Amazon Connect Decisions Sample Dataset

该数据集是用于Amazon Connect Decisions的样本数据集，包含15个CDM兼容的CSV文件，用于成功运行Supply Plan和Demand Plan。它涵盖了数据映射、计划配置、验证规则和常见故障排除。数据文件包括公司、地理、产品、站点、交易伙伴、供应商产品、供应商提前期、采购规则、库存策略、库存水平、预测、入库订单行、出库订单行等，模拟了具有季节性和增长趋势的24个月销售历史，旨在帮助用户在约30分钟内创建两个计划。This is a sample dataset for Amazon Connect Decisions. It contains 15 CDM-compatible CSV files that support the successful execution of Supply Plan and Demand Plan. The dataset covers data mapping, plan configuration, validation rules, and common troubleshooting scenarios. The included data files feature entities such as companies, geographies, products, sites, trading partners, supplier products, supplier lead times, procurement rules, inventory strategies, inventory levels, forecasts, inbound order lines, and outbound order lines. It simulates 24 months of sales history with seasonal patterns and growth trends, and is intended to help users create the two plans in approximately 30 minutes.

原始信息汇总

Amazon Connect Decisions 数据集详情

数据集概述

本数据集是为 Amazon Connect Decisions (ACD) 的 Supply Plan 和 Demand Plan 功能提供的示例数据，包含完整的供应链主数据、交易数据和预测数据。

数据集特点：

• 虚拟公司：ACD-COMPANY
• 产品：5个（护肤品3个 + 化妆品2个）
• 站点：3个（配送中心2个 + 门店1个）
• 供应商：3个
• 销售历史：24个月（用于Demand Plan学习）
• 预测：52周（Weekly，用于Supply Plan输入）
• 季节性：有（冬季护肤品需求上升、夏季化妆品需求上升）
• 增长趋势：年增长率10%

---

数据文件结构

数据集位于 sample-data/ 目录，包含以下文件：

文件	行数	角色	必要
company.csv	1行	公司主数据	是
geography.csv	1行	地理区域信息	是
product.csv	5行	产品主数据	是
site.csv	3行	站点主数据（DC/门店）	是
tradingpartner.csv	3行	供应商/合作伙伴主数据	是
vendorproduct.csv	15行	供应商-产品映射	是
vendorleadtime.csv	15行	供应商交货提前期	是
sourcingrules.csv	15行	采购规则	是
inventorypolicy.csv	15行	安全库存策略	是
inventorylevel.csv	15行	当前库存快照	是
forecast.csv	780行	外部需求预测（Supply Plan需要）	是（Supply Plan）
inboundorderline.csv	15行	入库订单（采购订单）	是
outboundorderline.csv	4,980行	出库订单（销售历史，24个月）	是
supplementary_time_series.csv	空	促销等外部信号	否
product_alternate.csv	空	替代产品	否

---

实体关系

company ─────┬──→ product (company_id) ├──→ site (company_id) ├──→ geography (company_id) └──→ tradingpartner (company_id)

product ─────┬──→ sourcingrules (product_id) ├──→ vendorleadtime (product_id) ├──→ forecast (product_id) ├──→ inventorylevel (product_id) ├──→ inboundorderline (product_id) └──→ outboundorderline (product_id)

site ────────┬──→ sourcingrules (to_site_id) ├──→ vendorleadtime (site_id) ├──→ inventorylevel (site_id) └──→ outboundorderline (ship_from_site_id)

tradingpartner ──→ sourcingrules (tpartner_id) → vendorleadtime (vendor_tpartner_id) → inboundorderline (tpartner_id)

---

数据验证规则

采购规则（Sourcing Rules）

• sourcing_ratio 合计数必须等于100%（相同 product_id + to_site_id 组合）
• (product_id + to_site_id + tpartner_id) 组合必须唯一
• sourcing_rule_type 必须为：buy, transfer, manufacture
• 所有 (product_id, tpartner_id) 组合必须在 vendorleadtime 中存在

库存（Inventory）

• on_hand_inventory 必须 >= 0
• ss_policy 必须为：abs_level, sl, doc_dem, doc_fcst
• min <= target <= max

订单（Orders）

• order_date < requested_delivery_date
• expected_delivery_date 不能为空
• Inbound 状态：OPEN, CLOSED（大写）
• Outbound 状态：closed, open（小写）

站点与日期（Site & Date）

• site_type 必须为：Plant, DC, Store
• 日期格式：ISO 8601 (YYYY-MM-DDTHH:MM:SS.000Z)
• 有效期限：开始 1900-01-01T00:00:00Z，结束 9999-12-31T00:00:00Z
• planned_lead_time > 0

通用规则

• 外部键引用完整性：product_id, site_id, tpartner_id 必须在主数据中存在
• NULL 值处理：使用 SCN_RESERVED_NO_VALUE_PROVIDED
• 编码：UTF-8（无BOM）
• 文件内日期格式必须统一

---

数据上传与映射

1. 将 sample-data/ 目录下所有CSV文件通过 Data Management → Upload Files for New Data Source 一次性上传
2. 文件命名要求：仅允许英文字母、数字和英文下划线，最大5GB，支持CSV或Parquet
3. 上传后，需要对每个源文件进行SQL映射到对应的CDM目标表
4. 映射完成后Accept Mappings，等待各data flow自动执行，所有flow必须显示Succeeded状态

注意问题：

• 必须先选择源数据集再生成SQL，否则会出现 sources=[] 错误
• SQL生成期间不要离开页面，否则不会保存
• 需要对每个表逐一请求Decisions Teammate生成SQL

---

使用流程

第一步：Demand Plan生成

• 时间桶（Time bucket）：Weekly
• 计划周期（Plan horizon）：12周（或52周）
• 预测开始日期（Forecast start date）：可选过去日期进行回测
• 运行方式（Plan run）：One time run
• 预测粒度：必须选择 Product id + Ship from site id，否则无法与Supply Plan连接
• 预测提前期（Prediction lead times）：3周
• 所需数据：最少12个月销售历史，推荐24-36个月
• 状态流程：In progress → In-review（可编辑）→ Published → Final

第二步：Supply Plan生成

• 时间桶（Time bucket）：Weekly
• 计划周期（Horizon）：52周
• 需求净需求（Demand netting）：Forecast
• 预测来源（Forecast source）：External（使用上传的 forecast.csv）
• 需求时间围栏（Demand time fence）：14天
• 历史需求周期：14天
• 逾期供应天数（Past due supply days）：7天
• 计划时间围栏（Planning time fence）：0周
• 允许调整未完成订单数量：关闭

推荐运行顺序

1. 数据上传 → 映射 → 所有Flow Succeeded确认
2. 创建Demand Plan → 审查 → 发布
3. Supply Plan中设置Forecast source为"Demand Plan"或"External"
4. 创建Supply Plan → 审查

---

常见错误及解决

错误	原因	解决
ss_policy must be one of: abs_level, sl, doc_dem, doc_fcst	使用了MIN_MAX等错误值	改为 abs_level
On-hand inventory is negative	库存为负数	修正为0或正数
Order date is later than requested delivery date	日期列顺序错误	确保 order_date < delivery_date
No delivery date was provided	expected_delivery_date为空	使用 submitted_date + lead_time 填充
Inbound routes have no matching sourcing rule	PO的(vendor, site, product)不在采购规则中	该订单将被排除
sources=[]	SQL映射前未选择来源	先选择Source再生成SQL
Demand Plan Failed	销售历史不足	至少需要12个月数据
sourcing_ratio 合计超过100%	存在重复采购规则	去重并重新归一化为100%

---

数据更新方式

• Full Replace：替换整个文件后重新执行Flow
• Recurring Schedule：上传最新文件至S3，系统自动采集并创建Plan
• 已有Plan为不可变，新数据仅在新Plan中生效

搜集汇总

数据集介绍

构建方式

该数据集专为亚马逊云科技（AWS）旗下的Amazon Connect Decisions（ACD）——这一基于人工智能的供应链决策服务——而构建，旨在帮助用户快速启动并成功运行Supply Plan与Demand Plan。数据集通过精心设计的一组CSV文件，模拟了一家名为ACD-COMPANY的虚拟公司及其供应链网络。数据涵盖公司、地理、产品、站点、交易伙伴等基础主数据，并包含采购规则、供应商交货周期、库存策略与实时库存快照等运营参数。尤为关键的是，数据集提供了长达24个月的销售出库历史记录（outboundorderline）以及52周的周度需求预测（forecast），从而完整支撑需求预测模型的训练与供应计划的约束求解。所有文件严格遵循ACD的通用数据模型（CDM），并通过详尽的映射指南确保各实体间关系清晰，为后续的数据上传与自动化映射流程奠定了坚实基础。

使用方法

使用该数据集需遵循清晰的操作流程。首先，在AWS控制台中创建ACD实例并完成用户注册与行业偏好设置。随后，通过数据管理界面一次性上传sample-data文件夹内所有CSV文件。利用ACD内置的“Decisions Teammate”智能助手，依次为每个数据源生成映射至CDM目标表的SQL查询语句，并接受所有映射关系以触发数据流自动执行，待所有流状态显示为“Succeeded”方可继续。之后，在需求计划模块配置时间桶（周）、预测周期（12周）及预测精度维度（产品与出库站点），基于历史销售数据生成基线预测，经审查后可发布。最后，在供应计划模块中，选择外部预测来源或已发布的需求计划，设定需求时间围栏、计划时间围栏等参数，系统将在约束条件下生成采购与生产建议，用户可据此分析库存与缺货风险，并规划后续的定期刷新与调度策略。

背景与挑战

背景概述

Amazon Connect Decisions Sample Dataset 是由亚马逊云服务（AWS）于近年推出的一套面向供应链智能决策的示例数据资源。该数据集由 AWS 供应链团队主导开发，旨在为Amazon Connect Decisions（ACD）这一AI驱动的供需计划服务提供标准化、可复现的入门级数据支撑。核心研究问题聚焦于如何利用机器学习与运筹优化算法，在真实供应链约束下同步生成精准的需求预测与可行的供应计划。通过模拟一家虚拟CPG公司的24个月销售历史与52周预测周期，该数据集为检验Demand Plan的基线预测精度（如WAPE、Bias%）及Supply Plan在物料可用性、产能限制下的计划生成能力提供了基准。在供应链数字化与智能决策领域，该数据集因其低门槛、完整实体关联与即用性，显著降低了企业探索AI计划工具的试错成本，并为学术研究与工业实践中的供需协同、库存优化等课题提供了实证基础。

当前挑战

该数据集所解决的领域挑战主要体现在两层。第一层，在供应链计划领域，核心难点在于需求不确定性与供应约束的动态平衡——Demand Plan需从长时序销售数据中提取季节性、增长趋势并量化预测误差，而Supply Plan则要在多实体（产品、站点、供应商）的采购规则、安全库存策略与订单时效约束下生成无矛盾的执行计划，现实中的数据稀疏性与约束冲突常导致计划失败。第二层，在数据集构建过程中，挑战包括：确保15个CSV文件间的外键完整性（如product_id须在product主表中存在）、维持sourcing_rules中采购比例总和为100%、对齐所有日期字段至ISO 8601严格格式、处理empty文件（如supplementary_time_series.csv）以避免数据流中断，以及模拟供应商提前期与站点类型等业务语义的一致性，这些细致规则直接决定了Plan生成的成败。

常用场景

经典使用场景

Amazon Connect Decisions Sample Dataset 的核心价值在于为供应链规划领域提供了一套完整且可即刻上手的教学与验证数据。该数据集精心构建了一个虚拟消费品企业（ACD-COMPANY）的运营全貌，涵盖5种产品（护肤品与化妆品）、3个运营站点（配送中心与门店）及3家供应商，并提供了长达24个月的销售历史记录与52周的周期性需求预测。其最经典的使用场景是作为AWS云上供应链决策服务的入门沙盒，用户可通过上传这些标准化CSV文件，在约30分钟内完成从数据映射、需求计划生成到供应计划编排的完整闭环演练。数据集内含明确的季节性波动（冬季护肤品需求上升）与年化10%的增长趋势，完美适配教学演示、功能验证以及初学者对供需计划核心概念的沉浸式理解。

解决学术问题

该数据集系统性地解决了供应链管理与运筹学领域中一个长期存在的痛点——缺乏可复现、低门槛且结构完整的基准测试数据。在学术研究中，供需协同计划（S&OP）的模型验证常因企业数据的高度敏感性而受阻。此样本数据通过提供符合AWS通用数据模型（CDM）的15张关联表，覆盖了从产品主数据、供应商提前期、采购规则、库存策略到订单履行的完整逻辑链条，使研究者能够聚焦于需求预测算法（如WAPE与偏差评估）、库存优化策略（安全库存水平设定）以及供应计划约束求解（如考虑产能与物料的可执行计划生成）等核心课题。它终结了过去依赖脱敏不彻底或缺失关键字段的合成数据的研究困境，为供应链仿真与决策智能的学术探索提供了可复现的权威基线。

实际应用

在产业实践中，该数据集作为亚马逊Connect Decisions服务的官方引导素材，直接服务于企业的数字化供应链转型进程。它最典型的实际应用是作为评估和上云前的概念验证（PoC）工具，帮助CPG、零售及制造行业的供应链规划团队在无真实数据风险的前提下，直观体验AI驱动的需求感知与供应约束求解能力。数据集所支撑的“需求计划-发布-供应计划”标准作业流程，可映射到企业常见的年度销售与运营计划（S&OP）滚动执行中。具体而言，规划团队可基于样本数据学习如何设定需求时间栅栏（Demand Time Fence）与计划时间栅栏（Planning Time Fence），检验多源需求净（Demand Netting）策略对库存水平和OTIF（准时交付）指标的影响，从而为引入云原生供应链决策系统提供明确的量化预期与人力培训准备。

数据集最近研究

最新研究方向

结合亚马逊云科技人工智能驱动的供应链决策服务Amazon Connect Decisions，该数据集的研究前沿聚焦于将机器学习与运营约束建模深度融合，实现需求预测与供应计划的端到端自动化优化。当前热点方向包括利用多维度时间序列数据（如24个月历史销售、季节性模式与年增长率）进行超参数调优，以及通过精细化数据映射和验证规则（如供应链关系完整性、库存政策逻辑性）提升计划可靠性。数据集通过模拟CPG行业真实场景（如冬季护肤品需求峰、夏季彩妆高峰），支持研究人员探索供需失衡、库存周转效率及异常检测等核心议题。该研究对于推动AI在供应链韧性构建中从单点预测向协同决策演进具有关键意义，尤其在当前全球供应链波动加剧的背景下，为企业在不确定性中实现敏捷响应和成本控制提供了实证基础。