Amazon Forecast tidak lagi tersedia untuk pelanggan baru. Pelanggan Amazon Forecast yang ada dapat terus menggunakan layanan seperti biasa. [Pelajari lebih lanjut”](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)
Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Analisis bagaimana-jika
Analisis bagaimana-jika adalah alat untuk membantu menyelidiki dan menjelaskan bagaimana skenario yang berbeda dapat memengaruhi perkiraan dasar yang dibuat oleh Amazon Forecast. Prakiraan dasar adalah perkiraan yang dibuat oleh Amazon Forecast berdasarkan deret waktu terkait asli yang Anda berikan.
Analisis bagaimana-jika membuat serangkaian prakiraan bagaimana-jika berdasarkan bagaimana Anda memilih untuk memodifikasi deret waktu terkait. Prakiraan bagaimana-jika dibandingkan dan dikontraskan dengan perkiraan dasar untuk membantu Anda memahami bagaimana perubahan spesifik dapat memengaruhi model Anda.
Ada dua metode untuk membuat deret waktu terkait yang dimodifikasi. Anda dapat menyediakan deret waktu terkait yang dimodifikasi di jalur Amazon S3 atau menentukan serangkaian transformasi ke deret waktu terkait yang ada. Saat Anda menentukan satu set transformasi, salinan deret waktu terkait asli dibuat untuk memuat perubahan ini.
Transformasi memungkinkan Anda untuk membuat subset dari deret waktu terkait dan memodifikasi atribut spesifik dari deret waktu terkait. Untuk informasi selengkapnya, silakan lihat [Dataset Penggantian](replacement-series.md) dan [Fungsi Transformasi](data-transformations.md).
**Topics**
+ [Membuat analisis bagaimana-jika](#how-what-if-works)
+ [Fungsi Transformasi](data-transformations.md)
+ [Dataset Penggantian](replacement-series.md)
## Membuat analisis bagaimana-jika
Analisis bagaimana-jika mengeksplorasi bagaimana perubahan pada deret waktu terkait baseline dapat memengaruhi perkiraan. Anda hanya dapat membuat analisis bagaimana-jika dari perkiraan yang menggunakan. AutoPredictor Setelah Anda membuat analisis bagaimana-jika, Anda membuat satu atau lebih prakiraan bagaimana-jika. Bandingkan prakiraan bagaimana-jika dan perkiraan dasar, lalu ekspor satu atau lebih perkiraan bagaimana-jika.
**catatan**
Data Anda harus dalam format nilai yang dipisahkan koma (CSV) untuk membuat analisis bagaimana-jika.
**Topics**
+ [Buat analisis bagaimana-jika](#create-analysis)
+ [Buat perkiraan bagaimana-jika](#create-forecast)
+ [Bandingkan perkiraan bagaimana-jika Anda](#compare-forecasts)
+ [Ekspor perkiraan bagaimana-jika Anda](#export-forecasts)
+ [Tanyakan perkiraan bagaimana-jika Anda](#query-wi-forecasts)
### Buat analisis bagaimana-jika
Anda dapat membuat analisis bagaimana-jika menggunakan konsol Forecast atau Forecast Software Development Kit (SDK).
------
#### [ Console ]
Untuk membuat analisis bagaimana-jika, selesaikan langkah-langkah berikut:
1. Buat ramalan yang dilatih menggunakan AutoPredictor.
1. Buka dasbor grup kumpulan data yang berisi perkiraan yang Anda minati.
1. Pilih **Jelajahi analisis bagaimana-jika**.
1. **Pada tab **Analisis bagaimana-jika** pada halaman Wawasan, pilih Buat.**
1. Berikan nama unik di bidang **nama analisis bagaimana-jika** dan pilih perkiraan dasar untuk analisis ini.
1. Di area **pemilihan item**, pilih apakah Anda ingin secara otomatis memasukkan semua item dalam analisis atau tentukan item yang akan disertakan dengan file.
Jika Anda memilih **Pilih item dengan file**, Anda harus menyediakan kumpulan data yang hanya berisi item yang ingin Anda ubah dalam prakiraan bagaimana-jika. Untuk informasi selengkapnya, lihat [Menentukan deret waktu](forecast-explainability.md#forecast-explainability-time-series).
1. Pilih **Buat analisis bagaimana-jika**. Spanduk di bagian atas halaman Analisis Bagaimana-jika akan menampilkan status pekerjaan pembuatan analisis bagaimana-jika.
------
#### [ SDK ]
Dengan menggunakan [CreateWhatIfAnalysis](API_CreateWhatIfAnalysis.md) operasi, berikan nama unik untuk WhatIfAnalysisName dan berikan perkiraan ARN dari perkiraan dasar untuk. ForecastArn Contoh di bawah ini menunjukkan skema untuk deret waktu menggunakan kombinasi “item\$1id” dan dimensi “store\$1location”. Untuk informasi selengkapnya, lihat [Menentukan deret waktu](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"
}
]
}
}
}
}
```
------
### Buat perkiraan bagaimana-jika
Anda dapat membuat perkiraan bagaimana-jika menggunakan konsol Forecast atau Forecast Software Development Kit (SDK).
------
#### [ Console ]
Untuk membuat perkiraan bagaimana-jika, selesaikan langkah-langkah berikut:
1. Pada tab **Analisis bagaimana-jika** di halaman Wawasan, pilih analisis bagaimana-jika yang Anda minati.
1. **Di bagian **Prakiraan bagaimana-jika**, pilih Buat.**
1. Pada halaman Buat perkiraan bagaimana-jika, berikan **nama perkiraan bagaimana-jika yang unik dan pilih **Gunakan fungsi transformasi** atau Tentukan perkiraan** **bagaimana-jika dengan** kumpulan data pengganti. Untuk informasi selengkapnya, silakan lihat [Dataset Penggantian](replacement-series.md) dan [Fungsi Transformasi](data-transformations.md).
1. Jika Anda memilih **Gunakan fungsi transformasi**, Anda harus menggunakan **pembuat fungsi Transformasi** untuk memilih dan memodifikasi baris yang disertakan dalam perkiraan bagaimana-jika. Semua transformasi diterapkan dalam urutan yang ditentukan. Ketentuan diterapkan dalam urutan yang ditentukan, dan digabungkan dengan operasi AND. Transformasi diterapkan hanya ketika semua kondisi terpenuhi.
1. Jika Anda memilih **Tentukan perkiraan bagaimana-jika dengan kumpulan data pengganti**, Anda harus menyediakan kumpulan data pengganti yang hanya berisi baris yang ingin Anda ubah untuk perkiraan bagaimana-jika.
1. Pilih **Buat**.
------
#### [ SDK - Transformation Function ]
Dengan menggunakan [CreateWhatIfForecast](API_CreateWhatIfForecast.md) operasi, berikan nama unik untuk WhatIfAnalysisName dan berikan perkiraan ARN Anda. ForecastArn Contoh di bawah ini menunjukkan skema untuk transformasi ke “harga” ketika “store\$1location” bukan “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"
}
]
}
]
}
```
Dalam contoh ini, `jan2020forecast` adalah perkiraan dasar dan `PromotionAnalysis_01G8MB3PZM89J9V1VEXCC0BS63` merupakan nama analisis bagaimana-jika.
Anda juga dapat menentukan dataset pengganti dengan [TimeSeriesReplacementsDataSource](API_TimeSeriesReplacementsDataSource.md) operasi.
------
#### [ SDK - Replacement Dataset ]
Dengan menggunakan [CreateWhatIfForecast](API_CreateWhatIfForecast.md) operasi, berikan nama unik untuk WhatIfAnalysisName dan berikan perkiraan ARN Anda. ForecastArn Contoh di bawah ini menunjukkan skema untuk sumber data pengganti.
```
{
"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"
},
]
}
}
}
```
Anda juga dapat menentukan perubahan pada deret waktu terkait dengan [TimeSeriesTransformation](API_TimeSeriesTransformation.md) operasi.
------
### Bandingkan perkiraan bagaimana-jika Anda
Untuk membandingkan prakiraan bagaimana-jika, selesaikan langkah-langkah berikut di konsol Forecast:
1. Pada tab **Analisis bagaimana-jika** di halaman Wawasan, pilih analisis bagaimana-jika yang Anda minati.
1. **Di bagian **Bandingkan prakiraan bagaimana-jika**, tentukan item yang akan dianalisis, satu atau lebih **prakiraan bagaimana-jika**, dan setidaknya satu jenis Forecast.**
![\[Interface for comparing what-if forecasts with baseline forecast, showing input fields and graph.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/compareWhatIfForecasts.png)
Dalam contoh ini, ada dua prakiraan bagaimana-jika, `priceCut10pct` dan`priceIncrease20pct`, yang dibandingkan pada`p50`,`p10`, dan jenis `p90` perkiraan untuk. `item_105` Grafik memungkinkan Anda untuk melihat bagaimana prakiraan ini dibandingkan dengan deret waktu dasar.
1. Arahkan kursor ke grafik untuk menyelidiki bagaimana perkiraan bagaimana-jika dibandingkan dengan perkiraan dasar.
### Ekspor perkiraan bagaimana-jika Anda
Anda dapat mengekspor perkiraan bagaimana-jika menggunakan konsol Forecast atau Forecast Software Development Kit (SDK).
------
#### [ Console ]
Untuk mengekspor prakiraan bagaimana-jika, selesaikan langkah-langkah berikut:
1. Pada tab **Analisis bagaimana-jika** di halaman Wawasan, pilih analisis bagaimana-jika yang Anda minati.
1. Di bagian **ekspor prakiraan bagaimana-jika, pilih **Buat** ekspor**.
1. **Pada halaman Create what-if forecast export, berikan **nama ekspor prakiraan bagaimana-jika yang unik, tentukan prakiraan** **bagaimana-jika** yang akan disertakan, pilih **lokasi Ekspor**, dan berikan peran IAM.**
1. Pilih **Buat ekspor**.
------
#### [ SDK ]
Menggunakan [CreateWhatIfForecastExport](API_CreateWhatIfForecastExport.md) operasi, konfigurasikan “Tujuan” untuk menunjuk ke bucket Amazon S3 yang akan berisi ekspor. Tentukan perkiraan bagaimana-jika yang akan diekspor, dan berikan nama unik untuk ekspor.
```
{
"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"
}
},
}
```
------
### Tanyakan perkiraan bagaimana-jika Anda
Anda dapat menanyakan perkiraan bagaimana-jika menggunakan operasi. [QueryWhatIfForecast](API_forecastquery_QueryWhatIfForecast.md) Secara default, rentang lengkap perkiraan dikembalikan. Anda dapat meminta rentang tanggal tertentu dalam perkiraan lengkap.
Saat Anda menanyakan perkiraan bagaimana-jika, Anda harus menentukan kriteria pemfilteran. Filter adalah pasangan kunci-nilai. Kuncinya adalah salah satu nama atribut skema (termasuk dimensi perkiraan) dari salah satu kumpulan data yang digunakan untuk membuat perkiraan. Nilai adalah nilai yang valid untuk kunci yang ditentukan. Anda dapat menentukan beberapa pasangan kunci-nilai. Perkiraan bagaimana-jika yang dikembalikan hanya akan berisi item yang memenuhi semua kriteria.
Misalnya, gunakan kode ini untuk mendapatkan perkiraan bagaimana-jika. `product_42`
```
{
"Filters": {
"item_id" : "product_42"
},
"WhatIfForecastArn": "arn:aws:forecast:region:acctNumber:what-if-forecast/id1"
}
```
# Fungsi Transformasi
Fungsi transformasi adalah serangkaian operasi yang memilih dan memodifikasi baris dalam deret waktu terkait. Anda memilih baris yang Anda inginkan dengan operasi kondisi. Anda kemudian memodifikasi baris dengan operasi transformasi. Semua kondisi digabungkan dengan operasi AND, yang berarti bahwa semua kondisi harus benar untuk transformasi yang akan diterapkan. Transformasi diterapkan dalam urutan yang terdaftar.
Saat Anda membuat perkiraan bagaimana-jika, gunakan **pembuat fungsi Transformasi** untuk menentukan kondisi dan transformasi yang ingin Anda terapkan. Gambar di bawah ini menggambarkan fungsi ini.
![\[Transformation function builder interface with options to modify price and stock count.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/transformationFunctionsMod.png)
Di bagian yang disorot, `price` kolom dikalikan dengan 0,90 (yaitu, diskon 10%) di toko di `tacoma` (yaitu, Tacoma, Washington) untuk item yang berwarna. `blue` Untuk melakukan ini, Amazon Forecast pertama-tama membuat subset dari deret waktu terkait baseline yang hanya berisi baris yang sama. `store` `tacoma`
Subset itu selanjutnya dikupas untuk memasukkan hanya baris `color` yang sama. `blue` Akhirnya, semua nilai di `price` kolom dikalikan dengan 0,90 untuk membuat deret waktu terkait baru untuk digunakan dalam perkiraan bagaimana-jika.
Amazon Forecast mendukung kondisi berikut:
+ `EQUALS`- Nilai dalam kolom sama dengan nilai yang diberikan dalam kondisi.
+ `NOT_EQUALS`- Nilai di kolom tidak sama dengan nilai yang diberikan dalam kondisi.
+ `LESS_THAN`- Nilai dalam kolom kurang dari nilai yang diberikan dalam kondisi.
+ `GREATER_THAN`- Nilai dalam kolom lebih besar dari nilai yang diberikan dalam kondisi.
Amazon Forecast mendukung tindakan berikut:
+ `ADD`- Menambahkan nilai yang diberikan ke semua baris di kolom.
+ `SUBTRACT`- Mengurangi nilai yang disediakan dari semua baris di kolom.
+ `MULTIPLY`- Mengalikan semua baris di kolom dengan nilai yang diberikan.
+ `DIVIDE`- Membagi semua baris di kolom dengan nilai yang diberikan.
Berikut ini adalah contoh bagaimana Anda dapat menentukan transformasi deret waktu menggunakan SDK.
------
#### [ Example 1 ]
Contoh ini berlaku diskon 10% untuk semua item di toko Seattle. Perhatikan bahwa “Kota” adalah dimensi perkiraan.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 0.90
},
"TimeSeriesConditions": [
{
"AttributeName": "city",
"AttributeValue": "seattle",
"Condition": "EQUALS"
}
]
}
]
```
------
#### [ Example 2 ]
Contoh ini berlaku diskon 10% untuk semua item dalam kategori “elektronik”. Perhatikan bahwa “product\$1category” adalah metadata item.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 0.90
},
"TimeSeriesConditions": [
{
"AttributeName": "product_category",
"AttributeValue": "electronics",
"Condition": "EQUALS"
}
]
}
]
```
------
#### [ Example 3 ]
Contoh ini menerapkan markup 20% pada BOA21314 item\$1id K.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 1.20
},
"TimeSeriesConditions": [
{
"AttributeName": "item_id",
"AttributeValue": "BOA21314K",
"Condition": "EQUALS"
}
]
}
]
```
------
#### [ Example 4 ]
Contoh ini menambahkan \$11 ke semua item di toko Seattle dan 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 ]
Contoh ini mengurangi \$11 dari semua item di Seattle pada bulan September 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 ]
Dalam contoh ini, harga pertama kali dikalikan dengan 10, kemudian \$15 dikurangkan dari harga. Perhatikan bahwa tindakan diterapkan dalam urutan yang dideklarasikan.
```
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 ]
Contoh ini membuat set kosong, sehingga tindakan tidak diterapkan ke deret waktu apa pun. Kode ini mencoba mengubah harga semua barang di toko-toko di Seattle dan Bellevue. Karena kondisi bergabung dengan operasi AND, dan toko hanya dapat ada di satu kota, hasilnya adalah set kosong. Karena itu, tindakan tersebut tidak diterapkan.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 10.0
},
"TimeSeriesConditions": [
{
"AttributeName": "city",
"AttributeValue": "seattle",
"Condition": "EQUALS"
},
{
"AttributeName": "city",
"AttributeValue": "bellevue",
"Condition": "EQUALS"
},
]
}
]
```
Untuk contoh cara menerapkan kondisi ke beberapa atribut, lihat Contoh 4.
------
#### [ Example 8 ]
Kondisi transformasi yang menggunakan stempel waktu berlaku untuk data yang selaras dengan batas, bukan data mentah. Misalnya, Anda memasukkan data Anda setiap jam dan perkiraan setiap hari. Dalam hal ini, Forecast menyelaraskan stempel waktu ke hari, sehingga `2020-12-31 01:00:00` selaras dengan. `2020-12-31 00:00:00` Kode ini akan membuat set kosong karena tidak menentukan stempel waktu pada stempel waktu yang selaras dengan batas waktu.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 10.0
},
"TimeSeriesConditions": [
{
"AttributeName": "timestamp",
"AttributeValue": "2020-12-31 01:00:00",
"Condition": "EQUALS"
},
]
}
]
```
------
# Dataset Penggantian
Dataset pengganti adalah versi modifikasi dari deret waktu terkait baseline yang hanya berisi nilai yang ingin Anda ubah dalam perkiraan bagaimana-jika. Dataset pengganti harus berisi dimensi perkiraan, pengidentifikasi item, dan stempel waktu dalam deret waktu terkait baseline, serta setidaknya 1 deret waktu yang diubah. Dataset ini digabungkan dengan deret waktu terkait dasar untuk membuat kumpulan data yang diubah yang digunakan untuk perkiraan bagaimana-jika. Dataset pengganti harus dalam format CSV.
Dataset ini tidak boleh berisi stempel waktu duplikat untuk deret waktu yang sama.
Berikut ini adalah beberapa contoh bagaimana Anda dapat menentukan deret waktu penggantian dan bagaimana spesifikasi tersebut ditafsirkan. Pertimbangkan kasus di mana Anda memperkirakan harian dan cakrawala perkiraan adalah 2022-08-01 sampai 2022-08-03. Deret waktu terkait dasar untuk semua contoh diberikan dalam tabel berikut.
| item\$1id | timestamp | price | stock\$1count |
| --- | --- | --- | --- |
| item\$11 | 2022-08-01 | 100 | 50 |
| item\$11 | 2022-08-02 | 100 | 50 |
| item\$11 | 2022-08-03 | 100 | 50 |
| item\$12 | 2022-08-01 | 75 | 500 |
| item\$12 | 2022-08-02 | 75 | 500 |
| item\$12 | 2022-08-03 | 75 | 500 |
------
#### [ Unchanged values ]
Untuk menerapkan diskon 10% pada item\$11 untuk 2022-08-02 dan 2022-08-03, cukup untuk menentukan yang berikut untuk dataset pengganti:
**Dataset pengganti**
| item\$1id | timestamp | price |
| --- | --- | --- |
| item\$11 | 2022-08-02 | 90 |
| item\$11 | 2022-08-03 | 90 |
Namun, itu juga valid untuk menentukan nilai yang tidak berubah dalam dataset pengganti. Ketika digunakan sebagai dataset pengganti, masing-masing dari tiga tabel berikut akan menghasilkan hasil yang sama seperti tabel yang disediakan sebelumnya.
**Penggantian dataset dengan kolom yang tidak berubah**
| item\$1id | timestamp | price | stock\$1count |
| --- | --- | --- | --- |
| item\$11 | 2022-08-02 | 90 | 50 |
| item\$11 | 2022-08-03 | 90 | 50 |
**Dataset pengganti dengan baris yang tidak berubah**
| item\$1id | timestamp | price |
| --- | --- | --- |
| item\$11 | 2022-08-01 | 100 |
| item\$11 | 2022-08-02 | 90 |
| item\$11 | 2022-08-03 | 90 |
| item\$12 | 2022-08-01 | 75 |
| item\$12 | 2022-08-02 | 75 |
| item\$12 | 2022-08-03 | 75 |
**Dataset pengganti dengan baris dan kolom yang tidak berubah**
| item\$1id | timestamp | price | stock\$1count |
| --- | --- | --- | --- |
| item\$11 | 2022-08-01 | 100 | 50 |
| item\$11 | 2022-08-02 | 90 | 50 |
| item\$11 | 2022-08-03 | 90 | 50 |
| item\$12 | 2022-08-01 | 75 | 500 |
| item\$12 | 2022-08-02 | 75 | 500 |
| item\$12 | 2022-08-03 | 75 | 500 |
------
#### [ Missing values ]
Nilai yang hilang dalam deret waktu penggantian diganti dengan nilai dari deret waktu terkait baseline. Pertimbangkan skenario di mana Anda menerapkan diskon 10% untuk item\$11 untuk 2022-08-02 dan 2022-08-03 dan tingkatkan stok item\$12 pada 2022-08-01. Dataset pengganti ini cukup:
**Penggantian dataset dengan nilai yang hilang**
| item\$1id | timestamp | price | stock\$1count |
| --- |--- |--- |--- |
| item\$11 | 2022-08-02 | 90 | |
| --- |--- |--- |--- |
| item\$11 | 2022-08-03 | 90 | |
| --- |--- |--- |--- |
| item\$12 | 2022-08-01 | | 5000 |
| --- |--- |--- |--- |
Nilai-nilai yang hilang dari tabel ini dihitung dari deret waktu terkait baseline.
------
#### [ Extraneous values ]
Nilai asing dalam deret waktu penggantian diabaikan saat membuat perkiraan bagaimana-jika. Artinya, nilai dalam dataset pengganti yang tidak sesuai dengan nilai dalam deret waktu terkait baseline tidak dimodelkan. Pertimbangkan dataset pengganti ini:
**Dataset pengganti dengan nilai asing**
| item\$1id | timestamp | price | stock\$1count |
| --- |--- |--- |--- |
| item\$11 | 2022-08-01 | 100 | 50 |
| item\$11 | 2022-08-02 | 100 | 50 |
| item\$11 | 2022-08-03 | 100 | 50 |
| item\$12 | 2022-08-01 | 75 | 500 |
| item\$12 | 2022-08-02 | 75 | 500 |
| item\$12 | 2022-08-03 | 75 | 500 |
| item\$13 | 2022-08-01 | 50 | 125 |
| --- |--- |--- |--- |
| item\$13 | 2022-08-02 | 50 | 125 |
| --- |--- |--- |--- |
| item\$13 | 2022-08-03 | 50 | 125 |
| --- |--- |--- |--- |
Baris yang berisi item\$13 diabaikan dan bukan bagian dari analisis bagaimana-jika.
------
#### [ Historical changes ]
Perubahan dalam dataset pengganti yang berada di luar cakrawala perkiraan diabaikan. Pertimbangkan dataset pengganti ini:
**Penggantian dataset dengan nilai di luar cakrawala perkiraan**
| item\$1id | timestamp | price | stock\$1count |
| --- |--- |--- |--- |
| item\$11 | 2022-07-31 | 100 | 50 |
| --- |--- |--- |--- |
| item\$11 | 2022-08-01 | 100 | 50 |
| item\$11 | 2022-08-02 | 100 | 50 |
| item\$11 | 2022-08-03 | 100 | 50 |
| item\$11 | 2022-08-04 | 100 | 50 |
| --- |--- |--- |--- |
| item\$12 | 2022-07-31 | 75 | 500 |
| --- |--- |--- |--- |
| item\$12 | 2022-08-01 | 75 | 500 |
| item\$12 | 2022-08-02 | 75 | 500 |
| item\$12 | 2022-08-03 | 75 | 500 |
| item\$13 | 2022-08-04 | 75 | 500 |
| --- |--- |--- |--- |
Baris yang berisi 2022-07-31 dan 2022-08-04 diabaikan dan bukan bagian dari analisis bagaimana-jika.
------
## Dimensi Forecast
Jika Anda menyertakan dimensi perkiraan dalam kumpulan data Anda, maka Anda harus memasukkannya ke dalam kumpulan data pengganti. Pertimbangkan deret waktu terkait dasar ini:
| item\$1id | store\$1id | timestamp | price | stock\$1count |
| --- | --- | --- | --- | --- |
| item\$11 | store\$11 | 2022-08-01 | 100 | 50 |
| item\$11 | store\$11 | 2022-08-02 | 100 | 50 |
| item\$11 | store\$11 | 2022-08-03 | 100 | 50 |
| item\$11 | store\$12 | 2022-08-01 | 75 | 500 |
| item\$11 | store\$12 | 2022-08-02 | 75 | 500 |
| item\$11 | store\$12 | 2022-08-03 | 75 | 500 |
Oleh karena itu, dataset pengganti untuk diskon 10% di semua toko pada 2022-08-02 adalah sebagai berikut:
| item\$1id | store\$1id | timestamp | price |
| --- | --- | --- | --- |
| item\$11 | store\$11 | 2022-08-02 | 90 |
| item\$11 | store\$12 | 2022-08-02 | 67.5 |