翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
# 需要パターンと推奨事項
需要パターンとレコメンデーションは、設定された予測の詳細度レベル (製品、場所、チャネルなど) ごとに変換された過去の需要入力を調べて、需要データの基盤となるパターンと特性を明らかにします。主な目的は、スムーズ、断続的、異常、塊などの主要な需要パターンの分布を特定することです。また、履歴の長さと過去 12 か月の需要に関する統計インサイトも提供します。
分析は、予測生成プロセス中にデータ検証が成功すると自動的にトリガーされ、予測の作成と並行して実行されます。ただし、予測プロセスをブロックまたは遅延させることはありません。需要パターン分析は、予測の作成を開始するときに、データ検証と同じワークフローの一部としてトリガーされます。ただし、データ検証に失敗すると、分析と予測の両方が生成されなくなります。
この分析の概要を提供することで、システムはユーザーがデータセットのパターンを理解し、予測の精度を向上させるのに役立ちます。
# 需要パターンコンポーネント
需要パターンの分析は 3 つのディメンションで行われます。
+ 需要パターン (需要の経時変化と数量に基づく)
+ 年間需要 (12 か月間に需要された合計数量)
+ 履歴の長さ (履歴需要データが利用可能な期間)
この分析では、需要パターンをスムーズ、断続的、異常、塊の 4 つの異なるタイプに分類します。それぞれは、需要の頻度と変動性を分析することによって決定されます。履歴データのない対象範囲内の製品がある場合、ゼロ**予測需要**セクションにグループ化されます。詳細については、[「需要パターン](https://docs.aws.amazon.com/aws-supply-chain/latest/userguide/overview_dp.html#demand-pattern)」を参照してください。
製品全体の需要パターンの分布は、予想される予測の信頼性に関する貴重なインサイトを提供します。需要パターンが滑らかな製品 (一貫した注文量と頻度を示す) は、通常、動作がより予測可能であるため、最も信頼性の高い予測が得られます。対照的に、不規則なスパイクとさまざまな順序の頻度を特徴とする不規則なパターンや塊のパターンは、通常、予測不可能な性質のため、予測の信頼性が低くなります。この分布を理解することで、需要プランナーは適切な期待を設定し、積極的な対策を講じることができます。
システムは、予測開始日の直前に、年間需要とも呼ばれる過去 12 か月の需要も分析します (トリミング設定の対象となります）。たとえば、予測開始日が 2024 年 1 月 15 日 (月曜日) で、計画バケットが毎週であるとします。システムは、過去 12 か月の分析期間を 2023 年 1 月 16 日から 2024 年 1 月 14 日と見なします。後続の 12 か月間の需要分析は、需要プランナーがアクティブな製品と非アクティブな製品を区別し、予測の信頼性に直接影響するこれらの状態 - パターン間で移行する製品を特定するのに役立ちます。古いデータパターンではなく最近の履歴に焦点を当てることで、どの製品に特別な注意や代替予測アプローチが必要か、特に季節的な商品、廃止された商品、フェーズアウト中の商品などについて、より多くの情報に基づいた意思決定を行うことができます。詳細については、[「Forecast Algorithms](https://docs.aws.amazon.com/aws-supply-chain/latest/userguide/forecast-algorithims.html)」を参照してください。
年単位の履歴の長さは、期間のデフォルトの開始に日付を調整した後、事前処理された過去の需要データで利用可能な最も早い日付と最新の日付に基づいて、予測の詳細度 (製品と場所の組み合わせなど) ごとに計算されます。この分析は、製品が信頼できる予測を生成するのに十分な履歴データを蓄積しているかどうかを判断するのに役立ちます。通常、季節的なパターンと長期的な傾向を把握するには最低 2 年が必要です。
![\[Raw 需要履歴\]](http://docs.aws.amazon.com/ja_jp/aws-supply-chain/latest/userguide/images/raw-demand-history.png)
# 需要パターンの推奨事項
システムは、特定された需要パターンに基づいてターゲットを絞ったレコメンデーションを提供し、予測の精度を向上させます。注文量の不規則なスパイクを特徴とする異常な需要を示す製品の場合、システムはプロモーションや価格変更などの潜在的な外部の影響を組み込むことを提案します。このような場合、データ管理者と協力して関連する需要ドライバーデータをデータレイクの[https://docs.aws.amazon.com/aws-supply-chain/latest/userguide/demand_drivers.html](https://docs.aws.amazon.com/aws-supply-chain/latest/userguide/demand_drivers.html)テーブルにアップロードすることで、予測精度を大幅に向上させることができます。この追加のコンテキストは、予測モデルが需要の変動をよりよく理解し、予測するのに役立ちます。
履歴が不十分な (2 年未満) 製品や履歴がまったくない製品の場合、システムは代替製品マッピングを活用することを推奨しています。このアプローチにより、同様の確立された製品の需要パターンを活用して、予測の信頼性を高めることができます。データ管理者と協力して、これらの製品関係をデータレイクの [https://docs.aws.amazon.com/aws-supply-chain/latest/userguide/product_lineage.html](https://docs.aws.amazon.com/aws-supply-chain/latest/userguide/product_lineage.html) テーブルにアップロードします。正確な季節性と長期的な傾向検出には少なくとも 2 年間の履歴データが必要であるため、これは特に重要です。十分な履歴を持つ代替製品にマッピングすることで、より新しい、または制限された履歴製品のより信頼性の高い予測ベースラインを確立できます。
# 需要パターンとレコメンデーションレポートへのアクセス
## 初めての予測の作成
初めて予測を作成するときは、 の **Demand Planning** モジュールで AWS Supply Chain、**「計画の作成**」を選択します。システムは、データ取り込み、計画設定、最後に予測生成の 3 つのステップをガイドします。データ取り込みと計画設定が完了したら、**予測の生成**を選択してデータ検証を開始します。検証が成功すると、システムは需要パターン分析を実行し、予測の生成中にこの分析にアクセスするためのハイパーリンクが表示されます。
## 後続の予測の作成
後続の予測については、**予測の生成**を選択します。データ検証、需要パターン分析とレコメンデーション、予測作成の 3 つのステップを示すバナーが表示されます。データ検証が成功し、需要パターン分析が完了したら、バナーでハイパーリンクを選択してレポートにアクセスします。
## レポートの内容
需要パターンと推奨事項レポートには、特定の計画に対して設定された予測レベルでの探索的データ分析の概要が表示されます。画面の上部には、スムーズパターン、断続的なパターン、異常なパターン、ランプパターン、履歴需要がゼロの製品の 5 つの主要なパターンカードが表示されます。
この概要の下には、需要計画設定の製品階層で最も高い設定レベル別にパターンを分類した詳細な表があります。たとえば、製品階層設定がパターン製品 ID、製品グループ ID に従っている場合、製品グループ ID に概要が表示されます。カテゴリごとに、以下が表示されます。
+ \$1 一意の時系列が予測の対象であることを示す予測とその合計の割合
+ 年間需要量とその合計に対する割合
+ そのカテゴリ内の需要パターンの視覚的な内訳
+ そのカテゴリ内で利用可能な履歴の長さの視覚的な内訳
この情報を操作するには、次の操作を行います。
+ 検索ボックスを使用して特定の製品カテゴリを検索する
+ 詳細レポートをダウンロードします。レポートには、設定した粒度レベルでの個々の予測の詳細分析が含まれます。
+ 製品カテゴリ、\$1 Forecasts、年間需要をソートして、特定のメトリクスに焦点を当てます。英数字形式または空白の値を含む製品カテゴリでは、検索関数を使用する方が効果的かもしれません。
## 継続的なアクセス
予測の作成が成功するたびに、予測レビューページの**需要パターン**タブでこの分析を再確認できます。このビューでは、分析は予測レビューに適用したフィルターに応答します。ダウンロードしたレポートには、フィルタリングされた選択に固有の分析が含まれています。