Forecast basado en los impulsores de la demanda - AWS Supply Chain

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Forecast basado en los impulsores de la demanda

Para mejorar la precisión de las previsiones al configurar su previsión, puede utilizar los impulsores de la demanda. Los impulsores de la demanda son entradas relacionadas con series temporales que capturan las tendencias y temporadas de los productos. En lugar de depender de la demanda histórica, puede utilizar los impulsores de la demanda para influir en la cadena de suministro en función de varios factores. Por ejemplo, promociones, cambios de precios y campañas de marketing. La planificación de la demanda apoya los impulsores de la demanda tanto históricos como futuros.

Requisitos previos para utilizar los impulsores de la demanda

Antes de ingerir datos para los impulsores de la demanda, asegúrese de que los datos cumplan las siguientes condiciones:

  • Asegúrese de incorporar los datos de los impulsores de la demanda en la entidad de datos supplementary_time_series. Puede proporcionar información sobre los impulsores de la demanda histórica y futura. Para obtener información sobre las entidades de datos que requiere Demand Planning, consultePlanificación de la demanda.

    Si no puede localizar la entidad de datos supplementary_time_series, es posible que la instancia utilice una versión anterior del modelo de datos. Puede ponerse en contacto con AWS Support para actualizar la versión de su modelo de datos o crear una nueva conexión de datos.

  • Asegúrese de que las siguientes columnas estén rellenadas en la entidad de datos supplementary_time_series.

    • id: esta columna es el identificador de registro único y es necesaria para que la ingesta de datos se realice correctamente.

    • order_date: esta columna indica la marca de tiempo del impulsor de la demanda. Puede estar fechado tanto en el pasado como en el futuro.

    • time_series_name: esta columna es el identificador de cada controlador de demanda. El valor de esta columna debe empezar por una letra, debe tener entre 2 y 56 caracteres y puede contener letras, números y guiones bajos. Los demás caracteres especiales no son válidos.

    • time_series_value: esta columna proporciona la medición puntual de un factor de demanda concreto en un momento específico. Solo se admiten valores numéricos.

  • Seleccione un mínimo de 1 y un máximo de 13 conductores exigentes. Asegúrese de que los métodos de agregación y llenado estén configurados. Para obtener más información sobre los métodos de llenado, consulteMétodo de llenado de datos de Demand Drivers. Puede modificar la configuración en cualquier momento. Demand Planning aplicará los cambios en el siguiente ciclo de previsión.

El siguiente ejemplo ilustra cómo se genera un plan de demanda cuando las columnas del impulsor de la demanda requeridas se incorporan a la entidad de datos supplementary_time_series. Demand Planning recomienda proporcionar datos históricos y futuros sobre los impulsores de la demanda (si están disponibles). Estos datos ayudan al modelo de aprendizaje a aprender y aplicar el patrón a la previsión.

Ejemplo de impulsores de la demanda

El siguiente ejemplo ilustra cómo puede configurar algunos impulsores de demanda comunes en su conjunto de datos.

Ejemplo de impulsores de la demanda

Cuando proporcione los indicadores principales, Demand Planning recomienda encarecidamente que ajuste la fecha de la serie temporal. Por ejemplo, supongamos que una métrica concreta sirve como indicador inicial de 20 días con una tasa de conversión del 70%. En este caso, considere la posibilidad de cambiar la fecha de la serie temporal en 20 días y, a continuación, aplicar el factor de conversión adecuado. Si bien el modelo de aprendizaje puede aprender patrones sin tales ajustes, alinear los datos de los indicadores principales con los resultados correspondientes es más eficaz en el reconocimiento de patrones. La magnitud del valor desempeña un papel importante en este proceso, ya que mejora la capacidad del modelo para aprender e interpretar los patrones con precisión.