指標：以行事曆為基礎的事件（假日、購物季節、會計期間）是多年前已知的
計劃行銷支出：預算分配和行銷活動排程已預先決定
商店開始/關閉事件：提前知道擴展或合併計畫

在預測模型中使用：已知共變數可大幅提高預測準確性，因為模型可以納入實際的未來條件，而不是假設。例如，如果您知道下個月計劃進行 25% 的折扣提升，則模型可以根據歷史折扣回應模式預測預期的需求提升。

實際實作策略

對於歷史期間（訓練資料）：在補充時間序列資料中同時包含過去的共變數和已知共變數。這可讓模型從所有可用的需求驅動因素中學習關係。您的資料集應包含截至目前日期為止所有時間序列類型的實際觀察值。

對於未來期間（預測地平線）：只在補充時間序列資料中包含已知的共變數。這些是您可以放心為未來日期指定的需求驅動因素。例如：


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

此未來資料會告知模型，2 月 1 日預計有 20% 的折扣，而 2 月 14 日預計有 30% 的華人節促銷。

實用應用程式

促銷規劃：追蹤一段時間內的折扣百分比，以了解促銷強度如何影響需求。這有助於識別最佳折扣層級，並預測未來提升的需求。
價格彈性分析：監控價格索引移動，以量化價格變更如何影響不同產品、位置和管道的客戶購買行為。
庫存限制模型：擷取庫存可用性層級，以識別庫存不足或低庫存限制銷售的時間，確保預測考慮到供應限制，而不是真正的需求訊號。

需求規劃的優勢

透過整合補充的時間序列資料，您的需求規劃系統可以：

改善預測準確性：考慮已知的需求驅動因素，而不是將其視為無法解釋的差異
啟用案例規劃：透過調整需求驅動因素的未來值來模擬「假設」案例
識別因果關係：了解哪些因素對不同產品和市場的需求影響最大
支援策略決策：提供定價、促銷和庫存策略的資料驅動洞察

您的瀏覽器已停用或無法使用 Javascript。

您必須啟用 Javascript，才能使用 AWS 文件。請參閱您的瀏覽器說明頁以取得說明。

文件慣用形式

什麼是需求智慧？

建立和設定需求計劃