本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
# 需求規劃
需求規劃是以 Web 為基礎的應用程式，可讓商業使用者建立、協作和發佈需求計劃。需求規劃會根據歷史預測經驗，使用專屬的機器學習演算法產生預測。
**Topics**
+ [需求規劃中使用的術語](servicename-terminology.md)
+ [建立您的第一個需求計劃](onboarding.md)
+ [資料驗證和需求模式分析](data-validation-analysis.md)
+ [預測演算法](forecast-algorithims.md)
+ [根據需求驅動因素進行預測](demand_drivers.md)
+ [產品歷程](product_lineage.md)
+ [產品生命週期](product_lifecycle.md)
+ [管理需求計劃](dp_dashboard.md)
+ [預測模型分析器](forecast_model_analyzer.md)
+ [管理需求計劃設定](settings.md)
+ [角色類型存取控制](rolebased.md)
# 需求規劃中使用的術語
以下是您在需求規劃中可能經常使用的常用術語。
+ **企業需求計劃** – 單一規劃工作手冊，整合來自多個利益相關者的預測輸入，以建立統一的預測。它可以包含多個規劃週期，可根據不斷發展的預測輸入資料集來反覆精簡預測。企業需求計劃會顯示兩個狀態點：
+ **作用中** – 規劃週期已開啟，您可以編輯預測。
+ **已發佈** – 規劃週期已關閉，您無法編輯預測。不過，您可以檢視需求計劃。
+ **需求規劃週期** – 建立和完成需求計劃所需的時間，包括產生預測，以及與利益相關者合作以調整和發佈需求計劃。
+ **資料集** – 用於產生預測的資料收集，例如歷史銷售訂單或產品資訊。
+ **預測精細程度** – 定義您希望如何建立和管理預測。您可以使用產品、位置、客戶和管道維度的組合。您也可以針對資料集中的每個產品，選擇依天、週、月或年彙總預測資料的時間間隔。例如，如果您的預測精細程度設定為每日，您會看到資料集中每個產品的每日預測。
**注意**
需求規劃使用 Gregorian 行事曆進行規劃。一週的預設開始日期為星期一。
+ **預測組態** – 產生預測的組態集。這包括規劃週期組態、時間範圍精細程度，以及會影響需求規劃如何產生預測的階層組態。
+ **系統產生的預測** – 這也稱為基準預測。它是指系統使用歷史資料來產生預測。它會在您套用任何覆寫之前提供初始需求預測。
+ **覆寫** – 您對系統產生的預測所做的修改。
+ **已發佈的需求計劃** – 規劃工作手冊的最終輸出。您可以選擇將最終需求計劃發佈到下游庫存和供應規劃系統以進行實作。
+ **產品歷程** – 您可以在 產品與其先前版本或替代產品之間建立連結，並設定用於預測的歷史資料量規則。如需詳細資訊，請參閱[產品歷程](product_lineage.md)。
+ **產品生命週期** – 產品生命週期是指產品從產品推出到生命週期結束 (EoL) 的各種階段。如需產品生命週期的詳細資訊，請參閱 [產品生命週期](product_lifecycle.md)。
+ **需求驅動**因素 – 直接影響特定產品需求層級的因素。例如，廣告和行銷活動、定價策略等。如需需求驅動程式的詳細資訊，請參閱 [根據需求驅動因素進行預測](demand_drivers.md)。
+ **預測延遲** – 建立預測與實際需求之間的時間。例如，從 1 月考慮 2 月份的預測會被視為一個月延遲。同樣地，從 1 月開始考慮 3 月的預測會被視為兩個月延遲。
+ **Forecast Model Analyzer** – 您可以使用此工具，透過不同的測試條件和檢閱不同預測方法的結果來執行試驗或實驗預測。您可以使用結果來比較和評估模型效能，確保根據業務優先順序進行最佳選擇。
+ **預測鎖定** – 您可以使用預測鎖定功能來鎖定預測中的特定期間，以防止任何進一步的編輯或調整。
+ **週期內預測重新整理** – 您可以在週期中重新整理預測，並納入最新的預測輸入資料，而無需完成需求計劃。
+ **預測數量** – 唯一時間序列預測的數量，其中每個時間序列代表根據需求計劃組態的不同產品、站點、客戶和管道組合。
+ **關鍵規則** – 如果違反資料驗證規則，可能會封鎖預測建立。如需詳細資訊，請參閱[上傳資料集之前的先決條件](data_quality.md)。
+ **資料驗證** – 在用於預測之前檢查資料完整性、正確性和一致性的程序。
+ **需求模式分析** – 預測輸入資料的探索性資料分析，包括將歷史需求資料分類為不同的模式。
# 建立您的第一個需求計劃
第一次登入需求規劃時，您將能夠檢視重點介紹關鍵產品功能的入門頁面，並協助您熟悉需求規劃功能。
**程序概觀：**
若要建立您的第一個預測，請從左側導覽列中選擇**需求規劃**、**管理需求計劃**和**建立預測**。系統會引導您完成下列步驟。如需詳細資訊，請參閱[角色類型存取控制](rolebased.md)。
1. *資料擷取* – 在繼續設定之前，系統會驗證所需的資料集是否已擷取至 Data Lake。您至少需要下列項目。如需需求規劃使用哪些資料表和資料欄的詳細資訊，包括先決條件，請參閱 [需求規劃](required_entities.md)。
+ 必要：外撥訂單行和產品資料
+ 建議：產品替代和補充時間序列資料
1. *計劃組態* – 資料擷取完成後，您將設定需求計劃的各個層面，包括預測維度、時間範圍、設定和排程選項。設定需求規劃後，您可以選擇**設定**、**組織**和**需求規劃**，以檢視或修改需求計劃組態設定。
1. *建立計劃* – 在組態之後，選擇**產生預測**會啟動三個子程序：
+ 資料驗證：系統驗證資料品質和完整性
+ 需求模式分析與建議：系統分析歷史模式並提供洞見
+ 預測建立：系統產生預測
在找不到資料驗證錯誤的理想案例中，系統會順利進行這三個步驟，同時建立需求模式分析報告和預測。不過，如果偵測到任何資料驗證錯誤，系統會停止預測建立和需求模式分析，直到錯誤解決為止。與您的資料管理員合作以修正基礎資料問題，然後選擇**重試**以再次嘗試建立預測。
1. 在**設定需求規劃**頁面上，設定需求規劃有五個步驟。
+ **範圍** – 定義需求規劃產生預測的維度和時間範圍。
+ **設定資料集** – 定義 outbound\$1order\$1line 資料集。需求規劃必須具備此選項，才能產生準確的預測。您也可以定義您希望需求規劃如何處理 outbound\$1order\$1line 資料集中的負數量值。如需必要和選用需求規劃欄位的詳細資訊，請參閱 [中使用的資料實體和資料欄 AWS Supply Chain](data-model.md)。
+ **預測設定** – 設定全域參數，以判斷沒有替代資料的新產品的預測期間、最小預測值和初始化值。
+ **排程器** – 您可以定義應重新整理和發佈預測的方式和時間。
+ **組織設定** – 定義將發佈您的需求計劃的位置。它也會顯示應用程式中的其他組態選項。
1. 在**範圍****規劃地平線**下，選取下列項目：
+ **時間間隔** – 從每日、每週、每月或每年選項中選擇時間間隔。時間間隔用於彙總和分析資料。根據業務性質、可用性和歷史資料的精細程度選擇時間間隔。
+ **時間範圍** – 時間範圍是產生預測的特定期間。值應為整數，最小值為 1，最大值為 500。可用的歷史資料量也會決定 Time Horizon。請確定 outbound\$1order\$1line 資料集中至少有一個產品具有至少四倍的時間長度的銷售歷史記錄。例如，如果您將 **Time Horizon** 設定為 26，並將**時間間隔**設定為*每週*，則最低訂單資料需求為 26\$14 = 104 週。
在**預測精細度**、**必要階層**下，選取參數以定義預測階層。產品 ID 屬性是必要項目，會自動選取為階層中的最後一個層級。您可以選擇**新增關卡**，在 product\$1group\$1id、product\$1type、 brand\$1name、 color、 display\$1desc 和 parent\$1product\$1id 之間新增其他階層關卡。請確定必要的階層屬性在產品資料集中具有資訊，因為您可以使用這些屬性來篩選需求計劃。
在**選用階層**下，選擇**新增層級**，從**站台**、**頻道**和**客戶**新增最多五個屬性，以更有效管理您的預測。*outbound\$1order\$1line* 資料集支援的資料欄包括：
+ 站台階層 = ship\$1from\$1site\$1id、Ship\$1to\$1site\$1id、Ship\$1to\$1site\$1address\$1city、Ship\$1to\$1address\$1state、Ship\$1to\$1address\$1country
+ 頻道階層 = channel\$1id
+ 客戶階層 = customer\$1tpartner\$1id
請確定必要的階層屬性在產品資料集中具有資訊，因為這些屬性用於篩選需求計劃。
1. 選擇**繼續**。
1. 在**設定資料集**頁面的設定**預測輸入**下，您應該設定必要和建議的資料集。
**注意**
AWS Supply Chain 建議上傳兩到三年的傳出訂單行歷史記錄作為輸入，以產生準確的預測。此持續時間可讓預測模型擷取您的商業週期，並確保更可靠可靠的預測。為了改善預測準確性，也建議在產品資料集中包含產品屬性，例如*品牌*、*product\$1group\$1id* 和*價格*。
+ 必要資料集 – 需要 *outbound\$1order\$1line* 和*產品*資料實體才能產生預測。
+ 建議的資料集 – *product\$1alternate* 和 *supplementary\$1time\$1series* 資料實體是選用的。您可以在沒有這些資料實體的情況下產生預測，但在提供時，預測品質將得到改善。
1. 在**必要資料集**下，展開**歷史需求**，然後選擇**設定**以設定遺失資料的負值。*oute\$1order\$1line* 資料集是歷史需求的主要來源。
+ **忽略** – 如果您想要 AWS Supply Chain 在建立預測之前忽略缺少 order\$1date 的產品，請選取此選項。
+ 將 **取代為零** – 如果您想要將缺少的 order\$1date 欄位 AWS Supply Chain 取代為零，預設為最終請求的數量。
1. *產品*資料實體不需要額外的組態。產品屬性用於篩選條件、設定階層，以及訓練學習模型。
1. 在**建議資料集**下，*product\$1lineage* 不需要額外的組態。您可以使用 *product\$1alternate* 資料實體來提供有關替代或舊版產品的資訊。如需產品歷程的詳細資訊，請參閱 [產品歷程](product_lineage.md)。
1. 如果您有需求**驅動程序**資訊，例如促銷、價格變更等，請選取需求驅動程序，您可以使用 *supplementary\$1time\$1series* 資料實體來擷取資料。您最多可以選擇 13 個需求驅動因素，並設定彙總和遺失資料填入策略。如需需求驅動程式的詳細資訊，請參閱 [根據需求驅動因素進行預測](demand_drivers.md)。
1. 選擇**繼續**。
1. 在**預測設定**頁面上，您需要設定下列項目：
+ 選擇計劃的預測模型/ensembler。 AWS Supply Chain 需求規劃具有為需求計劃指派的預設預測模型。客戶可以選擇變更預設值。
**注意**
如果使用者未變更選擇，則會使用 AWS Supply Chain 指派的預設模型。
+ 在**預測開始日期**下，輸入預測開始日期以開始規劃週期。
+ 歷史記錄日期上限 – 如果您想要從最後一個完整歷史資料點之後的下一個時段開始預測，請選取此選項。
+ 計畫執行日期 – 觸發預測做為規劃週期的開始時，需求規劃會使用此日期。
+ 自訂日期 – 當選取的預測開始日期晚於 outbound\$1order\$1line 資料集結束日期，則考慮預設規劃週期開始日期時，選取此選項。如果選取的預測開始日期早於 outbound\$1order\$1line 開始日期，或需求歷史記錄的長度不足，則預測會失敗並顯示錯誤。如需詳細資訊，請參閱[上傳資料集之前的先決條件](data_quality.md)。建議選擇每月間隔的每月第一個或每週間隔的星期一。如果您選擇不同的日期，需求規劃會自動調整為最接近的預設日期。例如，如果您選取星期三做為預測開始日期，則需求規劃將選取下一個星期一做為每週間隔的預測開始日期。同樣地，選取 2024 年 5 月 10 日將導致 2024 年 6 月 1 日成為每月間隔的規劃週期開始日期。
+ 在**處理部分歷史記錄和填充策略**下，選取下列其中一項：
+ 修剪部分歷史記錄 – 選取此選項以修剪部分歷史記錄。例如，下圖說明修剪部分歷史記錄如何用於下列設定：
+ 每週精細程度起始期間 – 星期一 （預設需求規劃設定）
+ 每月精細程度起始期間 – Gregorian 日曆月的第 1 個 （預設需求規劃設定）
+ 需求計劃精細程度 – 每週
+ 預測開始日期 – 計劃執行日期
+ 修剪部分歷史記錄 – 設定為*是*
+ 計劃執行日期 – 設定為*星期一*
+ 預測期間 – 四週
![\[修剪部分歷史記錄範例\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/Trim_history.png)
+ 包含部分歷史記錄 – 選取此選項以包含部分歷史記錄，並使用填入策略填補差距。
例如，如果您在每月層級進行預測，而上個月的歷史記錄只有 10 天的資料，您可以選擇修剪或排除 10 天的資料。如果您選擇不修剪或排除 10 天的資料，您可以選擇填入策略來填入該月剩餘時間的資料。
+ 零 – 在特定期間預期沒有銷售活動時，使用此填入方法。影響：可能導致預測降低，最適合預期為零需求的季節性資料
+ NaN – 缺少標記資料時，請使用此填入方法。
+ 平均值 – 在平滑化波動時使用此填充方法。
+ 中位數 – 將此填入方法用於將極端值或資料偏斜的影響降至最低。
+ 最小值 – 當代表保守預測的最低可能值時，請使用此填入方法。
+ Max – 在假設樂觀預測影響的可能最高值時，使用此填入方法。
+ 在**設定預測期間...下**，選取新產品簡介 (NPI) 和End-of-life EOL) 產品的開始和結束日期。如需詳細資訊，請參閱[產品生命週期](product_lifecycle.md)。
+ 在**新產品初始預測**下，輸入沒有需求歷史記錄或產品歷程記錄的產品初始預測值，以在需求計劃 Web 應用程式中搜尋產品並建立預測。指定要套用的值和期間。
**注意**
顯示的時段將取決於您在**規劃地平線**頁面的**時間間隔**下選擇的時段。例如，如果您在**時間間隔**下選擇*每月*，您將能夠指定開始和停止預測之前或之後的月數，以及沒有需求歷史記錄的產品。
+ 規劃週期開始日期是以傳出訂單行資料集中的最後一個訂單日期為基礎。如果時間間隔組態為：
+ **每日** – 規劃週期開始日期將是最後一個訂單日期的次日。例如，如果最後一個訂單日期是 2023 年 10 月 30 日，則規劃週期開始日期將為 2023 年 10 月 31 日。
+ **每週或每月** – 當最後一個訂單日期與時間界限相同時，規劃週期開始日期將在一週或一個月之後。例如，當最後一個訂單日期是 2023 年 10 月 29 日 （即星期日和需求規劃的一週時間界限） 時，規劃週期開始日期將為 2023 年 10 月 30 日。
當最後一個訂單日期落在時間界限內時，需求規劃會修剪最後一個時段的訂單歷史記錄，並從新期間建立預測。例如，當最後一個訂單日期是 2023 年 11 月 1 日 （星期三，而不是在需求規劃的週間時間界限中） 時，規劃週期開始日期將為 2023 年 10 月 30 日。需求規劃將忽略 2023 年 10 月 30 日至 2023 年 11 月 1 日的訂單歷史記錄。
+ 在**準確性指標偏好設定**下，為您的組織設定三個不同的延遲。
1. 選擇**繼續**。
1. 在 **需求計畫發佈排程器** 頁面，**在 如何管理持續的預測重新整理和需求計畫發行？** 下，選擇 **自動** 以檢視在 需求規劃 頁面上發佈的下一個預測計畫。
在**設定最終需求計畫的發佈頻率**下，選擇您要將需求計畫發佈到下游程序的頻率，然後關閉規劃週期。
（選用） 在**設定週期內預測重新整理頻率**下，選取同一規劃週期內的預測更新頻率，而不釋出下游程序的臨時更新或關閉規劃週期。您也可以選取**無**，以選擇退出週期內預測重新整理頻率。
1. 選擇**繼續**。
1. 在**組織設定**下，記下發佈需求計畫的 Amazon Simple Storage Service (Amazon S3) 路徑。
**注意**
您也可以在**設定**頁面上找到已發佈需求計畫的 Amazon S3 路徑。如需詳細資訊，請參閱[管理需求計劃設定](settings.md)。
只有當您擷取資料時，才會產生預測 AWS Supply Chain。請確定您選擇的所有必要和選用屬性在資料集中具有資訊。
# 資料驗證和需求模式分析
資料驗證和需求模式分析工具可協助您評估資料的品質，並識別影響需求預測的關鍵模式。這些洞見可協助您了解哪些模式可能會影響需求。
**Topics**
+ [資料驗證](data-validation.md)
+ [需求模式和建議](demand-patterns.md)
# 資料驗證
資料驗證是預測建立程序的早期關鍵步驟，可確保輸入資料符合預測所需的品質標準。此功能會對資料執行一系列檢查，在繼續預測建立之前需要修正的浮現資料錯誤，協助您儘早識別和解決問題。
資料驗證步驟前面有一組預處理活動，根據計劃設定或定義準備資料，其中包括下列項目：
+ *彙總以與預測精細程度保持一致。*例如：
+ 如果您的預測精細程度設定為每週，則每日需求歷史記錄資料會彙總為每週總計。
+ 如果您的需求歷史記錄包含產品、網站、客戶和管道維度，但您的預測精細程度設定為產品網站層級，則系統會針對每個產品網站組合，彙總所有客戶和管道的銷售。
+ *需求計畫設定的資料轉換。*這些轉換是根據您的需求規劃組態設定。例如，如果您已將系統設定為忽略負值，則會相應地處理這些值。
+ *產品歷程考量*。系統會考慮產品關係，例如前一代後續配對或產品替代方案，如您的組態中所定義。
+ *補充時間序列轉換*。系統會將補充時間序列資料轉換為可能影響預測產生的需求驅動因素。這些轉換的需求驅動因素為上述項目提供額外的內容。
**Topics**
+ [資料驗證程序](data-validation-process.md)
+ [資料驗證報告存取](data-validation-report-access.md)
+ [資料驗證錯誤匯出](data-validation-error-export.md)
+ [資料驗證規則](data-validation-rules.md)
# 資料驗證程序
上述的預先處理程序完成後，資料驗證程序就會開始。資料驗證包含三個步驟：
1. 資料結構驗證[需求規劃](required_entities.md) - 此步驟包含檢查，以確保所有必要的資料表和資料欄都存在，並在任何轉換開始之前擁有資料。此階段會確認您的資料表已正確設定。
1. 資料品質驗證 - 此步驟可確保資料內容完整且無錯誤。它會檢查下列項目：
+ 基本欄位中缺少值
+ 資料格式和日期有效性的驗證檢查
+ 建置預測輸入所需的資料完整性
這可確保所有必要的資料都存在且有效，然後再繼續轉換。
1. 預測資格驗證：此步驟可確保提供足夠的資料來建立預測，包括：
+ 最低歷史資料需求
+ 時間序列長度限制
+ 其他演算法特定限制條件
此階段可確保您的資料適合產生預測。
即使單一驗證失敗也會停止預測建立程序。您必須與資料管理員合作來修正基礎資料問題，然後選擇**重試**以再次嘗試建立預測。
# 資料驗證報告存取
第一次建立預測時，請導覽至 **中的需求規劃**模組 AWS Supply Chain ，然後選擇**建立計劃**。系統會引導您完成三個步驟：資料擷取、計劃組態，最後是預測產生。完成資料擷取和計劃組態後，請選擇**產生預測**以啟動資料驗證。每個新的預測產生都會根據資料的目前狀態建立新的驗證報告。
資料結構驗證失敗 （例如缺少資料表或資料欄） 會顯示為畫面頂端的橫幅訊息。在繼續之前，必須先解決這些基本問題。資料結構驗證通過之後，系統會繼續進行資料品質和預測資格驗證。這些階段中的任何失敗會在驗證報告中詳細說明，可透過選擇**資料驗證**來存取。
## 後續預測建立
如需後續預測，請選擇**產生預測**。您會看到顯示三個步驟的橫幅，第一步是資料驗證。套用相同的驗證行為。結構問題會顯示為橫幅，而詳細報告中也有其他驗證失敗。
## 報告內容
資料驗證問題報告提供需要解決的資料品質和預測資格驗證失敗的完整檢視。報告會顯示下列項目：
+ 資料集：識別發生問題的特定資料集
+ 規則：描述失敗的驗證類型
+ 錯誤日期/時間：顯示偵測到錯誤的時間
+ 狀態訊息：提供有關受影響記錄和建議動作的詳細資訊
若要協助導覽和解決這些問題，您可以執行下列動作：
+ 使用搜尋方塊尋找特定類型的錯誤
+ 使用下拉式選單依資料集篩選
+ 下載包含所有驗證失敗的詳細報告
+ 檢視每次驗證**受影響的記錄**，以了解問題的範圍
# 資料驗證錯誤匯出
驗證檢查失敗的個別資料點時，可以在**資料驗證**報告頁面上選擇**下載**來匯出錯誤記錄。
**注意**
當驗證正在檢查結構、系統或彙總層級需求時，匯出選項無法使用。
匯出適用於下列項目：
+ 驗證檢查現有資料的內容或品質
+ 涉及檢查現有欄位中遺失或無效值的驗證
+ 資料品質驗證 （例如 null 檢查和日期範圍驗證）
**注意**
系統會將錯誤記錄下載限制為最多 10，000 個資料列。如果總錯誤計數超過此限制，則畫面上會顯示通知。與您的資料管理員合作，以檢閱和解決來源資料表中的所有錯誤。
匯出不適用於下列項目：
+ 驗證檢查結構元素 （例如資料表存在或資料欄存在）
+ 涉及系統層級限制的驗證 （例如大小限制、計數和閾值）
+ 預測資格檢查 （例如時間序列限制或作用中產品計數）
# 資料驗證規則
預測建立之前執行的驗證如下所示。如需詳細資訊，請參閱[需求規劃](required_entities.md)。
****
| 規則類型 | 規則 | 資料集 | Description | 匯出錯誤記錄？ |
| --- | --- | --- | --- | --- |
| 資料結構驗證 | 強制性資料欄存在驗證 | 產品、外撥訂單行、補充時間序列 | 驗證所需資料集中是否存在關鍵資料欄： 外撥訂單行：product\$1id、order\$1date、 final\$1quantity\$1requested 產品：id、描述 如果提供，則驗證建議資料集中是否存在關鍵資料欄： 補充時間序列：id、order\$1date、time\$1series\$1name、time\$1series\$1value | 否 |
| 資料結構驗證 | 精細資料欄存在驗證 | 產品、外撥訂單行 | 如果已在需求計劃設定中設定，則驗證資料欄是否存在設定為預測精細程度的資料欄。 外寄訂單行：product\$1id、Ship\$1from\$1site\$1id、Ship\$1to\$1site\$1id、Ship\$1to\$1site\$1address\$1city、Ship\$1to\$1address\$1state、Ship\$1to\$1address\$1country、Channel\$1id、Customer\$1tpartner\$1id 產品：id、product\$1group\$1id、product\$1type、 brand\$1name、 color、 display\$1desc、 parent\$1product\$1id | 否 |
| 資料結構驗證 | 作用中產品的歷史記錄驗證 | 產品、外撥訂單行、替代產品 | 確認至少有一個作用中產品本身或透過產品歷程記錄 | 否 |
| 資料品質驗證 | 必要資料欄驗證中的遺失值 | 產品、外撥訂單行、補充時間序列 | 驗證必要資料欄存在檢查中指定的必要資料欄中的 null/空白值 | 是 |
| 資料品質驗證 | 精細程度資料欄驗證中的遺失值 | 產品、外撥訂單行 | 驗證精細程度資料欄存在檢查中指定的必要資料欄中的 null/空白值 | 是 |
| 資料品質驗證 | 日期範圍驗證 | OutboundOrderLine、 SupplementaryTimeSeries | 資料集中的 order\$1date 資料欄必須包含從 01/01/1900 00：00：00 到 12/31/2050 00：00：00 的任何時間範圍內的日期。 | 是 |
| 預測資格驗證 | 每個預測器驗證的時間序列數 | OutboundOrderLine | 每個預測器的次數不得超過 5，000，000。 「每個預測器的時間序列」的計算方式是計算 product\$1id 資料欄和每個預測精細程度資料欄的唯一值計數，然後取得所有這些計數的乘積。 | 否 |
| 預測資格驗證 | 作用中產品驗證的計數 | 產品 | 在 OOL 資料集中有記錄的作用中產品數量不得超過 800，000。 | 否 |
| 預測資格驗證 | 歷史資料充分性驗證 | 傳出訂單行 | 驗證資料集中至少有一個產品是否有足夠的歷史需求資料來產生可靠的預測 預測期間不得超過資料集的時間範圍的 1/3 （如果訓練新的自動預測器） 或資料集的時間範圍的 1/4 （如果訓練現有的自動預測器）。 也有全球最大預測期間，即 500。 | 否 |
| 預測資格驗證 | 資料列計數驗證 | 分割 OutboundOrderLine | 分割 OOL 資料集中的記錄數目不得超過 3，000，000，000。如果使用這些模型，此處也會檢查具有較小限制的特定預測模型。 | 否 |
| 預測資格驗證 | 最長時間序列驗證 | 分割 OutboundOrderLine | 如果有不同時間數，則不能超過模型的限制。 「目的地時間序列」定義為考慮 product\$1id \$1 所有預測精細程度資料欄時，資料集中的不同資料列數。 | 否 |
| 預測資格驗證 | 資料密度驗證 | 分割 OutboundOrderLine | 資料集的資料密度必須至少為 5。 資料密度定義為 （資料集中的不同產品數量） / （資料集中的資料列總數）。換句話說，它是「每個產品的平均列數」。 規則只有在 Prophet 選取為預測演算法時才適用。 | 否 |
# 需求模式和建議
需求模式和建議會檢查每個設定的預測精細程度 （例如產品、位置或管道） 的轉換歷史需求輸入，以找出需求資料中的基礎模式和特性。其主要目的是識別關鍵需求模式分佈，例如平滑、間歇性、不規律和凹凸。它也提供有關歷史長度和過去 12 個月需求的統計見解。
分析會在預測產生過程中成功驗證資料後自動觸發，並與建立預測並行執行。不過，它不會封鎖或延遲預測程序。當您啟動預測建立時，需求模式分析會在與資料驗證相同的工作流程中觸發。不過，任何資料驗證失敗都無法產生分析和建立預測。
透過提供此分析概觀，系統可協助使用者了解資料集中的模式，以改善預測準確性。
# 需求模式元件
需求模式分析的三個維度為：
+ 需求模式 （根據需求隨著時間和數量的變化）
+ 年度需求 (12 個月期間所需的總數量）
+ 歷史記錄長度 （提供歷史需求資料的期間）
分析會將您的需求模式分為四種不同的類型：平滑、間歇性、不規律和凹凸。每個 都是透過分析需求的頻率和變異性來決定。如果符合條件的範圍內產品沒有歷史資料，則會在**零預測需求**區段下分組。如需詳細資訊，請參閱[需求模式](https://docs.aws.amazon.com/aws-supply-chain/latest/userguide/overview_dp.html#demand-pattern)。
產品的需求模式分佈可提供對預期預測可靠性的寶貴見解。具有順暢需求模式 （顯示一致的訂單量和頻率） 的產品通常會產生最可靠的預測，因為其行為更可預測。相反地，異常或凹凸模式的特徵是不規則峰值和不同的順序頻率，通常由於不可預測的性質，導致預測可靠性降低。透過了解此分佈，需求規劃器可以設定適當的期望並採取主動措施。
系統也會分析您過去 12 個月的需求 （視修剪組態而定），也稱為年度需求，緊接在預測開始日期之前。例如，假設預測開始日期是 2024 年 1 月 15 日 （星期一），而規劃儲存貯體是每週。系統認為過去 12 個月的分析期間是 2023 年 1 月 16 日至 2024 年 1 月 14 日。過去 12 個月的需求分析可協助需求規劃器區分作用中和非作用中的產品，同時識別在這些狀態之間轉換的產品 - 直接影響預測可靠性的模式。透過專注於最近的歷史記錄，而不是較舊的資料模式，您可以更明智地決定哪些產品需要特別注意或替代的預測方法，尤其是季節性項目、停產產品或逐步淘汰的項目。如需詳細資訊，請參閱[預測演算法](https://docs.aws.amazon.com/aws-supply-chain/latest/userguide/forecast-algorithims.html)。
在將日期調整為期間的預設開始之後，會根據預先處理的歷史需求資料中可用的最早和最新日期，計算每個預測精細程度 （例如，產品位置組合） 的歷史記錄長度，以年為單位。此分析有助於判斷產品是否已累積足夠的歷史資料來產生可靠的預測，而擷取季節性模式和長期趨勢通常需要至少兩年的時間。
![\[原始需求歷史記錄\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/raw-demand-history.png)
# 需求模式建議
系統會根據已識別的需求模式提供目標性建議，以協助改善預測準確性。對於顯示不規律需求的產品，其特徵是訂單量不規律激增，系統建議整合潛在的外部影響，例如促銷或價格變更。在這種情況下，您可以與資料管理員合作，將相關需求驅動程式資料上傳至資料湖中的[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)資料表，藉此大幅提高預測準確性。此額外內容有助於預測模型更了解和預測需求波動。
對於歷史記錄不足 （不到 2 年） 或完全沒有歷史記錄的產品，系統建議利用替代產品映射。這種方法可讓您利用類似、已建立產品的需求模式來增強預測可靠性。與您的資料管理員合作，將這些產品關係上傳至資料湖中的[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)資料表。這尤其重要，因為準確的季節性和長期趨勢偵測需要至少 2 年的完整歷史資料。透過映射到具有足夠歷史記錄的替代產品，您可以為較新的或有限歷史記錄的產品建立更可靠的預測基準。
# 需求模式和建議報告存取
## 首次建立預測
第一次建立預測時，請在 中的**需求規劃**模組下 AWS Supply Chain，選擇**建立計劃**。系統會引導您完成三個步驟：資料擷取、計劃組態，最後是預測產生。完成資料擷取和計劃組態後，請選擇**產生預測**以啟動資料驗證。驗證成功後，系統會執行需求模式分析，而您會在預測產生時看到存取此分析的超連結。
## 後續預測建立
如需後續預測，請選擇**產生預測**。您會看到顯示三個步驟的橫幅：資料驗證、需求模式分析和建議，以及預測建立。資料驗證成功且需求模式分析完成後，請在橫幅中選擇其超連結來存取報告。
## 報告內容
需求模式和建議報告可在您為指定計劃設定的預測層級提供探索性資料分析的摘要檢視。在畫面頂端，您會看到五個顯示產品分佈方式的金鑰模式卡：平滑模式、間歇模式、不穩定模式、傾印模式，以及具有零歷史需求的產品。
在此摘要下，您可以在需求計畫設定中找到詳細資料表，依產品階層中設定的最高層級細分模式。例如，如果您的產品階層組態遵循模式產品 ID、產品群組 ID，則您會在產品群組 ID 中看到摘要。對於每個類別，您可以看到以下內容：
+ \$1 預測，指出唯一時間序列符合預測資格及其總百分比
+ 年度需求量及其佔總數的百分比
+ 該類別內需求模式的視覺化明細
+ 該類別中可用歷史記錄長度的視覺化明細
為了協助您導覽此資訊，您可以執行下列動作：
+ 使用搜尋方塊尋找特定產品類別
+ 下載詳細報告。報告包含您設定的精細程度層級上每個個別預測的詳細分析
+ 排序任何產品類別、\$1 預測和年度需求，以專注於特定指標。對於包含英數字元格式或空白值的產品類別，使用搜尋函數可能會更有效。
## 持續存取
每次成功建立預測後，您可以在預測檢閱頁面的**需量模式**索引標籤上重新檢視此分析。在此檢視中，分析會回應您在預測檢閱中套用的任何篩選條件。下載的報告包含您篩選選擇的特定分析。
# 預測演算法
AWS Supply Chain 需求規劃提供 25 種內建預測模型的組合，可為客戶資料集中具有不同需求模式的產品建立基準需求預測。25 個預測模型的清單包含 11 個預測收集器 （每個收集器都是唯一的，根據構成收集器和/或收集器最佳化指標的一組模型），以及 14 個個別預測演算法，包括統計演算法，例如自動迴歸整合和移動平均 (ARIMA) 到複雜的神經網路演算法，例如 CNN-QR、暫時融合轉換器和 DeepAR\$1。客戶可根據其使用案例和獨特需求，選擇使用預測集成器或個別預測演算法。雖然預測集成器提供的優勢是客戶不必手動處理繁瑣的任務，例如模型選擇、超參數調校，而且只需選擇最適合集成器將 最佳化之客戶使用案例的預測錯誤指標，但個別預測演算法可為使用單一模型進行最佳預測而非整體的客戶使用案例提供靈活性。
下表列出 AWS Supply Chain 需求規劃提供的 25 個內建預測模型，以及它們最適合的項目。
| Type | 預測 Ensembler/Algorithm | 需求歷史記錄需求 | Ensemble 中的 Model(s) | 自動化超參數調校 （是/否） | 預設參數 | 指標最佳化 | 模型最適合的案例 (s) | 支援相關時間作為預測輸入 - 是/否？ |
| --- | --- | --- | --- | --- | --- | --- | --- | --- |
| Forecast Model(s) Ensembler | AutoGluon 最佳品質 (MAPE) | 預測期間至少 2 倍 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 模型程式庫中基準、統計 、ML/深度學習模型的組合。 | 是 | AutoGluon best\$1quality 預設集 | MAPE （平均絕對百分比錯誤） | 自動化 Ensemble，無需手動指派/選取模型。 | 是，過去和未來的相關時間序列 |
| Forecast Model(s) Ensembler | AutoGluon 最佳品質 (WAPE) | 預測期間至少 2 倍 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 模型程式庫中基準、統計 、ML/深度學習模型的組合。 | 是 | AutoGluon best\$1quality 預設集 | WAPE （加權絕對百分比錯誤） | 自動化 Ensemble，無需手動指派/選取模型。 | 是，過去和未來的相關時間序列 |
| Forecast Model(s) Ensembler | AutoGluon 最佳品質 (MASE) | 預測期間至少 2 倍 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 模型程式庫中基準、統計 、ML/深度學習模型的組合。 | 是 | AutoGluon best\$1quality 預設集 | MASE （平均絕對擴展錯誤） | 自動化 Ensemble，無需手動指派/選取模型。 | 是，過去和未來的相關時間序列 |
| Forecast Model(s) Ensembler | AutoGluon 最佳品質 (RMSE) | 預測期間至少 2 倍 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 模型程式庫中基準、統計 、ML/深度學習模型的組合。 | 是 | AutoGluon best\$1quality 預設集 | RMSE （根均方誤差） | 自動化 Ensemble，無需手動指派/選取模型。 | 是，過去和未來的相關時間序列 |
| Forecast Model(s) Ensembler | AutoGluon 最佳品質 (WCD) | 預測期間至少 2 倍 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 模型程式庫中基準、統計 、ML/深度學習模型的組合。 | 是 | AutoGluon best\$1quality 預設集 | WCD （加權累積偏差） | 自動化 Ensemble，無需手動指派/選取模型。 | 是，過去和未來的相關時間序列 |
| Forecast Model(s) Ensembler | AutoGluon StatEnsemble (MAPE) | 預測期間至少 2 倍 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 模型程式庫 eto 中的所有統計模型集合 （僅限） 會產生預測。 | 是 | AutoGluon 所有支援的統計資料模型 | MAPE （平均絕對百分比錯誤） | 自動化 Ensemble，無需手動指派/選取模型。 | 否 |
| Forecast Model(s) Ensembler | AutoGluon StatEnsemble (WAPE) | 預測期間至少 2 倍 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 模型程式庫 eto 中的所有統計模型集合 （僅限 ) 會產生預測。 | 是 | AutoGluon 所有支援的統計資料模型 | WAPE （加權絕對百分比錯誤） | 自動化 Ensemble，無需手動指派/選取模型。 | 否 |
| Forecast Model(s) Ensembler | AutoGluon StatEnsemble (MASE) | 預測期間至少 2 倍 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 模型程式庫 eto 中所有統計模型的組合 （僅限） 會產生預測。 | 是 | AutoGluon 所有支援的統計資料模型 | MASE （平均絕對擴展錯誤） | 自動化 Ensemble，無需手動指派/選取模型。 | 否 |
| Forecast Model(s) Ensembler | AutoGluon StatEnsemble (RMSE) | 預測期間至少 2 倍 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 模型程式庫 eto 中所有統計模型的組合 （僅限） 會產生預測。 | 是 | AutoGluon 所有支援的統計資料模型 | RMSE （根均方誤差） | 自動化 Ensemble，無需手動指派/選取模型。 | 否 |
| Forecast Model(s) Ensembler | AutoGluon StatEnsemble (WCD) | 預測期間至少 2 倍 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 模型程式庫 eto 中的所有統計模型集合 （僅限 ) 會產生預測。 | 是 | AutoGluon 所有支援的統計資料模型 | WCD （加權累積偏差 | 自動化 Ensemble，無需手動指派/選取模型。 | 否 |
| Forecast Model(s) Ensembler | AWS Supply Chain AutoML | 預測期間至少 2 倍 | 在 [Amazon Forecast AutoML](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-choosing-recipes.html) 中整合所有 。 | 不適用 | AutoML 預設設定 | P10, P50, P90 的 WQL （加權分位數損失） | 自動化 Ensemble，無需手動指派/選取模型。 | 取決於 Ensembler 選取的模型。 |
| 預測演算法 | CNN-QR | 預測期間至少 4 倍 | CNN-QR （卷積神經網路 - 分位數迴歸） 是一種機器學習演算法，用於使用因果卷積神經網路 (CNNs) 進行時間序列預測。 | 不適用 | [以 CNN 為基礎的參數](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | P10, P50, P90 的 WQL （加權分位數損失） | 最適合包含數百個時間序列的大型資料集。 | 是，過去和未來的相關時間序列 |
| 預測演算法 | DeepAR\$1 | 預測期間至少 4 倍 | DeepAR\$1 是一種機器學習演算法，用於使用遞歸神經網路 (RNNs進行時間序列預測。 | 不適用 | [DeepAR 預設設定](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) | P10, P50, P90 的 WQL （加權分位數損失） | 最適合包含數百個時間序列的大型資料集。 | 是，過去和未來的相關時間序列 |
| 預測演算法 | LightGBM | 預測期間至少 2 倍 | Light Gradient-Boosting Machine (LGBM) 是一種表格式機器學習模型，使用過去幾季的歷史需求資料。 | 不適用 | LightGBM 預設參數 | P10, P50, P90 的 WQL （加權分位數損失） | 最適合不同項目共享類似需求趨勢的資料集。對於具有不同項目特性和需求模式的資料集效率較低。 | 否 |
| 預測演算法 | Prophet | 預測期間至少 4 倍 | Prophet 是一種時間序列預測演算法，以附加模型為基礎，其中非線性趨勢符合每年、每週和每日季節性。 | 不適用 | [預設 Prophet 設定](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-prophet.html) | P10, P50, P90 的 WQL （加權分位數損失） | 最適合具有強烈季節性效果和數個季節歷史資料的時間序列。 | 是，過去和未來的相關時間序列 |
| 預測演算法 | 三重指數平滑 | 預測期間至少 4 倍 | 指數平滑法 (ETS) 是一種用於時間序列預測的統計模型。 | 不適用 | 預設 ETS 參數 | P10, P50, P90 的 WQL （加權分位數損失） | 最適合具有季節性模式的資料集，計算過去觀察的加權平均值，並呈指數減少權重。ETS 對於少於 100 個項目的時間序列最有效。 | 否 |
| 預測演算法 | Auto Complex 指數平滑處理 (AutoCES) | 預測期間至少 2 倍 | Auto Complex 指數平滑是指數平滑的進階變體，可自動調整平滑參數，為具有複雜季節性結構的時間序列提供準確的預測。 | 不適用 | [預設 AutoCES 設定](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-model-zoo.html#autogluon.timeseries.models.AutoCESModel) | P10, P50, P90 的 WQL （加權分位數損失） | 最適合用於時間序列資料中的複雜季節性模式，包括多個季節性或不規則週期。 | 否 |
| 預測演算法 | ARIMA | 預測期間至少 4 倍 | ARIMA （自動迴歸整合式移動平均） 是一種用於時間序列預測的統計模型。它結合了自動迴歸、移動平均值和差異元件，以建立趨勢模型。 | 不適用 | [ARIMA 預設參數](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-arima.html) | P10, P50, P90 的 WQL （加權分位數損失） | 最適合沒有強烈季節性效果的資料集。 | 否 |
| 預測演算法 | 季節性 ARIMA | 預測期間至少 2 倍 | SARIMA （季節性自動迴歸整合移動平均） 是 ARIMA 的延伸，其中包含季節性元件，可建立非季節性和季節性趨勢的模型，確保具有多個季節歷史資料的資料集的準確預測。 | 不適用 | 季節性 ARIMA 預設參數 | P10, P50, P90 的 WQL （加權分位數損失） | 最適合具有強烈季節性模式的時間序列。 | 否 |
| 預測演算法 | Theta | 預測期間至少 2 倍 | Theta 模型是一種時間序列預測方法，結合了指數平滑和分解方法來處理趨勢、季節性和雜訊。它使用線性趨勢模型和非線性平滑元件來擷取短期和長期模式，通常優於傳統方法。 | 不適用 | [Theta 方法預設設定](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-model-zoo.html#autogluon.timeseries.models.ThetaModel) | P10, P50, P90 的 WQL （加權分位數損失） | 最適合間歇性需求預測。 | 否 |
| 預測演算法 | Aggregate-Disaggregate 間歇需求方法 (ADIDA) | 預測期間至少 2 倍 | ADIDAaggregates更高層級的資料以擷取更廣泛的模式，然後將其分解以準確預測，進而透過減少雜訊來提高準確性。 | 不適用 | [ADIDA 預設參數](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-model-zoo.html#autogluon.timeseries.models.ADIDAModel) | P10, P50, P90 的 WQL （加權分位數損失） | 最適合低需求或不規則需求、間歇需求的產品。 | 否 |
| 預測演算法 | 克羅斯敦 | 預測期間至少 2 倍 | Croston 方法專為間歇性需求預測而設計。它會將非零需求的大小及其之間的間隔分成兩個元件。這些元件是獨立預測和合併的。 | 不適用 | [Croston 預設設定](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-model-zoo.html#autogluon.timeseries.models.CrostonModel) | P10, P50, P90 的 WQL （加權分位數損失） | 最適合間歇性需求預測。 | 否 |
| 預測演算法 | 間歇性多彙總預測演算法 (IMAPA) | 預測期間至少 2 倍 | IMAPA 是間歇性需求資料的預測方法，其中需求不規律，許多零值。它會在多個層級彙總資料，以擷取不同的需求模式，相較於 Croston 等方法，為具有高度不規則需求的資料集提供更強大的預測。 | 不適用 | [IMAPA 預設參數](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-model-zoo.html#autogluon.timeseries.models.IMAPAModel) | P10, P50, P90 的 WQL （加權分位數損失） | 最適合提高間歇性需求模式的準確性 （與指數平滑等傳統方法相比）。 | 否 |
| 預測演算法 | 移動平均值 | 預測期間至少 2 倍 | 移動平均模型透過在固定時段內平均過去的資料點來預測。 | 不適用 | 移動平均預設參數 | P10, P50, P90 的 WQL （加權分位數損失） | 最適合短期預測，特別是在稀疏資料案例中。此方法以簡單的趨勢在時間序列上表現良好，提供快速、簡單的預測，而不需要複雜的建模。 | 否 |
| 預測演算法 | 非參數時間序列 (NPTS) | 預測期間至少 4 倍 | NPTS 是稀疏或間歇性時間序列資料的基準預測方法。它包含標準 NPTS 和季節性 NPTS 等變體。 | 不適用 | [NPTS 預設參數](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-npts.html) | P10, P50, P90 的 WQL （加權分位數損失） | 透過處理遺失的資料和季節性效果，最適合用於不規則時間序列的強健預測。它對不規則的需求資料具有可擴展性和有效性。 | 否 |
下表列出 支援 需求規劃預測模型中可用的指標。
| 指標 | 指標描述 | 指標公式 | 何時使用此指標來最佳化 | 連結 |
| --- | --- | --- | --- | --- |
| MAPE | MAPE 會測量一組預測中錯誤的平均大小，以實際值的百分比表示。 | 不適用 | 它通常用於評估預測模型的準確性，特別是在時間序列預測中，其中所有時間序列都視為相等以進行預測錯誤評估。 | [https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.MAPE](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.MAPE) |
| WAPE | WAPE 是 MAPE 的一種變化，會考慮不同資料點的加權貢獻。 | 不適用 | 當資料具有不同的重要性，或某些觀察比其他觀察更重要時，此功能特別有用。 | [https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.WAPE](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.WAPE) |
| RMSE | RMSE 會測量預測值和實際值之間平均平方差異的平方根。 | 不適用 | RMSE 對大型錯誤很敏感，因為 squaring 操作會對較大的 errors.In 使用案例提供更多權重，其中只有幾個大型錯誤預測可能非常昂貴，RMSE 是更相關的指標。 | [https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.RMSE](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.RMSE) |
| WCD | WCD 是累積預測誤差的指標，以一組預定權重加權。 | 不適用 | 此指標通常用於某些時段、產品或資料點比其他時段更重要的應用程式，允許在錯誤分析中排定優先順序。 | 不適用 |
| wQL | wQL 是一種損失函數，可根據分位數評估模型的效能，並從不同的資料點進行加權貢獻。 | 不適用 | 在不同的分位數 （例如，第 90 個百分位數、第 50 個百分位數） 或觀察值不同的情況下，評估模型效能非常有用。當預測不足和過度預測的成本不同時，此功能特別有用。 | [https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.WQL](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.WQL) |
| MASE | MASE （平均絕對縮放錯誤） 是一種效能指標，用於評估時間序列預測模型的準確性。它會比較預測值的平均絕對誤差 (MAE) 與未分析預測的平均絕對誤差。 | 不適用 | MASE 非常適合具有循環性質或季節性屬性的資料集。例如，預測在夏天高需求和在冬天低需求的項目，可以受益於考慮季節性影響。 | [https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.MASE](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.MASE) |
# 根據需求驅動因素進行預測
若要在設定預測時增強預測準確性，您可以使用需求驅動因素。*需求驅動因素*是相關時間序列輸入，可擷取產品趨勢和季節。您可以根據各種因素使用需求驅動因素來影響供應鏈，而不是根據歷史需求。例如，促銷、價格變更和行銷活動。需求規劃支援歷史和未來需求驅動因素。
## 使用需求驅動程式的先決條件
在擷取需求驅動程式的資料之前，請確定資料符合下列條件：
+ 請務必在 *supplementary\$1time\$1series* 資料實體中擷取需求驅動因素資料。您可以同時提供歷史和未來需求驅動因素資訊。如需需求規劃所需的資料實體相關資訊，請參閱 [需求規劃](required_entities.md)。
如果您找不到 *supplementary\$1time\$1series* 資料實體，您的執行個體可能正在使用較早的資料模型版本。您可以聯絡 AWS Support 來升級您的資料模型版本或建立新的資料連線。
+ 請確定在 *supplementary\$1time\$1series* 資料實體中填入下列資料欄。
+ *id* – 此欄是唯一的記錄識別符，是成功擷取資料的必要項目。
+ *order\$1date* – 此欄表示需求驅動程式的時間戳記。它可以是過去和未來的日期。
+ *time\$1series\$1name* – 此欄是每個需求驅動程式的識別符。此欄的值必須以字母開頭，長度應為 2-56 個字元，且可能包含字母、數字和底線。其他特殊字元無效。
+ *time\$1series\$1value* – 此欄提供特定需求驅動程式在特定時間點的資料點測量。僅支援數值。
+ 選取最少 1 個，最多 13 個需求驅動因素。請確定已設定彙總和填入方法。如需填入方法的詳細資訊，請參閱 [需求驅動程式資料填入方法](configuration_demand_drivers.md#filling_method_demand_drivers)。您可以隨時修改設定。需求規劃會在下一個預測週期中套用變更。
下列範例說明當在 *supplementary\$1time\$1series* 資料實體中擷取所需的需求驅動程式資料欄時，如何產生需求計劃。需求規劃建議同時提供歷史和未來需求驅動程式資料 （如果可用）。此資料可協助學習模型學習並套用模式到預測。
![\[需求驅動程式範例\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/demand_drivers_example.png)
下列範例說明如何在資料集中設定一些常見的需求驅動因素。
![\[需求驅動程式範例\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/demand_drivers_example2.png)
當您提供領導指標時，需求規劃強烈建議您調整時間序列日期。例如，假設特定指標可做為轉換率為 70% 的 20 天領導指標。在這種情況下，請考慮將時間序列中的日期轉移 20 天，然後套用適當的轉換係數。雖然學習模型可以在不進行此類調整的情況下學習模式，但將領導指標資料與對應的結果保持一致，在模式辨識中更有效。值的大小在此過程中扮演重要角色，可增強模型準確學習和解譯模式的能力。
# 需求驅動程式組態
若要使用需求驅動程式，您必須設定它們。只有當您已在 *supplementary\$1time\$1series* 資料實體中擷取資料時，才能設定需求驅動程式。
**注意**
如果您未設定需求驅動因素，您仍然可以產生預測。不過，需求規劃不會使用需求驅動因素。
## 需求驅動程式資料填入方法
*填入方法*代表 （或「填入」) 在時間序列中缺少值。需求規劃支援下列填入方法。套用需求規劃的填入方法取決於資料中間隙的位置。
+ 回填 – 當間隙介於產品的先前記錄日期和上次記錄日期之間時套用。
+ 中間填入 – 當間隙介於指定產品的上次記錄資料點與全域上次記錄日期之間時套用。
+ 未來填補 – 當需求驅動因素未來至少有一個資料點，且未來時間有差距時套用。
![\[需求驅動程式填入方法\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/filling_method.png)
需求規劃會利用 *supplementary\$1time\$1series* 資料實體中對應到需求驅動因素的最後 64 個資料點，以供考量。需求規劃支援所有三種填充方法的*零*、*中位數*、*平均值*、*最大值*和*最小值*選項。
下列範例說明當資料擷取到產品 1 的 *supplementary\$1time\$1series* 資料實體中的*價格*欄時，需求驅動程序如何處理遺失的資料，其中包含歷史記錄和未來資料。
![\[需求驅動程式填入方法\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/filling_method_example1.png)
## 彙總方法
需求規劃使用 彙總方法，透過整合特定期間和精細程度的資料，以促進各種精細程度的需求驅動因素整合。
時段彙總 – 例如，當*庫存*需求驅動程式在每日層級可用，但預測在每週層級時，需求規劃將套用在庫存需求計劃設定下設定的彙總方法，以使用資訊進行預測。
![\[需求規劃使用的彙總方法\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/aggregation_example1.png)
精細度層級彙總 – 以下是需求規劃如何使用精細度層級彙總的範例。*out\$1of\$1stock\$1indicator* 每日可在產品現場層級使用，但預測精細度只能在產品層級使用。需求規劃將套用在此需求驅動程式的需求計劃設定下設定的彙總方法。
![\[需求規劃使用的精細度方法\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/granularity_example.png)
# 需求驅動程式建議
設定需求驅動程式的彙總和填入方法時，一般準則是為布林值和連續資料類型指派*平均*彙總。若要填入遺失值，請針對布林值資料使用*零*填入，而*平均值*填入則適用於連續資料。
請注意，彙總和填入方法組態的選擇取決於有關遺失值的資料特性和假設。請見此處範例。
![\[需求驅動程式建議\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/demand_driver_recommendation.png)
需求規劃建議調整需求驅動程式組態，以最適合您的資料集需求。需求驅動程式組態會影響預測準確性。
在 AWS Supply Chain Web 應用程式中，**在需求規劃**、**概觀**下，您將檢視與需求驅動因素相關聯的影響分數，並在需求計劃層級彙總。這些影響分數測量需求驅動因素對預測的相對影響。低影響分數不表示需求驅動因素對預測值的影響最小。相反地，它暗示它對預測值的影響相對低於其他需求驅動因素。在某些情況下，當影響分數為零時，應該解釋為需求驅動因素不會影響預測值。需求規劃建議重新檢視套用至該特定需求驅動程式的彙總和填入方法組態。
# 產品歷程
*產品譜系*是指產品與其先前版本或替代產品之間建立的關係。需求規劃使用產品歷程資訊為這些產品建立代理歷史記錄，做為需求預測的預測輸入。
產品譜系支援下列模式：
+ 單一產品有一個譜系或替代產品 = 1：1
![\[產品歷程模式 = 1：1\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/product_lineage_pattern1.png)
下列範例顯示 1：1 案例。
![\[產品歷程模式 = 1：1\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/1 is to 1_example.png)
+ 單一產品具有多個產品做為歷程或替代 = 許多：1
![\[產品歷程模式 = 許多：1\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/product_lineage_pattern2.png)
需求規劃支援將產品歷程關係建模為*鏈結*或*平面化*方法。
+ **鏈結格式** – 您可以直接建立譜系關係的模型，例如 A 到 B 和 B 到 C。在下列範例中。需求規劃會將譜系關係建模為 A 到 B、B 到 C，以及 A 到 C。
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/product_lineage.html)
下列範例顯示多：1 案例 - 鏈結格式
![\[產品歷程模式 = 鏈結格式\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/chain_format.png)
+ **平面化格式** – 需求規劃將繼續支援 A 到 B 和 A 到 C 格式的歷程資訊。在下列範例中，需求規劃會將譜系關係建模為 A 到 B 和 A 到 C。B 到 C 不被考慮。
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/product_lineage.html)
**注意**
鏈結格式僅支援 6 個層級的歷程關係。如果您有超過 6 個，您可以使用平面格式來建立譜系關係的模型。
下列範例顯示多點：1 案例 - 平面化格式
![\[產品歷程模式 = 平面化格式\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/1 is to many_example.png)
+ 單一產品可以是歷程記錄或替代超過 1 個產品 = 1：許多
![\[產品歷程模式 = 1：許多\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/product_lineage_pattern3.png)
若要啟用產品譜系功能，您可以定義不同版本產品的譜系關係，或在 *product\$1alternate* 資料實體中替代/替換。如需詳細資訊，請參閱[需求規劃](required_entities.md)。
如果您的執行個體是在 2023 年 9 月 11 日或之後建立的，您會在資料連線模組中看到 *product\$1alternate* AWS Supply Chain 資料實體。如果您的執行個體是在 2023 年 9 月 11 日之前建立的，請建立新的資料連線，以啟用 *product\$1alternate* 資料實體進行擷取。
若要將資料擷取至 *product\$1alternate* 資料實體，請遵循下列準則：
+ *product\$1id* – 建立預測的主要產品。
+ *alternative\$1product\$1id* – 舊版產品或替代/替代產品。
若要考慮單一 product*\$1id 的多個 alternative\$1product*\$1id，請在單獨的資料列中輸入它們。 **
+ 只有在以下列格式提供值時，需求規劃才會考慮資料。
+ *alternate\$1type* 是 * similar\$1demand\$1product*。
+ *狀態*為*作用中*。
+ *alternate\$1product\$1qty\$1uom* 是文字*百分比*。
+ *alternate\$1product\$1qty* – 在 *alternate\$1product\$1qty* 資料欄位中，輸入您要用於預測新產品之替代產品的歷史記錄比例。例如，如果是 60%，請輸入 60。當您有多個 *alternative\$1product\$1id* 用於單一 *product\$1id* 時， *alternate\$1product\$1qty* 不需要新增最多 100 個。
+ *eff\$1start\$1date* 和 *eff\$1end\$1date* 資料欄位為必要欄位。不過，您可以將此欄位保留空白，需求規劃將分別自動填入 1000 和 9999 年。
使用產品歷程資料建立預測時，當您依*產品 ID 篩選時，您會在需求規劃頁面上看到以替代產品歷史記錄為基礎的指標預測*。 **
下表顯示需求規劃產品歷程功能如何根據擷取至 *product\$1alternate* 資料實體的資料運作的範例。
| 資料行 | 必要或選用 | 範例 1 | 範例 2 | 範例 3 | 範例 4 | 範例 5 | 範例 6 | 範例 7 | 範例 8 | 範例 9 | 範例 10 | 範例 11 |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| product\$1id | 必要 | 產品 123 | 產品 123 | 產品 123 | 產品 123 | 產品 123 | 產品 123 | 產品 123 | 產品 123 | 產品 123 | Null | 產品 123 |
| alternative\$1product\$1id | 必要 | 產品 XYZ | Null | 產品 XYZ | 產品 XYZ | 產品 XYZ | 產品 XYZ | 產品 XYZ | 產品 XYZ | 產品 XYZ | Null | 產品 XYZ |
| alternate\$1type | 必要 | Similar\$1Demand\$1Product | Similar\$1Demand\$1Product | Null 或不同的值 | Similar\$1Demand\$1Product | Similar\$1Demand\$1Product | Similar\$1Demand\$1Product | Similar\$1Demand\$1Product | Similar\$1Demand\$1Product | Similar\$1Demand\$1Product | Similar\$1Demand\$1Product | Similar\$1Demand\$1Product |
| 狀態\$1 | 必要 | active | active | active | inactive | active | active | Null | active | active | active | active |
| alternate\$1product\$1qty | 必要 | 100 | 60 | 100 | 100 | Null | 100 | 100 | 100 | 100 | 100 | 60 |
| alternate\$1product\$1qty\$1uom | 必要 | 百分比 | 百分比 | 百分比 | 百分比 | 百分比 | Null 或不同的值 | 百分比 | 百分比 | 百分比 | 百分比 | 百分比 |
| eff\$1start\$1date | 必要 | 2023-01-01 00：00：00 | 2023-01-01 00：00：00 | 2023-01-01 00：00：00 | 2023-01-01 00：00：00 | 2023-01-01 00：00：00 | 2023-01-01 00：00：00 | 2023-01-01 00：00：00 | Null | 2023-01-01 00：00：00 | 2023-01-01 00：00：00 | Null |
| eff\$1end\$1date | 必要 | 2025-12-31 23：59：59 | 2025-12-31 23：59：59 | 2025-12-31 23：59：59 | 2025-12-31 23：59：59 | 2025-12-31 23：59：59 | 2025-12-31 23：59：59 | 2025-12-31 23：59：59 | 2025-12-31 23：59：59 | Null | 2025-12-31 23：59：59 | Null |
| **預期的行為** | NA | 100% 的產品 XYZ 從 1/1/2023 到 31/12/2025 的歷史記錄將用於預測產品 123。 | 由於 alternative\$1product\$1id 遺失，因此映射無效。 | 無效的映射，因為替代 \$1type 不是 'similar\$1demand\$1product'。 | 非作用中映射。 | 由於缺少 alternate\$1product\$1qty，因此映射無效。 | 無效的映射，因為 alternate\$1product\$1qty\$1uom 遺失或不是百分比。 | 由於狀態遺失，因此映射無效。 | 擷取將會失敗。 | 擷取將會失敗。 | 由於 product\$1id 和 alternative\$1product\$1id 遺失，因此映射無效。 | 擷取將會失敗。 |
| | NA | 不適用 | 不適用 | 不適用 | 不適用 | 不適用 | 不適用 | NA | 需求規劃會自動填入 *eff\$1start\$1date* 到 1000 年。此案例有效，且資料擷取不會失敗。 | 需求規劃會自動填入 *eff\$1end\$1date* 至 9999 年。此案例有效，擷取不會失敗。 | NA | 需求規劃會自動填入 *eff\$1start\$1date* 到 1000 年，以及 *eff\$1end\$1date* 到 9999 年。此案例有效，擷取不會失敗。 |
下列範例說明當*狀態*設定為*非作用中*且產品歷程為鏈結格式時，需求規劃如何解譯。
| 資料行 | 資料行 | 狀態 |
| --- | --- | --- |
| A | B | 作用中 |
| B | C | 非作用中 |
| C | D | 作用中 |
需求規劃會將第一個根和子映射的狀態視為整個鏈結的狀態。
A 到 B 作用中
A 到 C 作用中
A 到 D 作用中
B 到 C 非作用中
B 到 D 非作用中
C 到 D 作用中
# 產品生命週期
產品生命週期說明產品從生命週期結束 (EoL) 的生命週期。 AWS Supply Chain 支援預測產品的生命週期。若要啟用產品生命週期功能，請在*產品*資料實體中填入 *product\$1introduction\$1day* 和 *discontinue\$1day* 資料欄。需求規劃使用來自這些資料欄的資料，在產品處於作用中狀態時為產品建立預測。如需詳細資訊，請參閱 [中使用的資料實體和資料欄 AWS Supply Chain](data-model.md)。
若要啟用產品生命週期，請確定資料欄 *ID*、*描述*、*product\$1available\$1day*、*stop\$1day* 和 *is\$1deleted* 已填入*產品*資料實體中。
以下範例顯示需求規劃在產品資料實體中擷取資料時的運作方式。
| 欄名稱 | Data Lake 的必要項目 | 需求規劃的必要項目 | 案例 1 | 案例 2 | 案例 3 | 案例 4 | 案例 5 | 案例 6 | 案例 7 |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| id | 是 | 是 | Product123 | Product123 | Product123 | Product123 | Product123 | Product123 | Product123 |
| description | 是 | 是 | Bottle | Bottle | Bottle | Bottle | Bottle | Bottle | Bottle |
| product\$1available\$1day | 否 | 否 | 2023 年 5 月 1 日 | 2023 年 5 月 1 日 | 2023 年 5 月 1 日 | Null | Null | 2022 年 5 月 1 日 | 2022 年 5 月 1 日 |
| discontinue\$1day | 否 | 否 | Null | 2023 年 12 月 31 日 | 2023 年 12 月 31 日 | Null | Null | 2023 年 5 月 1 日 | 過去 |
| is\$1deleted | 否 | 否 | 否 | 否 | 是 | 否 | Null | 否 | 否 |
| **預期的行為** | NA | NA | 預測將在 2023 年 5 月 1 日之前 3 個月 （或依設定） 開始建立，直到規劃期間結束為止，因為沒有終止日期。 | 預測將在 2023 年 5 月 1 日之前 3 個月 （或依設定） 開始建立，直到終止日期 （或依設定）。 | 由於產品被視為非作用中，因此不會建立預測。 | 系統會針對整個規劃期間建立預測。 | 假設產品處於作用中狀態。 | 預測將建立一天 (5 月 1 日）。 | 如果 is\$1deleted 和 discontinue\$1day 之間發生衝突，則會考慮 is\$1deleted。 |
如需如何設定產品生命週期的資訊，請參閱 [建立您的第一個需求計劃](onboarding.md)。
在需求規劃設定下，您可以根據產品資料實體中的 *product\$1available\$1day* 設定預測開始日期。根據預設，預測會從 *product\$1available\$1day* 開始。*期間*是指**範圍** （每日、每週、每月或每年） 下設定的時間間隔。您可以調整開始日期以最佳化庫存管理。
與開始日期類似，您可以根據產品資料實體中的 *product\$1discontinue\$1day* 來設定預測的結束日期。根據預設，預測會在 *product\$1discontinue\$1day* 結束。您可以調整結束日期，以防止不正確的預測超過產品保存期，並避免過多的庫存成本。如果您希望預測符合 *product\$1available\$1day* 和 *product\$1discontinue\$1day*，請輸入零。此全域設定將適用於所有符合資格的產品。
當 *product\$1available\$1day* 和 *product\$1discontinue\$1day* 無法使用時，系統會針對整個規劃期間建立預測。
您也可以將系統設定為初始化產品的預測值，而不需要歷史資料或替代產品連結。預設值為零。您也可以根據**範圍** （每日、每週、每月或每年） 下設定的時間間隔，設定系統應使用初始化產品預測值的期間。預設值為三個句點。此全域設定將適用於網站、客戶和管道維度交集處的所有合格產品，如果這些產品被選為額外的預測精細程度。例如，當預測設定為每週，初始化值為 10 達 12 個期間，而開始預測設定為 *product\$1available\$1day* 之前的三個期間時，對於 2023 年 10 月 2 日 product\$1available\$1date 的產品 X，初始化值為 10 將適用於 2023 年 9 月 11 日至 2023 年 12 月 3 日之間的每週。
若要變更 *product\$1available\$1day* 和 *product\$1discontinue\$1day*，請更新 AWS Supply Chain 資料湖中的產品資料實體。您也可以更新預測開始和結束日期。當您變更初始化值和期間設定時，變更會套用至所有符合資格的產品，包括在先前規劃週期中以不同值初始化的產品。所有更新都會套用至下一個預測建立週期。
# 管理需求計劃
產生預測後，選擇**需求規劃**，然後選擇**管理需求計劃**。在**需求規劃**頁面上，您可以檢視用於產生預測的整體影響因素，以及預測的準確性指標。您也可以檢視目前的需求計劃。
**Topics**
+ [概觀](overview_dp.md)
+ [需求計劃](changing_category.md)
+ [預測鎖定](forecast_lock.md)
# 概觀
**注意**
您只能在第一次產生預測後檢視**概觀**頁面。
**概觀**索引標籤提供下列資訊。
+ **整體影響因素 – **指出產品中繼資料屬性和需求驅動因素 （如果有） 的影響分數，用於在目前的規劃週期中產生預測。您可以在第一次成功產生預測後檢視影響因素。負值表示屬性導致預測下降，反之亦然。零值表示屬性不會影響預測結果。如需根據需求驅動因素預測的資訊，請參閱 [根據需求驅動因素進行預測](demand_drivers.md)。
+ **準確性指標** – 在您更新包含預測期間實際需求的資料集 (outbound\$1order\$1line) 之後，請選擇**重新計算**。您可以在需求計畫索引標籤下**檢視最新需求計畫**的準確性指標。準確度指標會測量目前需求計畫的準確度如何與實際需求保持一致。
在預測產生期間，準確度指標可在**計劃 （彙總）** 和**精細最低**層級取得。**概觀**頁面會顯示彙總層級指標，在**準確性指標**下，您可以選擇**下載**以下載精細指標。
以下是用於計算 Web 應用程式上顯示之指標的公式。
+ ** 平均絕對百分比錯誤 (MAPE)** – MAPE 會取得每個時間單位觀察值和預測值之間百分比錯誤的絕對值，並平均這些值。
精細的公式和計劃層級如下：
![\[計算 MAPE\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/MAPE_formula.png)
低於 5% 的 MAPE 表示預測可接受準確。大於 10% 但小於 25% 的 MAPE 表示低度但可接受的準確性，而大於 25% 的 MAPE 表示非常低的準確性，且無法接受預測。
+ **加權平均百分比錯誤 (WAPE)** – WAPE 會測量預測值與觀察值的整體偏差。WAPE 的計算方式是取得觀察值和預測值的總和，並計算這兩個值之間的錯誤。數值越低表示模型越準確。
精細的公式和計劃層級如下：
![\[計算 WAPE\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/WAPE_formula.png)
低於 5% 的 WAPE 被視為可接受的準確性。大於 10% 但小於 25% 的 WAPE 表示低度，但可接受的準確度和大於 25% 的 WAPE 表示非常低的準確度。
請參閱下列範例：
![\[WAPE 計算範例\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/Accuracy_metrics.png)
當實際 為零或 null 時，不會計算指標。之後產生新的預測時，先前報告的指標將無法再用於 Web 應用程式。確定最新的 outbound\$1order\$1line 資料集已更新，然後選擇**重新計算**以檢視更新的指標。
準確度指標反映目前需求計劃在目前執行預測中具有實際需求值的所有期間的準確性。
例如，如果您目前的規劃週期已從 2023 年 1 月至 12 月預測每月預測，而且您更新了 2023 年 1 月的實際資料，則會計算 2023 年 1 月的準確性指標。同樣地，如果您目前的規劃週期已使用每月預測從 2023 年 1 月到 12 月進行預測，並且您更新了 2023 年 1 月和 2023 年 2 月的實際資料，則會計算 2023 年 1 月和 2023 年 2 月的準確性指標。需求規劃 Web 應用程式會顯示 Jan-Feb-2023彙總指標，而匯出檔案會顯示精細的詳細資訊。
**注意**
當您修改*時間間隔*或*階層*組態並重新產生預測時，不會顯示準確性指標，因為準確性指標值無關。
## 需求模式
您可以展開個別指標來檢視需求特性，例如 *Smooth Demand*、*間歇需求*、*不穩定需求*和 *Lumpy Demand*。區段是根據上次預測中使用的實際需求衍生。
當需求規劃 Web 應用程式中缺少四個客群中的一個或多個客群時，表示需求規劃 Web 應用程式找不到符合與缺少客群相關聯模式的任何產品。
系統會計算下列中繼結果：
**注意**
ADI 和 CV2 運算不會考慮零需求的記錄。
+ *平均需求間隔 (ADI)* – 代表連續需求之間的平均時間。ADI = 期間總數/需求儲存貯體數量
+ *Squared Coefficient of Variation (CV2)* – 測量需求數量的變化性。CV2 = （母體標準差/母體平均值）2
系統會套用下列截止值來衍生區段：
+ *Smooth Demand* (ADI 小於 1.32，CV2 小於 0.49) 在時間和數量方面具有高度規律性，因此可以輕鬆地以低錯誤邊界進行預測。
+ *間歇性需求 *(ADI 大於或等於 1.32，CV2 小於 0.49) 的數量變化很少，但需求間隔變化很大，導致預測錯誤率更高。
+ *不穩定需求 *(ADI 小於 1.32 且 CV2 大於或等於 0.49) 在時間中定期出現，但數量變化很大，從而導致晃動預測準確性。
+ *Lumpy Demand* (ADI 大於或等於 1.32，CV2 大於或等於 0.49) 的特點是數量和時間都有很大的變化，因此無法預測。
## 預測驗證
預設會啟用預測驗證。為了確保產生的預測準確，需求規劃將監控並更新預測品質或準確性。如果需求規劃判斷預測需要額外驗證，則需求規劃將延遲發佈預測，而且您會看到一則訊息，顯示預測將在 AWS Supply Chain Web 應用程式上發佈的日期和時間。
您也可以選擇退出，而需求規劃將不會監控您的預測。如需如何選擇退出的詳細資訊，請參閱[選擇退出偏好設定](https://docs.aws.amazon.com/aws-supply-chain/latest/adminguide/data-protection.html#opt-out-preference)。
您可以在唯讀模式中檢視上次發佈的需求計劃。
## 延遲
延遲代表建立預測和實現實際預測之間的時間間隔。當您設定需求計劃時，最多可以設定三個預測延遲。如需詳細資訊，請參閱[建立您的第一個需求計劃](onboarding.md)。預測準確性指標會根據定義的延遲間隔顯示分析。
定義的延遲預測會針對每個規劃週期產生，並且只能在對應的規劃週期數之後評估準確性指標。例如，如果您選擇延遲六，則延遲六預測的準確性指標會在六個規劃週期後計算。
![\[需求模式範例\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/demand_pattern.png)
**注意**
當您變更延遲組態時，顯示的下拉式清單值是新選取的延遲。選擇**重新整理指標**以檢視最新的指標。當您變更時間間隔 (daily/weekly/monthly/每年） 或階層 (product/site/customer/頻道） 精細程度時，當您選擇**重新整理**指標時，先前的延遲指標將不再可用。重新計算結果會將最新的需求規劃週期顯示為歷史記錄中唯一的週期。
選擇**匯出指標**以下載詳細檔案，其中包含對應於 Web 應用程式上顯示之彙總指標的精細資料。下載的檔案將包含下列資訊：
+ 時間戳記 - 預測期間、預測建立日期、上次實際期間、延遲
+ XYZ 區段 （平滑、間歇性、不規律或凹凸）
+ 精細程度 - 設定Product/site/customer/管道
+ 基準預測 - P10, P50 和 P90
+ 實際需求
+ 指標 - 偏差單位、偏差 %、MAPE、SMAPE （在精細層級，MAPE 和 WAPE 相同）
# 需求計劃
產生預測後，您可以在**需求計劃**索引標籤上檢閱預測值。**企業需求計劃**是單一工作手冊，可做為協作平台一起使用。它提供一個集中的位置，讓您合併和同步預測工作。
需求計畫表格會顯示下列資訊：
+ **預測需求** – 顯示系統產生的預測，並包含下列三個值：
+ **下限** – 預測預測通常高於大約 90% 時間的實際需求。
+ **中位數需求** – 預測預測通常高於時間 50% 的實際需求 （中央預估）。
+ **上限** – 預測預測通常高於 10% 時間的實際需求。
**注意**
只有在選取 *product\$1id* 時，才會顯示*下限和上限*資訊。選取單一*產品 ID *時，會在彙總層級和 上顯示*中位數需求*。
+ **需求計畫** – 在此資料列中複寫中位數需求，以允許覆寫。
+ **實際需求** – 顯示目前和前幾年的需求歷史記錄。
每週比較歷史資料時，需求規劃會參考前一年最近的星期一。這是因為需求規劃會將星期一視為一週的開始日期。由於年和閏年之間的差異，前一年的對應週可能沒有完全相同的日期。例如，若要比較 6/3/2023 一週的歷史銷售資料是否可用，也就是星期一，需求規劃會參考前一年最接近星期一的一週，也就是 7/2/2022。
+ **先前的預測版本** – 顯示上次發佈的需求計劃。這在建立第一次預測期間會是空白的，因為沒有可用的歷史記錄。
+ **生命週期和事件** – 顯示需求計劃中的新產品簡介 (NPI) 或接近生命週期結束 (EoL) 的產品。當您將滑鼠暫留在 **NPI** 或 **EoL** 圖示上時，當選取多個產品時，您可以檢視產品和產品清單。僅選取一個產品時，您可以檢視產品中繼資料。、NPI 情況下的產品可用日期、EoL 情況下的中止日期，以及預測開始和停止日期。
**注意**
只有在產品類別設定為全部或選取產品階層中的更高層級時，您才會看到列出新的或接近 EoL 的產品數量。
您可以使用**圖形**切換按鈕來隱藏或顯示圖形檢視。您可以選擇眼睛圖示來隱藏或顯示特定值。當您依產品篩選時，您可以將滑鼠游標暫留在 *i* 說明圖示上，以檢視產品描述、度量單位 (UoM)、產品可用日期和中止日期。
## 檢視預測
若要檢視預測，請完成下列步驟：
1. 在**企業需求計劃**頁面上，您可以看到所產生預測的時間戳記。如果**企業需求計劃**處於*作用中*狀態，您可以使用篩選條件並進行調整。
1. 在**企業需求計劃**頁面的**全部**下，選擇**變更類別/產品**以變更產生的預測檢視。根據預設，顯示的預測代表定義範圍或時間範圍內所有產品的總預測需求。
1. 在**選取類別/產品**頁面上，您可以從清單中選擇產品，或使用搜尋方塊依產品 *ID *或*描述*搜尋特定產品。
1. 選擇**套用**。您現在可以檢視所選產品或類別的篩選預測。
**注意**
如果您在預測組態期間已選擇選用階層，摘要方塊會顯示所選產品銷售的網站、客戶和管道計數。
1. 在**縮小搜尋**範圍下，如果您在預測組態期間選擇選用階層，您可以篩選**網站**、**頻道**或**客戶**，以進一步縮小預測範圍。例如，如果您在預測組態期間選擇 **Site** 和 **Channel** 階層，則 Site 和 Channel 的篩選條件將在 **Demand Plan** 頁面上提供。
1. 在**時間間隔**下拉式清單中，選取要檢視預測的時間間隔。您可以使用此篩選條件來調整時間階層，並以資料表和圖形形式檢視預測。最低值對應至預測精細度時間間隔設定。例如，如果時間間隔是*每週*，您可以檢視*每週*、*每月*和*每年*的預測。
您也可以使用**檢視視窗開始**和**檢視視窗結束**來縮小預測中要檢視的期間，包括資料表和圖形檢視。您可以檢視 28 天、52 週、48 個月和 10 年的歷史銷售額。
**時間間隔範例 1**
每個組態的每日時間間隔會產生需求計畫。您可以選取需求計劃頁面上時間間隔篩選條件上的 選項，以每週時間間隔檢視需求計劃。系統會將值彙總為週，以星期一作為一週的開始日期。
您也可以使用時間間隔篩選條件並選擇每月選項，以每月時間間隔檢視需求計劃。系統會將值彙總至 Gregorian 日曆月，開始日期為 1，因為需求計劃以每日精細程度提供。
![\[時間間隔範例\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/Time-interval-example1.png)
**時間間隔範例 2**
每個組態的每週時間間隔會產生需求計劃。您可以選取時間間隔篩選條件，以每月時間間隔檢視需求計劃。月份的時間範圍不會是嚴格的 Gregorian 日曆月。
![\[時間間隔範例\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/Time_interval_example.png)
## 新增覆寫
本節說明如何手動編輯預測以覆寫預計的需求。
**注意**
一個規劃週期的手動預測覆寫會自動儲存，並在下一個規劃週期重新套用。
1. 在**需求計畫**下，您可以透過將點移至所需的值，或直接在資料表中的需求計畫資料列上更新值，在圖形上新增覆寫。
1. 在**編輯數量**頁面**的變更**下，選取您是否要增加、減少或固定需求量。
1. 選擇**大量編輯**以大量編輯預測並新增覆寫。
隨即顯示**編輯預測**頁面。
1. 在**變更**下，選取下拉式清單以增加或減少需求，或輸入值。
1. 在**原因代碼**下，從*促銷*、*假日*、*季節性*、*新產品*、*產品縮減**或其他*選項之間選取其中一個選項。原因代碼是成功處理覆寫的必要項目。您可以選擇將更多描述性備註新增至預測覆寫。
1. 選擇**儲存並更新**。
當您建立覆寫時，可以在相關階層中檢視影響。您可以建立許多覆寫，但只會考慮最後一個覆寫。建立覆寫之後，**需求計劃**下會顯示*時鐘*圖示。選擇*時鐘*圖示時，您可以檢視規劃週期中的最新變更。選擇**檢視更多變更**以檢視過去的更新。
1. 若要同時進行多個覆寫，請從**編輯數量**中，選擇**移至大量編輯**。您也可以針對**需求計畫**選擇**大量編輯**。
**注意**
您只能從資料表大量編輯。
1. 在**編輯預測**頁面上，您可以選取您要更新的每個時段的所有核取方塊或核取方塊，然後輸入更新。
1. 選擇**儲存並更新**。
**預測需求**已更新。
## 匯出資料計畫檔案
您可以將**需求計劃**、**預測需求**、**先前預測版本**和**實際需求歷史記錄**從需求規劃匯出為個別 .csv 檔案。
**注意**
匯出的 .csv 檔案將包含整個需求計劃，儘管匯出時**已在需求規劃**頁面上啟用哪些篩選條件。
若要匯出資料計劃，請完成下列步驟：
1. 在**企業需求計劃**頁面上，選取垂直省略符號。
1. 選擇**匯出資料計畫**。
![\[匯出資料計劃\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/export_data_plan.png)
1. 在**匯出**頁面上，選取要下載的必要資料。
1. 選擇 **Export** (匯出)。
檔案會下載至您的本機電腦。
## 匯入預測覆寫
您可以使用匯入預測覆寫選項，使用 .csv 檔案匯入預測覆寫。
若要透過 .csv 檔案上傳預測覆寫，請完成下列步驟：
1. 在**企業需求計劃**頁面上，選取垂直省略符號。
1. 選擇**匯入預測覆寫**。
**匯入預測覆寫**頁面隨即出現。
![\[匯入預測覆寫\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/import_forecast_overrides.png)
1. 在**上傳檔案**下，選擇**下載 CSV 範本**以下載您需要用來新增覆寫值的 .csv 檔案。
.csv 檔案將包含您用來產生預測之資料集的標頭。.csv 檔案最多只能包含 1000 個資料列，檔案大小應在 5 MB 內。
1. 更新 .csv 檔案後，您可以拖放檔案，或選擇要**新增檔案的檔案**。
1. 選擇**上傳覆寫**。
如果上傳失敗，請檢查下列項目：
+ 請確定已填入必要欄位 *override\$1start\$1date*、 *override\$1end\$1date*、*值*和 *reason\$1code*。
+ 支援的原因代碼為*促銷**假日*、*季節性*、*新產品*、*產品延遲時間**和其他*。
+ 根據您的組態，確定 *override\$1start\$1date* 和 *override\$1end\$1date* 是一週或一個月的第一天。
1. 在**匯入預測覆寫狀態**下，您會看到您上傳的所有預測覆寫的狀態。
您可以依**上傳的資料**、**使用者 ID** 或上傳狀態來篩選預測覆寫狀態。
## 需求計畫排程器
需求規劃中的排程器會決定何時產生預測並確定需求計劃。排程器可設定為以設定的時間間隔 （自動排程器） 自動操作，或手動觸發。自動排程器可確保規劃程序根據預先定義的時間表順暢且一致地執行，而手動排程器可讓您靈活地啟動預測重新整理和完成需求計劃。
+ 手動重新整理和發行 – 設定需求規劃時，請務必在**需求計劃排程器**下選擇**手動**。若要開始預測重新整理，請在**需求計劃**頁面上，選取右上角的三個點，然後選擇**產生預測**。
如果**需求計劃是最終的，並準備好發佈到下游程序，請選取完成**需求計劃。
一旦需求計劃完成，資訊就會發佈到 Data Lake 中的*預測*資料實體和 Amazon S3。此計劃的需求計劃頁面上的狀態已變更為*已發佈*。您可以在*設定* > *組織*、*需求規劃*、*發佈需求計劃*下檢視 Amazon S3 連結。您可以看到**產生預測**按鈕，以開始下一個規劃週期。
未選取**最終需求計劃**時，需求規劃會將預測作為臨時版本發佈至 Data Lake *中的預測*資料實體。狀態會變更為*已關閉*。您可以看到**產生預測**按鈕，以開始下一個規劃週期。需求規劃將啟動需求規劃組態頁面中設定的新預測，並使用與先前計劃相同的開始日期。
+ 自動重新整理和發行 – 設定需求規劃時，請務必在**需求計劃排程器**下選擇**自動**。如需詳細資訊，請參閱[建立您的第一個需求計劃](onboarding.md)。
# 預測鎖定
您可以使用預測鎖定功能來鎖定預測中的特定期間，以防止任何進一步的編輯或調整。若要設定預測鎖定，請在需求計畫設定頁面中輸入介於零和時間範圍 -1 之間的數字，以鎖定第一個 *x* 預測期間。預設值為 0，表示未鎖定任何期間。
預測鎖定不會套用到初始預測，但會從第二個需求規劃週期開始生效，並保留先前需求計劃的定案值。在需求計畫中，鎖定期間會以*鎖定*圖示表示。變更歷史記錄圖示會顯示原因代碼 *PLAN\$1LOCKED*，以供最精細的稽核之用。一旦預測期間鎖定，鎖定就會套用到該時間範圍內的所有產品。
當預測精細程度變更時，先前規劃週期的預測覆寫不會轉移到目前的規劃週期。先前的預測和準確性指標也不會顯示需求計畫中的任何資料，而且任何先前的預測鎖定不再有效。修改後的精細程度需要兩個連續預測執行，才能套用新的預測鎖定。您可以將組態設定為零並啟動新的預測，以解鎖預測期間。
以下範例顯示週期內預測重新整理排程器的運作方式 （停用時），以及下列設定中的預測鎖定：
+ 需求計劃精細程度 – 每週
+ 已選取預測期間 – 5
+ 週期內預測重新整理排程 – 已停用
+ 最終預測發佈 – 一週的第 7 天
+ 鎖定期間 – 2
![\[顯示具有預測鎖定的週期內預測重新整理排程器運作 （停用時）\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/intra-cycle_with_forecast_lock.png)
以下範例顯示週期內預測重新整理排程器的運作方式 （啟用時），並在下列設定中使用預測鎖定：
+ 需求計劃精細程度 – 每週
+ 已選取預測期間 – 5
+ 週期內預測重新整理排程 – 已啟用
+ 最終預測發佈 – 一週的第 7 天
+ 中期預測發佈 – 一週的第 3 天
+ 鎖定期間 – 2
![\[顯示具有預測鎖定的週期內預測重新整理排程器運作 （啟用時）\]](http://docs.aws.amazon.com/zh_tw/aws-supply-chain/latest/userguide/images/forecast_intracycle.png)
# 預測模型分析器
預測模型分析器是一種自助式工具，可用於在多個預測模型 （過去和未來的預測期間） 上執行預測實驗。執行後，您可以檢閱不同預測模型的結果。在預測和實際需求之間使用準確性指標和視覺化比較，您可以選擇符合您業務資料模式的必要預測模型。您可以在生產需求計劃執行的同時執行預測模型分析器，而不會互相干擾，反之亦然。
**注意**
預測模型分析器是選用的工作流程。如果您沒有多個預測模型要比較，您可以繼續使用 提供的預設預測模型建議 AWS Supply Chain。
預測模型分析器支援兩個主要評估案例：
+ 回溯測試案例 – 您設定過去的預測開始日期。在此案例中，會建立預測，並針對與實際需求期間重疊的預測期間計算和報告準確性指標。
+ 轉送預測案例 – 您未設定預測開始日期，而且預測和實際資料之間沒有重疊。在此案例中，會建立預測，但由於實際需求資料不可用 （未來期間），因此不會計算或報告準確性指標。您仍然可以驗證如何根據最近的趨勢和前一年 （多個） 需求來預測需求。
執行預測模型分析器之前，請確定已設定需求計劃設定。預測模型分析器會繼承*時間間隔*和*階層精細程度*的需求計劃設定，同時提供彈性來調整預測期間，並選擇性地選取預測開始日期。
您可以選擇執行回溯測試或轉送預測案例。預設值是您未指定預測開始日期，且以實際需求歷史記錄中最後一個訂單日期為基礎的轉送預測案例。如需詳細資訊，請參閱[建立您的第一個需求計劃](onboarding.md)。不過，如果您選擇執行回溯測試案例，您可以覆寫預測開始日期，並選取過去的日期以用於回溯測試。當選取的預測開始日期晚於 *outbound\$1order\$1line *資料集結束日期時，會使用實際需求歷史記錄中的預設規劃週期上次訂單日期。當選取的預測開始日期早於 *outbound\$1order\$1line * 開始日期，或需求歷史記錄的長度不足時，預測將會失敗並顯示錯誤。如需詳細資訊，請參閱[上傳資料集之前的先決條件](data_quality.md)。
建議選擇每月間隔的每月第一個或每週間隔的星期一。如果您選擇不同的日期，需求規劃會自動調整為最接近的預設日期。例如，如果您選取星期三做為預測開始日期，則需求規劃將選取下一個星期一做為每週間隔的預測開始日期。同樣地，選取 2024 年 5 月 10 日將導致 2024 年 6 月 1 日成為每月間隔的規劃週期開始日期。
**注意**
請確定您輸入的預測期間至少有四倍的歷史需求資料。
檢閱模型分析器結果後，您可以在預測分析器工具中選取或變更預測演算法的選擇。或者，您可以選擇不使用模型分析器，並繼續直接選取或變更要使用的預測演算法選擇。當未使用模型分析器時， AWS Supply Chain 會為您的資料集挑選預設預測方法。
Forecast Model Analyzer 會從多個模型產生預測和預測指標。包含在 中的模型清單[預測演算法](forecast-algorithims.md)。
## 檢視預測模型分析器詳細資訊
若要檢視產生的預測模型分析器詳細資訊，請完成下列步驟：
1. 在 AWS Supply Chain 儀表板的左側導覽窗格中，選擇**需求規劃**，然後選擇**預測模型分析器**。
1. 在**預測模型分析器**下，您可以檢視模型分析器每次反覆運算的中繼資料，包括預測摘要，其中包括關鍵指標 （例如建立預測的產品、網站、管道和客戶的計數）、預測範圍，例如時間間隔、預測期間、預測開始日期、使用的資料集清單、預測精細程度和使用的輸入資料。
1. **在 Forecast(s) Vs 下。實際需求**，您可以檢視圖表，顯示實際需求歷史記錄、前一年需求，以及分析趨勢和季節性的預測。您可以調整**檢視視窗開始**和**檢視視窗結束**，以檢閱歷史期間。根據設定的時間間隔，您可以檢視 28 天、52 週、48 個月和 10 年的歷史銷售額。您可以同時檢視和比較最多五個預測結果。
1. 在**量值**下，選擇**編輯**以編輯選取的預測模型。
1. 在**模型概觀和選擇**下，資料表會顯示已評估的預測方法摘要。在回溯測試案例中，資料表也會顯示彙總預測準確性指標，例如 WAPE、偏差 %、MAPE 和 sMAPE。此外，您可以選擇**選取**以選取預測模型。變更將在後續的預測週期中套用。
1. 選擇**將選擇套用至需求計劃**。
您最多可以同時檢視兩個預測模型分析器結果。最新的分析器結果保持完全互動，可讓您在仔細評估產品之後選取並套用偏好的預測方法。這將套用至下一個預測產生。先前的分析器結果會轉譯為唯讀。您可以使用實際需求歷史記錄匯出預測方法的結果。匯出的資料包含 P10/50/90 分位數預測期間和精細程度的詳細資訊。對於回溯測試案例，匯出將包含實際需求資料和對應的準確性指標。
您可以隨時使用預測模型分析器或在需求計劃設定下修改預測選擇方法。這些變更將在後續的預測週期中套用。需求計劃頁面會顯示目前和下一個預測模型預測方法的中繼資料。
# 管理需求計劃設定
您可以隨時更新需求規劃設定，以確保您的預測更準確，並在成功產生預測時生效。
**注意**
當您修改**需求計畫**頁面上的*時間間隔*和*階層層級*時，先前的預測版本將無法使用，因為這些先前版本將不再符合新的預測設定。
當您修改*時間間隔*或*階層*組態，以及重新產生預測時，準確性指標將不會顯示，因為準確性指標值無關。
1. 在 AWS Supply Chain 儀表板的左側導覽窗格中，選擇**設定**圖示。
1. 在**組織**下，選擇**需求規劃**。
**需求規劃設定**頁面隨即出現。
使用 中的步驟[建立您的第一個需求計劃](onboarding.md)來編輯需求規劃組態設定。
# 角色類型存取控制
AWS Supply Chain 需求規劃提供兩個預設存取層級：
+ 管理存取權
+ 完整需求規劃功能 （建立、設定、產生預測）
+ 新增覆寫和發佈需求計劃
+ 匯出計劃和報告
+ 存取資料驗證、需求模式分析和 Model Analyzer
+ 檢視存取
+ 檢視已建立和發佈的需求計劃
+ 檢視需求模式分析 (******預測檢閱頁面中的需求模式**索引標籤）
**Topics**
+ [管理使用者存取](manage-user-access.md)
# 管理使用者存取
AWS Supply Chain 管理員可以修改角色和許可。
**Topics**
+ [新增使用者](add-new-users.md)
+ [修改現有的使用者存取權](modify-user-access.md)
+ [建立自訂角色](create-custom-roles.md)
+ [資料集要求](dataset-requirements.md)
# 新增使用者
若要新增使用者，請依照下列步驟進行：
1. 選擇**設定**、**使用者和許可**，以及**使用者**。
1. 選擇**新增使用者**並搜尋使用者。
1. 指派許可角色。
# 修改現有的使用者存取權
若要修改現有的使用者存取權，請遵循下列步驟：
1. 選擇**設定**、**使用者和許可**，以及**使用者**。
1. 從**許可角色**下拉式功能表中，選取適當的角色。
**注意**
使用者只能有一個許可角色。對於多個存取權限，請建立自訂角色。
# 建立自訂角色
若要建立自訂角色，請遵循下列步驟：
1. 選擇**設定**、**使用者和許可**，然後**建立新角色**。
1. 輸入**角色名稱**，然後在**需求規劃**區段中選擇**管理**或**檢視存取權**。
1. 設定資料集存取。
1. 選擇**儲存**。
# 資料集要求
以下是重要的資料集需求：
+ 預設角色會自動包含對所有必要資料集的存取。
+ 必須授予自訂角色七個基本資料集的存取權：asc\$1adp\$1dp\$1segmentation、asc\$1adp\$1forecast、asc\$1adp\$1planning\$1cycle\$1accuracy、 outbound\$1order\$1line、product、product\$1alternate 和 supplementary\$1time\$1series。
+ 需求模式和建議功能特別需要存取 "asc\$1adp\$1dp\$1segmentation"。