Amazon Forecast n'est plus disponible pour les nouveaux clients. Les clients existants d'Amazon Forecast peuvent continuer à utiliser le service normalement. [En savoir plus »](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)
Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
# Analyse hypothétique
Une analyse hypothétique est un outil qui permet d'étudier et d'expliquer comment différents scénarios peuvent affecter les prévisions de référence créées par Amazon Forecast. La prévision de référence est la prévision créée par Amazon Forecast sur la base des séries chronologiques associées d'origine que vous avez fournies.
Une analyse hypothétique crée une série de prévisions hypothétiques en fonction de la manière dont vous avez choisi de modifier les séries chronologiques associées. Ces prévisions hypothétiques sont comparées et mises en contraste avec les prévisions de référence pour vous aider à comprendre l'impact de modifications spécifiques sur votre modèle.
Il existe deux méthodes pour créer une série chronologique associée modifiée. Vous pouvez soit fournir une série chronologique associée modifiée dans un chemin Amazon S3, soit spécifier un ensemble de transformations de la série chronologique associée existante. Lorsque vous spécifiez un ensemble de transformations, une copie de la série chronologique associée d'origine est créée pour contenir ces modifications.
Les transformations vous permettent de créer un sous-ensemble des séries chronologiques associées et de modifier des attributs spécifiques des séries chronologiques associées. Pour plus d’informations, consultez [Ensemble de données de remplacement](replacement-series.md) et [Fonctions de transformation](data-transformations.md).
**Topics**
+ [Création d'une analyse hypothétique](#how-what-if-works)
+ [Fonctions de transformation](data-transformations.md)
+ [Ensemble de données de remplacement](replacement-series.md)
## Création d'une analyse hypothétique
Une analyse hypothétique explore l'impact des modifications apportées aux séries chronologiques relatives à la base de référence sur une prévision. Vous ne pouvez créer une analyse hypothétique qu'à partir d'une prévision utilisant un. AutoPredictor Après avoir créé une analyse hypothétique, vous créez une ou plusieurs prévisions hypothétiques. Comparez les prévisions hypothétiques et les prévisions de référence, puis exportez une ou plusieurs prévisions hypothétiques.
**Note**
Vos données doivent être au format CSV (valeurs séparées par des virgules) pour créer une analyse hypothétique.
**Topics**
+ [Créez une analyse hypothétique](#create-analysis)
+ [Création d'une prévision hypothétique](#create-forecast)
+ [Comparez vos prévisions hypothétiques](#compare-forecasts)
+ [Exportez vos prévisions hypothétiques](#export-forecasts)
+ [Consultez vos prévisions hypothétiques](#query-wi-forecasts)
### Créez une analyse hypothétique
Vous pouvez créer une analyse hypothétique à l'aide de la console Forecast ou du kit de développement logiciel (SDK) Forecast.
------
#### [ Console ]
Pour créer une analyse hypothétique, procédez comme suit :
1. Créez une prévision formée à l'aide d'un AutoPredictor.
1. Ouvrez le tableau de bord du groupe de jeux de données qui contient les prévisions qui vous intéressent.
1. Choisissez **Explore what-if analysis**.
1. **Dans l'onglet **Analyse hypothétique** de la page Insights, choisissez Create.**
1. Entrez un nom unique dans le champ **Nom de l'analyse hypothétique** et choisissez la prévision de référence pour cette analyse.
1. Dans la zone de **sélection des éléments**, indiquez si vous souhaitez inclure automatiquement tous les éléments dans l'analyse ou si vous souhaitez spécifier les éléments à inclure dans un fichier.
Si vous choisissez **Sélectionner les éléments avec un fichier**, vous devez fournir un jeu de données contenant uniquement les éléments que vous souhaitez modifier dans les prévisions hypothétiques. Pour de plus amples informations, veuillez consulter [Spécification de séries chronologiques](forecast-explainability.md#forecast-explainability-time-series).
1. Choisissez **Créer une analyse hypothétique.** Une bannière en haut de la page d'analyse hypothétique affichera l'état de la tâche de création de l'analyse hypothétique.
------
#### [ SDK ]
À l'aide de l'[CreateWhatIfAnalysis](API_CreateWhatIfAnalysis.md)opération, attribuez un nom unique WhatIfAnalysisName et indiquez l'ARN de prévision de la base de référence pour ForecastArn. L'exemple ci-dessous montre un schéma pour les séries chronologiques utilisant une combinaison de la dimension « item\$1id » et de la dimension « store\$1location ». Pour de plus amples informations, veuillez consulter [Spécification de séries chronologiques](forecast-explainability.md#forecast-explainability-time-series).
```
{
"ForecastArn": "arn:aws:forecast:region:acctNumber:forecast/baselineForecast",
"WhatIfAnalysisName": "unique_name",
"TimeSeriesSelector": {
"TimeSeriesIdentifiers": {
"DataSource": {
"S3Config": {
"Path": "s3://bucket/example-path",
"RoleArn": "arn:aws:iam::000000000000:role/ExampleRole"
}
},
"Schema": {
"Attributes": [
{
"AttributeName": "item_id",
"AttributeType": "string"
}
{
"AttributeName": "store_location",
"AttributeType": "string"
}
]
}
}
}
}
```
------
### Création d'une prévision hypothétique
Vous pouvez créer une prévision hypothétique à l'aide de la console Forecast ou du kit de développement logiciel (SDK) Forecast.
------
#### [ Console ]
Pour créer une prévision hypothétique, procédez comme suit :
1. Dans l'onglet **Analyse hypothétique** de la page Insights, choisissez l'analyse hypothétique qui vous intéresse.
1. **Dans la **section Prévisions hypothétiques**, choisissez Créer.**
1. Sur la page Créer une prévision hypothétique, saisissez un **nom de prévision hypothétique unique et choisissez **Utiliser les fonctions de transformation** ou Définir la prévision** **hypothétique avec un jeu de données de remplacement.** Pour plus d’informations, consultez [Ensemble de données de remplacement](replacement-series.md) et [Fonctions de transformation](data-transformations.md).
1. Si vous choisissez **Utiliser les fonctions de transformation**, vous devez utiliser le **générateur de fonctions de transformation** pour sélectionner et modifier les lignes incluses dans les prévisions hypothétiques. Toutes les transformations sont appliquées dans l'ordre dans lequel elles sont spécifiées. Les conditions sont appliquées dans l'ordre dans lequel elles sont spécifiées et sont associées à une opération AND. La transformation n'est appliquée que lorsque toutes les conditions sont remplies.
1. Si vous choisissez **Définir les prévisions hypothétiques avec un jeu de données de remplacement**, vous devez fournir un jeu de données de remplacement contenant uniquement les lignes que vous souhaitez modifier pour les prévisions hypothétiques.
1. Sélectionnez **Create** (Créer).
------
#### [ SDK - Transformation Function ]
À l'aide de l'[CreateWhatIfForecast](API_CreateWhatIfForecast.md)opération, attribuez un nom unique WhatIfAnalysisName et indiquez votre ARN de prévision pour ForecastArn. L'exemple ci-dessous montre un schéma pour une transformation en « price » lorsque le « store\$1location » n'est pas « tacoma ».
```
{
"WhatIfAnalysisArn": "arn:aws:forecast:us-west-2:666488130463:what-if-analysis/jan2020forecast/PromotionAnalysis_01G8MB3PZM89J9V1VEXCC0BS63",
"WhatIfForecastName": "unique_name",
"TimeSeriesTransformations": [
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 0.85
},
"TimeSeriesConditions": [
{
"AttributeName": "store_location",
"AttributeValue": "tacoma",
"Condition": "NOT_EQUALS"
}
]
}
]
}
```
Dans cet exemple, `jan2020forecast` il s'agit de la prévision de base et `PromotionAnalysis_01G8MB3PZM89J9V1VEXCC0BS63` du nom de l'analyse hypothétique.
Vous pouvez également spécifier un jeu de données de remplacement avec l'[TimeSeriesReplacementsDataSource](API_TimeSeriesReplacementsDataSource.md)opération.
------
#### [ SDK - Replacement Dataset ]
À l'aide de l'[CreateWhatIfForecast](API_CreateWhatIfForecast.md)opération, attribuez un nom unique WhatIfAnalysisName et indiquez votre ARN de prévision pour ForecastArn. L'exemple ci-dessous montre le schéma d'une source de données de remplacement.
```
{
"WhatIfAnalysisArn": "arn:aws:forecast:us-west-2:666488130463:what-if-analysis/jan2020forecast/PromotionAnalysis_01G8MB3PZM89J9V1VEXCC0BS63",
"WhatIfForecastName": "unique_name",
"TimeSeriesReplacementsDataSource": {
"S3config": {
"Path" : "s3://bucket-name/replacementDatasource.csv",
"RoleArn": "arn:aws:iam::acct-id:role/Role"
},
"Schema": {
Attributes" : [
{
"AttributeName": "item_id",
"AttributeType": "string"
},
{
"AttributeName": "timestamp",
"AttributeType": "timestamp"
},
{
"AttributeName": "price",
"AttributeType": "float"
},
{
"AttributeName": "stock_count",
"AttributeType": "integer"
},
]
}
}
}
```
Vous pouvez également modifier les séries chronologiques associées avec l'[TimeSeriesTransformation](API_TimeSeriesTransformation.md)opération.
------
### Comparez vos prévisions hypothétiques
Pour comparer les prévisions hypothétiques, procédez comme suit dans la console Forecast :
1. Dans l'onglet **Analyse hypothétique** de la page Insights, choisissez l'analyse hypothétique qui vous intéresse.
1. **Dans la section **Comparer les prévisions hypothétiques**, spécifiez l'élément à analyser, une ou plusieurs **prévisions hypothétiques et au** moins un type de prévision.**
![\[Interface for comparing what-if forecasts with baseline forecast, showing input fields and graph.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/compareWhatIfForecasts.png)
Dans cet exemple, il existe deux prévisions hypothétiques, `priceCut10pct` et`priceIncrease20pct`, qui sont comparées aux types de `p90` prévisions `p50``p10`, et pour. `item_105` Le graphique vous permet de comparer ces prévisions par rapport aux séries chronologiques de référence.
1. Passez la souris sur le graphique pour comparer les prévisions hypothétiques aux prévisions de référence.
### Exportez vos prévisions hypothétiques
Vous pouvez exporter une prévision hypothétique à l'aide de la console Forecast ou du kit de développement logiciel (SDK) Forecast.
------
#### [ Console ]
Pour exporter les prévisions hypothétiques, procédez comme suit :
1. Dans l'onglet **Analyse hypothétique** de la page Insights, choisissez l'analyse hypothétique qui vous intéresse.
1. Dans la section **Exportation des prévisions hypothétiques, choisissez **Créer une** exportation**.
1. **Sur la page Créer une exportation de prévisions hypothétiques, indiquez un **nom d'exportation de prévisions hypothétiques** unique, spécifiez les **prévisions** hypothétiques à inclure, choisissez un **emplacement d'exportation** et indiquez le rôle IAM.**
1. Choisissez **Créer une exportation**.
------
#### [ SDK ]
À l'aide de cette [CreateWhatIfForecastExport](API_CreateWhatIfForecastExport.md) opération, configurez la « Destination » pour qu'elle pointe vers le compartiment Amazon S3 qui contiendra l'exportation. Spécifiez les prévisions hypothétiques à exporter et attribuez un nom unique à l'exportation.
```
{
"WhatIfForecastArns": [ "arn:aws:forecast:region:acctNumber:what-if-forecast/id1" , "arn:aws:forecast:region:acctNumber:what-if-forecast/id2" ],
"WhatIfForecastExportName": "unique_export_name",
"Destination": {
"S3Config": {
"Path": "s3://bucket/example-path",
"RoleArn": "arn:aws:iam::000000000000:role/ExampleRole"
}
},
}
```
------
### Consultez vos prévisions hypothétiques
Vous pouvez demander une prévision hypothétique à l'aide de cette opération. [QueryWhatIfForecast](API_forecastquery_QueryWhatIfForecast.md) Par défaut, la plage complète de la prévision est renvoyée. Vous pouvez demander une plage de dates spécifique dans la prévision complète.
Lorsque vous recherchez une prévision hypothétique, vous devez spécifier des critères de filtrage. Un filtre est une paire clé-valeur. La clé est l'un des noms d'attributs de schéma (y compris les dimensions de prévision) de l'un des ensembles de données utilisés pour créer la prévision. La valeur est une valeur valide pour la clé spécifiée. Vous pouvez spécifier plusieurs paires clé-valeur. La prévision hypothétique renvoyée ne contiendra que les éléments répondant à tous les critères.
Par exemple, utilisez ce code pour obtenir les prévisions hypothétiques pour. `product_42`
```
{
"Filters": {
"item_id" : "product_42"
},
"WhatIfForecastArn": "arn:aws:forecast:region:acctNumber:what-if-forecast/id1"
}
```
# Fonctions de transformation
Une fonction de transformation est un ensemble d'opérations qui permettent de sélectionner et de modifier les lignes d'une série chronologique associée. Vous sélectionnez les lignes souhaitées à l'aide d'une opération de condition. Vous modifiez ensuite les lignes à l'aide d'une opération de transformation. Toutes les conditions sont associées à une opération AND, ce qui signifie que toutes les conditions doivent être vraies pour que la transformation soit appliquée. Les transformations sont appliquées dans l'ordre dans lequel elles sont répertoriées.
Lorsque vous créez une prévision hypothétique, utilisez le **générateur de fonctions de transformation** pour spécifier les conditions et les transformations que vous souhaitez appliquer. L'image ci-dessous illustre cette fonctionnalité.
![\[Transformation function builder interface with options to modify price and stock count.\]](http://docs.aws.amazon.com/fr_fr/forecast/latest/dg/images/transformationFunctionsMod.png)
Dans la section surlignée, la `price` colonne est multipliée par 0,90 (soit une réduction de 10 %) dans le magasin de `tacoma` (c'est-à-dire de Tacoma, dans l'État de Washington) pour les articles colorés. `blue` Pour ce faire, Amazon Forecast crée d'abord un sous-ensemble de la série chronologique associée à la ligne de base afin de ne contenir `store` que les lignes correspondantes. `tacoma`
Ce sous-ensemble est encore réduit pour inclure uniquement les lignes de `color` ce sous-ensemble. `blue` Enfin, toutes les valeurs de la `price` colonne sont multipliées par 0,90 pour créer une nouvelle série chronologique connexe à utiliser dans les prévisions hypothétiques.
Amazon Forecast prend en charge les conditions suivantes :
+ `EQUALS`- La valeur de la colonne est identique à la valeur fournie dans la condition.
+ `NOT_EQUALS`- La valeur de la colonne n'est pas la même que celle fournie dans la condition.
+ `LESS_THAN`- La valeur de la colonne est inférieure à la valeur fournie dans la condition.
+ `GREATER_THAN`- La valeur de la colonne est supérieure à la valeur fournie dans la condition.
Amazon Forecast prend en charge les actions suivantes :
+ `ADD`- Ajoute la valeur fournie à toutes les lignes de la colonne.
+ `SUBTRACT`- Soustrait la valeur fournie de toutes les lignes de la colonne.
+ `MULTIPLY`- Multiplie toutes les lignes de la colonne par la valeur fournie.
+ `DIVIDE`- Divise toutes les lignes de la colonne par la valeur fournie.
Vous trouverez ci-dessous des exemples de la manière dont vous pouvez spécifier une transformation de série chronologique à l'aide du SDK.
------
#### [ Example 1 ]
Cet exemple applique une réduction de 10 % à tous les articles de la boutique de Seattle. Notez que « Ville » est une dimension de prévision.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 0.90
},
"TimeSeriesConditions": [
{
"AttributeName": "city",
"AttributeValue": "seattle",
"Condition": "EQUALS"
}
]
}
]
```
------
#### [ Example 2 ]
Cet exemple applique une réduction de 10 % sur tous les articles de la catégorie « électronique ». Notez que « product\$1category » est une métadonnée d'article.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 0.90
},
"TimeSeriesConditions": [
{
"AttributeName": "product_category",
"AttributeValue": "electronics",
"Condition": "EQUALS"
}
]
}
]
```
------
#### [ Example 3 ]
Cet exemple applique une majoration de 20 % à l' BOA21314item\$1id K spécifique.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 1.20
},
"TimeSeriesConditions": [
{
"AttributeName": "item_id",
"AttributeValue": "BOA21314K",
"Condition": "EQUALS"
}
]
}
]
```
------
#### [ Example 4 ]
Cet exemple ajoute 1\$1 à tous les articles des boutiques de Seattle et Bellevue.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "ADD",
"Value": 1.0
},
"TimeSeriesConditions": [
{
"AttributeName": "city",
"AttributeValue": "seattle",
"Condition": "EQUALS"
}
]
},
{
"Action": {
"AttributeName": "price",
"Operation": "ADD",
"Value": 1.0
},
"TimeSeriesConditions": [
{
"AttributeName": "city",
"AttributeValue": "bellevue",
"Condition": "EQUALS"
}
]
}
]
```
------
#### [ Example 5 ]
Cet exemple soustrait 1\$1 de tous les articles à Seattle au mois de septembre 2022.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "SUBTRACT",
"Value": 1.0
},
"TimeSeriesConditions": [
{
"AttributeName": "city",
"AttributeValue": "seattle",
"Condition": "EQUALS"
},
{
"AttributeName": "timestamp",
"AttributeValue": "2022-08-31 00:00:00",
"Condition": "GREATER_THAN"
},
{
"AttributeName": "timestamp",
"AttributeValue": "2022-10-01 00:00:00",
"Condition": "LESS_THAN"
}
]
}
]
```
------
#### [ Example 6 ]
Dans cet exemple, le prix est d'abord multiplié par 10, puis 5\$1 sont soustraits du prix. Notez que les actions sont appliquées dans l'ordre dans lequel elles sont déclarées.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 10.0
},
"TimeSeriesConditions": [
{
"AttributeName": "city",
"AttributeValue": "seattle",
"Condition": "EQUALS"
}
]
},
{
"Action": {
"AttributeName": "price",
"Operation": "SUBTRACT",
"Value": 5.0
},
"TimeSeriesConditions": [
{
"AttributeName": "city",
"AttributeValue": "seattle",
"Condition": "EQUALS"
}
]
}
]
```
------
#### [ Example 7 ]
Cet exemple crée un ensemble vide, de sorte que l'action n'est appliquée à aucune série chronologique. Ce code essaie de modifier le prix de tous les articles dans les magasins de Seattle et Bellevue. Étant donné que les conditions sont associées à l'opération AND et qu'un magasin ne peut exister que dans une seule ville, le résultat est un ensemble vide. Par conséquent, l'action n'est pas appliquée.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 10.0
},
"TimeSeriesConditions": [
{
"AttributeName": "city",
"AttributeValue": "seattle",
"Condition": "EQUALS"
},
{
"AttributeName": "city",
"AttributeValue": "bellevue",
"Condition": "EQUALS"
},
]
}
]
```
Pour un exemple d'application d'une condition à plusieurs attributs, reportez-vous à l'exemple 4.
------
#### [ Example 8 ]
Les conditions de transformation qui utilisent un horodatage s'appliquent aux données alignées aux limites, et non aux données brutes. Par exemple, vous saisissez vos données toutes les heures et les prévisions quotidiennes. Dans ce cas, Forecast aligne les horodatages sur le jour et `2020-12-31 01:00:00` est donc aligné sur. `2020-12-31 00:00:00` Ce code créera un ensemble vide car il ne spécifie pas l'horodatage à l'horodatage aligné sur les limites.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 10.0
},
"TimeSeriesConditions": [
{
"AttributeName": "timestamp",
"AttributeValue": "2020-12-31 01:00:00",
"Condition": "EQUALS"
},
]
}
]
```
------
# Ensemble de données de remplacement
Un jeu de données de remplacement est une version modifiée de la série chronologique associée à la référence qui contient uniquement les valeurs que vous souhaitez modifier dans une prévision hypothétique. Le jeu de données de remplacement doit contenir les dimensions de prévision, les identificateurs d'éléments et les horodatages des séries chronologiques associées à la référence, ainsi qu'au moins une série chronologique modifiée. Ce jeu de données est fusionné avec la série chronologique associée à la ligne de base pour créer un jeu de données transformé qui est utilisé pour les prévisions hypothétiques. Le jeu de données de remplacement doit être au format CSV.
Ce jeu de données ne doit pas contenir d'horodatages dupliqués pour la même série chronologique.
Vous trouverez ci-dessous plusieurs exemples de la manière dont vous pouvez spécifier une série chronologique de remplacement et de la manière dont ces spécifications sont interprétées. Imaginons le cas où vous faites des prévisions quotidiennes et que l'horizon de prévision se situe entre le 1er août et le 3 août. Les séries chronologiques relatives à la base de référence pour tous les exemples sont indiquées dans le tableau suivant.
| item\$1id | timestamp | prix | stock\$1count |
| --- | --- | --- | --- |
| article\$11 | 05/08/01 | 100 | 50 |
| article\$11 | 05/08/02 | 100 | 50 |
| article\$11 | 03/08/08 | 100 | 50 |
| article\$12 | 05/08/01 | 75 | 500 |
| article\$12 | 05/08/02 | 75 | 500 |
| article\$12 | 03/08/08 | 75 | 500 |
------
#### [ Unchanged values ]
Pour appliquer une réduction de 10 % sur item\$11 pour le 02/08/2008 et le 03/08/2008, il suffit de spécifier les éléments suivants pour le jeu de données de remplacement :
**Ensemble de données de remplacement**
| item\$1id | timestamp | prix |
| --- | --- | --- |
| article\$11 | 05/08/02 | 90 |
| article\$11 | 03/08/08 | 90 |
Toutefois, il est également possible de spécifier des valeurs inchangées dans le jeu de données de remplacement. Lorsqu'elles sont utilisées comme ensembles de données de remplacement, chacune des trois tables suivantes produira les mêmes résultats que la table fournie précédemment.
**Ensemble de données de remplacement avec une colonne inchangée**
| item\$1id | timestamp | prix | stock\$1count |
| --- | --- | --- | --- |
| article\$11 | 05/08/02 | 90 | 50 |
| article\$11 | 03/08/08 | 90 | 50 |
**Ensemble de données de remplacement avec des lignes inchangées**
| item\$1id | timestamp | prix |
| --- | --- | --- |
| article\$11 | 05/08/01 | 100 |
| article\$11 | 05/08/02 | 90 |
| article\$11 | 03/08/08 | 90 |
| article\$12 | 05/08/01 | 75 |
| article\$12 | 05/08/02 | 75 |
| article\$12 | 03/08/08 | 75 |
**Ensemble de données de remplacement avec des lignes et des colonnes inchangées**
| item\$1id | timestamp | prix | stock\$1count |
| --- | --- | --- | --- |
| article\$11 | 05/08/01 | 100 | 50 |
| article\$11 | 05/08/02 | 90 | 50 |
| article\$11 | 03/08/08 | 90 | 50 |
| article\$12 | 05/08/01 | 75 | 500 |
| article\$12 | 05/08/02 | 75 | 500 |
| article\$12 | 03/08/08 | 75 | 500 |
------
#### [ Missing values ]
Les valeurs manquantes dans la série chronologique de remplacement sont remplacées par les valeurs de la série chronologique associée à la base de référence. Imaginons le scénario dans lequel vous appliquez une réduction de 10 % sur l'article 1 pour le 2 août et le 3 août et augmentez le stock de l'article 2 le 1er août. Ce jeu de données de remplacement est suffisant :
**Ensemble de données de remplacement avec des valeurs manquantes**
| item\$1id | timestamp | prix | stock\$1count |
| --- |--- |--- |--- |
| article\$11 | 05/08/02 | 90 | |
| --- |--- |--- |--- |
| article\$11 | 03/08/08 | 90 | |
| --- |--- |--- |--- |
| article\$12 | 05/08/01 | | 5000 |
| --- |--- |--- |--- |
Les valeurs absentes de ce tableau sont imputées à partir des séries chronologiques relatives à la base de référence.
------
#### [ Extraneous values ]
Les valeurs superflues de la série chronologique de remplacement sont ignorées lors de la création d'une prévision hypothétique. En d'autres termes, les valeurs du jeu de données de remplacement qui ne correspondent pas aux valeurs des séries chronologiques associées à la référence ne sont pas modélisées. Considérez cet ensemble de données de remplacement :
**Ensemble de données de remplacement avec des valeurs superflues**
| item\$1id | timestamp | prix | stock\$1count |
| --- |--- |--- |--- |
| article\$11 | 05/08/01 | 100 | 50 |
| article\$11 | 05/08/02 | 100 | 50 |
| article\$11 | 03/08/08 | 100 | 50 |
| article\$12 | 05/08/01 | 75 | 500 |
| article\$12 | 05/08/02 | 75 | 500 |
| article\$12 | 03/08/08 | 75 | 500 |
| article\$13 | 05/08/01 | 50 | 125 |
| --- |--- |--- |--- |
| article\$13 | 05/08/02 | 50 | 125 |
| --- |--- |--- |--- |
| article\$13 | 03/08/08 | 50 | 125 |
| --- |--- |--- |--- |
Les lignes contenant item\$13 sont ignorées et ne font pas partie de l'analyse hypothétique.
------
#### [ Historical changes ]
Les modifications apportées au jeu de données de remplacement en dehors de l'horizon de prévision sont ignorées. Considérez cet ensemble de données de remplacement :
**Jeu de données de remplacement avec des valeurs situées en dehors de l'horizon de prévision**
| item\$1id | timestamp | prix | stock\$1count |
| --- |--- |--- |--- |
| article\$11 | 07-31 | 100 | 50 |
| --- |--- |--- |--- |
| article\$11 | 05/08/01 | 100 | 50 |
| article\$11 | 05/08/02 | 100 | 50 |
| article\$11 | 03/08/08 | 100 | 50 |
| article\$11 | 04/08/2008 | 100 | 50 |
| --- |--- |--- |--- |
| article\$12 | 07-31 | 75 | 500 |
| --- |--- |--- |--- |
| article\$12 | 05/08/01 | 75 | 500 |
| article\$12 | 05/08/02 | 75 | 500 |
| article\$12 | 03/08/08 | 75 | 500 |
| article\$13 | 04/08/2008 | 75 | 500 |
| --- |--- |--- |--- |
Les lignes contenant le code « 07-31 » et le « 08-04 » sont ignorées et ne font pas partie de l'analyse hypothétique.
------
## Dimensions des prévisions
Si vous incluez des dimensions de prévision dans votre jeu de données, vous devez les inclure dans le jeu de données de remplacement. Considérez cette série chronologique liée à la base de référence :
| item\$1id | identifiant du magasin | timestamp | prix | stock\$1count |
| --- | --- | --- | --- | --- |
| article\$11 | magasin\$11 | 05/08/01 | 100 | 50 |
| article\$11 | magasin\$11 | 05/08/02 | 100 | 50 |
| article\$11 | magasin\$11 | 03/08/08 | 100 | 50 |
| article\$11 | boutique\$12 | 05/08/01 | 75 | 500 |
| article\$11 | boutique\$12 | 05/08/02 | 75 | 500 |
| article\$11 | boutique\$12 | 03/08/08 | 75 | 500 |
Par conséquent, le jeu de données de remplacement pour bénéficier d'une réduction de 10 % dans tous les magasins le 2 août serait le suivant :
| item\$1id | identifiant du magasin | timestamp | prix |
| --- | --- | --- | --- |
| article\$11 | magasin\$11 | 05/08/02 | 90 |
| article\$11 | boutique\$12 | 05/08/02 | 67,5 |