O Amazon Forecast não está mais disponível para novos clientes. Os clientes existentes do Amazon Forecast podem continuar usando o serviço normalmente. [Saiba mais](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)
As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Análise de hipóteses
Uma análise de hipóteses é uma ferramenta para ajudar a investigar e explicar como diferentes cenários podem afetar a previsão básica criada pelo Amazon Forecast. A previsão básica é a previsão criada pelo Amazon Forecast com base na série temporal original relacionada que você fornece.
Uma análise de hipóteses cria uma série de previsões de hipóteses com base em como você escolheu modificar a série temporal relacionada. Essas previsões de hipóteses são comparadas e contrastadas com a previsão básica para ajudar você a entender como mudanças específicas podem afetar seu modelo.
Há dois métodos para criar séries temporais relacionadas modificadas. Você pode fornecer uma série temporal relacionada modificada em um caminho do Amazon S3 ou especificar um conjunto de transformações para a série temporal relacionada existente. Quando você especifica um conjunto de transformações, uma cópia da série temporal relacionada original é criada para conter essas alterações.
As transformações permitem criar um subconjunto da série temporal relacionada e modificar atributos específicos da série temporal relacionada. Para obter mais informações, consulte [Conjunto de dados de substituição](replacement-series.md) e [Funções de transformação](data-transformations.md).
**Topics**
+ [Criar uma análise de hipóteses](#how-what-if-works)
+ [Funções de transformação](data-transformations.md)
+ [Conjunto de dados de substituição](replacement-series.md)
## Criar uma análise de hipóteses
Uma análise de hipóteses explora como as mudanças nas séries temporais relacionadas à linha de base podem impactar uma previsão. Você só pode criar uma análise hipotética a partir de uma previsão que usa um. AutoPredictor Depois de criar uma análise de hipóteses, você cria uma ou mais previsões de hipóteses. Compare as previsões de hipóteses e a previsão básica e, em seguida, exporte uma ou mais previsões de hipóteses.
**nota**
Para criar uma análise de hipóteses, seus dados devem estar no formato CSV (valores separados por vírgula).
**Topics**
+ [Criar uma análise de hipóteses](#create-analysis)
+ [Criar uma previsão de hipóteses](#create-forecast)
+ [Comparar as previsões de hipóteses](#compare-forecasts)
+ [Exportar suas previsões de hipóteses](#export-forecasts)
+ [Consultar as previsões de hipóteses](#query-wi-forecasts)
### Criar uma análise de hipóteses
Você pode criar uma análise de hipóteses usando o console Forecast ou o kit de desenvolvimento de software (SDK) do Forecast.
------
#### [ Console ]
Para criar uma análise de hipóteses, faça o seguinte:
1. Crie uma previsão treinada usando um AutoPredictor.
1. Abra o painel do grupo de conjuntos de dados que contém a previsão na qual você tem interesse.
1. Escolha **Explorar a análise de hipóteses**.
1. Na guia **Análise de hipóteses** da página Insights, escolha **Criar**.
1. Forneça um nome exclusivo no campo **Nome da análise de hipóteses** e escolha a previsão de linha de base para essa análise.
1. Na área **Seleção de itens**, selecione se você deseja incluir automaticamente todos os itens na análise ou especificar os itens a serem incluídos em um arquivo.
Se você escolher **Selecionar itens com arquivo**, deverá fornecer um conjunto de dados que contenha apenas os itens que você deseja modificar nas previsões de hipóteses. Para obter mais informações, consulte [Como especificar séries temporais](forecast-explainability.md#forecast-explainability-time-series).
1. Escolha **Criar análise de hipóteses**. Um banner na parte superior da página Análise de hipóteses exibirá o status do trabalho de criação da análise de hipóteses.
------
#### [ SDK ]
Usando a [CreateWhatIfAnalysis](API_CreateWhatIfAnalysis.md) operação, forneça um nome exclusivo WhatIfAnalysisName e forneça o ARN da previsão de linha de base para. ForecastArn O exemplo abaixo mostra um esquema para séries temporais usando uma combinação de “item\$1id” e da dimensão de “store\$1location”. Para obter mais informações, consulte [Como especificar séries temporais](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"
}
]
}
}
}
}
```
------
### Criar uma previsão de hipóteses
Você pode criar uma previsão de hipóteses usando o console Forecast ou o kit de desenvolvimento de software (SDK) do Forecast.
------
#### [ Console ]
Para criar uma previsão de hipóteses, faça o seguinte:
1. Na guia **Análise de hipóteses** da página Insights, escolha a análise de hipóteses na qual você tem interesse.
1. Na seção **Previsão de hipóteses**, escolha **Criar**.
1. Na página Criar previsão de hipóteses, forneça um **nome exclusivo de previsão de hipóteses** e escolha **Usar funções de transformação** ou **Definir a previsão de hipóteses com um conjunto de dados substituto**. Para obter mais informações, consulte [Conjunto de dados de substituição](replacement-series.md) e [Funções de transformação](data-transformations.md).
1. Se você escolher **Usar funções de transformação**, deverá usar o **Construtor de funções de transformação** para selecionar e modificar as linhas que estão incluídas na previsão de hipóteses. Todas as transformações são aplicadas na ordem em que foram especificadas. As condições são aplicadas na ordem em que são especificadas e são unidas a uma operação AND. A transformação é aplicada somente quando todas as condições são atendidas.
1. Se você escolher **Definir a previsão de hipóteses com um conjunto de dados substituto**, deverá fornecer um conjunto de dados substituto que contenha somente as linhas que você deseja alterar para a previsão de hipóteses.
1. Escolha **Criar**.
------
#### [ SDK - Transformation Function ]
Usando a [CreateWhatIfForecast](API_CreateWhatIfForecast.md) operação, forneça um nome exclusivo WhatIfAnalysisName e forneça seu ARN de previsão para. ForecastArn O exemplo abaixo mostra um esquema para uma transformação em “preço” quando o “store\$1location” não é “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"
}
]
}
]
}
```
Neste exemplo, `jan2020forecast` é a previsão da linha de base, e `PromotionAnalysis_01G8MB3PZM89J9V1VEXCC0BS63` é o nome da análise de hipóteses.
Você também pode especificar um conjunto de dados de substituição com a operação [TimeSeriesReplacementsDataSource](API_TimeSeriesReplacementsDataSource.md).
------
#### [ SDK - Replacement Dataset ]
Usando a [CreateWhatIfForecast](API_CreateWhatIfForecast.md) operação, forneça um nome exclusivo WhatIfAnalysisName e forneça seu ARN de previsão para. ForecastArn O exemplo abaixo mostra um esquema para uma fonte de dados substituta.
```
{
"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"
},
]
}
}
}
```
Você também pode especificar alterações nas séries temporais relacionadas com a operação [TimeSeriesTransformation](API_TimeSeriesTransformation.md).
------
### Comparar as previsões de hipóteses
Para comparar as previsões de hipóteses, siga estas etapas no console Forecast:
1. Na guia **Análise de hipóteses** da página Insights, escolha a análise de hipóteses na qual você tem interesse.
1. Na seção **Comparar previsões de hipóteses**, especifique o item a ser analisado, uma ou mais **Previsões de hipóteses** e pelo menos um **Tipo de previsão**.
![\[Interface for comparing what-if forecasts with baseline forecast, showing input fields and graph.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/compareWhatIfForecasts.png)
Neste exemplo, há duas previsões de hipóteses, `priceCut10pct` e `priceIncrease20pct`, que são comparadas nos tipos de previsão `p50`, `p10` e `p90` para `item_105`. O gráfico permite que você veja como essas previsões se comparam às séries temporais da linha de base.
1. Passe o mouse sobre o gráfico para investigar como as previsões de hipóteses se comparam à previsão básica.
### Exportar suas previsões de hipóteses
Você pode exportar uma previsão de hipóteses usando o console Forecast ou o kit de desenvolvimento de software (SDK) do Forecast.
------
#### [ Console ]
Siga estas etapas para concluir a exportação:
1. Na guia **Análise de hipóteses** da página Insights, escolha a análise de hipóteses na qual você tem interesse.
1. Na seção **Exportação de previsão de hipóteses**, escolha **Criar exportação**.
1. Na página Criar exportação de previsão de hipóteses, forneça um **nome exclusivo de exportação de previsão de hipóteses**, especifique as **previsões de hipóteses** a serem incluídas, escolha um **local de exportação** e forneça o **perfil do IAM**.
1. Escolha **Criar exportação**.
------
#### [ SDK ]
Usando a operação [CreateWhatIfForecastExport](API_CreateWhatIfForecastExport.md), configure o “Destino” para apontar para o bucket do Amazon S3 que conterá a exportação. Especifique quais previsões de hipóteses exportar e forneça um nome exclusivo para a exportação.
```
{
"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"
}
},
}
```
------
### Consultar as previsões de hipóteses
Você consulta uma previsão de hipóteses usando a operação [QueryWhatIfForecast](API_forecastquery_QueryWhatIfForecast.md). Por padrão, o intervalo completo da previsão é retornado. É possível solicitar um intervalo de datas específico dentro da previsão completa.
Ao consultar uma previsão de hipóteses, você deve especificar critérios de filtragem. Um filtro é um par de chave-valor. A chave é um dos nomes de atributos do esquema (incluindo dimensões de previsão) de um dos conjuntos de dados usados para criar a previsão. O valor é um valor válido para a chave especificada. É possível especificar vários pares de chave-valor. A previsão de hipóteses gerada conterá apenas itens que atendam a todos os critérios.
Por exemplo, use esse código para obter a previsão de hipóteses de `product_42`.
```
{
"Filters": {
"item_id" : "product_42"
},
"WhatIfForecastArn": "arn:aws:forecast:region:acctNumber:what-if-forecast/id1"
}
```
# Funções de transformação
Uma função de transformação é um conjunto de operações que selecionam e modificam as linhas em uma série temporal relacionada. Você seleciona as linhas que deseja com uma operação de condição. Em seguida, você modifica as linhas com uma operação de transformação. Todas as condições são unidas a uma operação AND, o que significa que todas as condições devem ser verdadeiras para que a transformação seja aplicada. As transformações são aplicadas na ordem em que estão indicadas.
Ao criar uma previsão de hipóteses, use o **construtor de funções de transformação** para especificar as condições e as transformações que deseja aplicar. A imagem abaixo ilustra essa funcionalidade.
![\[Transformation function builder interface with options to modify price and stock count.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/transformationFunctionsMod.png)
Na seção destacada, a coluna `price` é multiplicada por 0,90 (ou seja, 10% de desconto) na loja `tacoma` (ou seja, Tacoma, Washington) para itens da cor `blue`. Para fazer isso, o Amazon Forecast primeiro cria um subconjunto da série temporal relacionada à linha de base para conter somente as linhas de `store` que são iguais a `tacoma`.
Esse subconjunto é ainda mais reduzido para incluir somente as linhas `color` que são iguais a `blue`. Finalmente, todos os valores na coluna `price` são multiplicados por 0,90 para criar uma nova série temporal relacionada para usar na previsão de hipóteses.
O Amazon Forecast aceita as seguintes condições:
+ `EQUALS`: o valor na coluna é igual ao valor fornecido na condição.
+ `NOT_EQUALS`: o valor na coluna não é o mesmo que o valor fornecido na condição.
+ `LESS_THAN`: o valor na coluna é menor que o valor fornecido na condição.
+ `GREATER_THAN`: o valor na coluna é maior que o valor fornecido na condição.
O Amazon Forecast oferece permite o registro em log das seguintes ações:
+ `ADD`: adiciona o valor fornecido a todas as linhas na coluna.
+ `SUBTRACT`: subtrai o valor fornecido de todas as linhas na coluna.
+ `MULTIPLY`: multiplica todas as linhas na coluna pelo valor fornecido.
+ `DIVIDE`: divide todas as linhas na coluna pelo valor fornecido.
Veja exemplos de como você pode especificar uma transformação de séries temporais usando o SDK.
------
#### [ Example 1 ]
Este exemplo aplica um desconto de 10% a todos os itens na loja de Seattle. Observe que “Cidade” é uma dimensão de previsão.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 0.90
},
"TimeSeriesConditions": [
{
"AttributeName": "city",
"AttributeValue": "seattle",
"Condition": "EQUALS"
}
]
}
]
```
------
#### [ Example 2 ]
Este exemplo aplica um desconto de 10% em todos os itens da categoria “eletrônicos”. Observe que “product\$1category” é um metadado do item.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 0.90
},
"TimeSeriesConditions": [
{
"AttributeName": "product_category",
"AttributeValue": "electronics",
"Condition": "EQUALS"
}
]
}
]
```
------
#### [ Example 3 ]
Este exemplo aplica uma marcação de 20% no BOA21314 item\$1id K específico.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 1.20
},
"TimeSeriesConditions": [
{
"AttributeName": "item_id",
"AttributeValue": "BOA21314K",
"Condition": "EQUALS"
}
]
}
]
```
------
#### [ Example 4 ]
Este exemplo adiciona US\$1 1 a todos os itens nas lojas de Seattle e 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 ]
Este exemplo subtrai US\$1 1 de todos os itens em Seattle no mês de setembro de 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 ]
Neste exemplo, o preço é primeiro multiplicado por 10 e, em seguida, US\$1 5 são subtraídos do preço. Observe que as ações são aplicadas na ordem em que são declaradas.
```
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 ]
Este exemplo cria um conjunto vazio, então a ação não é aplicada a nenhuma série temporal. Esse código tenta modificar o preço de todos os itens nas lojas em Seattle e Bellevue. Como as condições são unidas à operação AND e uma loja só pode existir em uma cidade, os resultados são um conjunto vazio. Portanto, a ação não é aplicada.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 10.0
},
"TimeSeriesConditions": [
{
"AttributeName": "city",
"AttributeValue": "seattle",
"Condition": "EQUALS"
},
{
"AttributeName": "city",
"AttributeValue": "bellevue",
"Condition": "EQUALS"
},
]
}
]
```
Consulte o Exemplo 4 para ver como aplicar uma condição a vários atributos.
------
#### [ Example 8 ]
As condições de transformação que usam um carimbo de data e hora se aplicam aos dados alinhados aos limites, não aos dados brutos. Por exemplo, você insere seus dados de hora em hora e faz previsões diariamente. Nesse caso, o Forecast alinha os carimbos de data/hora ao dia, portanto `2020-12-31 01:00:00` está alinhado a `2020-12-31 00:00:00`. Esse código criará um conjunto vazio porque não especifica o carimbo de data e hora no carimbo de data e hora alinhado ao limite.
```
TimeSeriesTransformations=[
{
"Action": {
"AttributeName": "price",
"Operation": "MULTIPLY",
"Value": 10.0
},
"TimeSeriesConditions": [
{
"AttributeName": "timestamp",
"AttributeValue": "2020-12-31 01:00:00",
"Condition": "EQUALS"
},
]
}
]
```
------
# Conjunto de dados de substituição
Um conjunto de dados de substituição é uma versão modificada da série temporal relacionada à linha de base que contém somente os valores que você deseja alterar em uma previsão de hipóteses. O conjunto de dados de substituição deve conter as dimensões de previsão, identificadores de itens e carimbos de data e hora na série temporal relacionada à linha de base, bem como pelo menos uma série temporal alterada. Esse conjunto de dados é mesclado com a série temporal relacionada à linha de base para criar um conjunto de dados transformado usado para a previsão de hipóteses. O conjunto de dados de substituição deve estar no formato CSV.
Esse conjunto de dados não deve conter carimbos de data e hora duplicados para a mesma série temporal.
Veja vários exemplos de como você pode especificar uma série temporal de substituição e como essas especificações são interpretadas. Considere o caso em que você está fazendo previsões diárias e o horizonte de previsão é de 2022-08-01 a 2022-08-03. A série temporal relacionada à linha de base para todos os exemplos é fornecida na tabela a seguir.
| item\$1id | timestamp | preço | 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 ]
Para aplicar um desconto de 10% no item\$11 para 2022-08-02 e 2022-08-03, basta especificar o seguinte para o conjunto de dados de substituição:
**Conjunto de dados de substituição**
| item\$1id | timestamp | preço |
| --- | --- | --- |
| item\$11 | 2022-08-02 | 90 |
| item\$11 | 2022-08-03 | 90 |
No entanto, também é válido especificar valores inalterados no conjunto de dados de substituição. Quando usadas como conjuntos de dados de substituição, cada uma das três tabelas a seguir produzirá os mesmos resultados da tabela fornecida anteriormente.
**Conjunto de dados de substituição por uma coluna inalterada**
| item\$1id | timestamp | preço | stock\$1count |
| --- | --- | --- | --- |
| item\$11 | 2022-08-02 | 90 | 50 |
| item\$11 | 2022-08-03 | 90 | 50 |
**Conjunto de dados de substituição com linhas inalteradas**
| item\$1id | timestamp | preço |
| --- | --- | --- |
| 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 |
**Conjunto de dados de substituição com linhas e colunas inalteradas**
| item\$1id | timestamp | preço | 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 ]
Os valores ausentes na série temporal de substituição são substituídos por valores da série temporal relacionada à linha de base. Considere o cenário em que você aplica um desconto de 10% no item\$11 para 2022-08-02 e 2022-08-03 e aumenta o estoque do item\$12 em 2022-08-01. Esse conjunto de dados de substituição é suficiente:
**Conjunto de dados de substituição com valores ausentes**
| item\$1id | timestamp | preço | stock\$1count |
| --- |--- |--- |--- |
| item\$11 | 2022-08-02 | 90 | |
| --- |--- |--- |--- |
| item\$11 | 2022-08-03 | 90 | |
| --- |--- |--- |--- |
| item\$12 | 2022-08-01 | | 5000 |
| --- |--- |--- |--- |
Os valores que faltam nessa tabela são imputados da série temporal relacionada à linha de base.
------
#### [ Extraneous values ]
Valores estranhos na série temporal de substituição são ignorados ao criar uma previsão de hipóteses. Ou seja, os valores no conjunto de dados de substituição que não correspondem aos valores na série temporal relacionada à linha de base não são modelados. Considere esse conjunto de dados de substituição:
**Conjunto de dados de substituição com valores estranhos**
| item\$1id | timestamp | preço | 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 |
| --- |--- |--- |--- |
As linhas contendo item\$13 são ignoradas e não fazem parte da análise de hipóteses.
------
#### [ Historical changes ]
As alterações no conjunto de dados de substituição que estão fora do horizonte de previsão são ignoradas. Considere esse conjunto de dados de substituição:
**Conjunto de dados de substituição com valores fora do horizonte de previsão**
| item\$1id | timestamp | preço | 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 |
| --- |--- |--- |--- |
As linhas contendo 2022-07-31 e 2022-08-04 são ignoradas e não fazem parte da análise de hipóteses.
------
## Dimensões do Forecast
Se você incluir dimensões de previsão em seu conjunto de dados, deverá incluí-las no conjunto de dados substituto. Considere esta série temporal relacionada à linha de base:
| item\$1id | store\$1id | timestamp | preço | 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 |
Portanto, o conjunto de dados de substituição para um desconto de 10% em todas as lojas em 2022-08-02 seria o seguinte:
| item\$1id | store\$1id | timestamp | preço |
| --- | --- | --- | --- |
| item\$11 | store\$11 | 2022-08-02 | 90 |
| item\$11 | store\$12 | 2022-08-02 | 67,5 |