Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.

Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas

Χρονική σήμανση: 15 Ιουνίου 2022 5:08 μ.μ.

Οι πελάτες σε βιομηχανίες όπως τα συσκευασμένα καταναλωτικά αγαθά, η κατασκευή και το λιανικό εμπόριο αναζητούν πάντα τρόπους να ενδυναμώσουν τις λειτουργικές τους διαδικασίες εμπλουτίζοντάς τις με πληροφορίες και αναλυτικά στοιχεία που παράγονται από δεδομένα. Εργασίες όπως η πρόβλεψη πωλήσεων επηρεάζουν άμεσα λειτουργίες όπως ο σχεδιασμός πρώτων υλών, οι προμήθειες, η κατασκευή, η διανομή και τα εισερχόμενα/εξερχόμενα logistics, και μπορεί να έχουν πολλά επίπεδα επίδρασης, από μια ενιαία αποθήκη μέχρι εγκαταστάσεις παραγωγής μεγάλης κλίμακας.

Οι αντιπρόσωποι πωλήσεων και οι διευθυντές χρησιμοποιούν ιστορικά δεδομένα πωλήσεων για να κάνουν εμπεριστατωμένες προβλέψεις σχετικά με τις μελλοντικές τάσεις πωλήσεων. Οι πελάτες χρησιμοποιούν το SAP ERP Central Component (ECC) για τη διαχείριση του προγραμματισμού για την κατασκευή, την πώληση και τη διανομή των αγαθών. Η ενότητα πωλήσεων και διανομής (SD) στο SAP ECC βοηθά στη διαχείριση των παραγγελιών πωλήσεων. Τα συστήματα SAP είναι η κύρια πηγή ιστορικών δεδομένων πωλήσεων.

Οι αντιπρόσωποι πωλήσεων και οι διευθυντές έχουν τη γνώση του τομέα και την εις βάθος κατανόηση των δεδομένων πωλήσεών τους. Ωστόσο, δεν διαθέτουν επιστήμη δεδομένων και δεξιότητες προγραμματισμού για τη δημιουργία μοντέλων μηχανικής μάθησης (ML) που μπορούν να δημιουργήσουν προβλέψεις πωλήσεων. Αναζητούν διαισθητικά, απλά στη χρήση εργαλεία για τη δημιουργία μοντέλων ML χωρίς να γράφουν ούτε μια γραμμή κώδικα.

Για να βοηθήσουμε τους οργανισμούς να επιτύχουν την ευελιξία και την αποτελεσματικότητα που αναζητούν οι επιχειρηματικοί αναλυτές, εμείς εισήγαγε Καμβάς Amazon SageMaker, μια λύση ML χωρίς κώδικα που σας βοηθά να επιταχύνετε την παράδοση των λύσεων ML σε ώρες ή ημέρες. Το Canvas δίνει τη δυνατότητα στους αναλυτές να χρησιμοποιούν εύκολα τα διαθέσιμα δεδομένα σε λίμνες δεδομένων, αποθήκες δεδομένων και λειτουργικές αποθήκες δεδομένων. Δημιουργία μοντέλων ML. και χρησιμοποιήστε τα για να κάνετε προβλέψεις διαδραστικά και για ομαδική βαθμολογία σε μαζικά σύνολα δεδομένων — όλα αυτά χωρίς να γράψετε ούτε μια γραμμή κώδικα.

Σε αυτήν την ανάρτηση, δείχνουμε πώς να μεταφέρετε δεδομένα παραγγελιών πωλήσεων από το SAP ECC για να δημιουργήσετε προβλέψεις πωλήσεων χρησιμοποιώντας ένα μοντέλο ML που έχει κατασκευαστεί με χρήση Canvas.

Επισκόπηση λύσεων

Για να δημιουργήσουμε προβλέψεις πωλήσεων χρησιμοποιώντας δεδομένα πωλήσεων της SAP, χρειαζόμαστε τη συνεργασία δύο προσώπων: μηχανικών δεδομένων και επιχειρησιακών αναλυτών (εκπρόσωποι πωλήσεων και διευθυντές). Οι μηχανικοί δεδομένων είναι υπεύθυνοι για τη διαμόρφωση της εξαγωγής δεδομένων από το σύστημα SAP προς Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) χρησιμοποιώντας Ροή εφαρμογών Amazon, το οποίο οι επιχειρησιακοί αναλυτές μπορούν στη συνέχεια να εκτελέσουν είτε κατ' απαίτηση είτε αυτόματα (βάσει χρονοδιαγράμματος) για να ανανεώσουν τα δεδομένα SAP στον κάδο S3. Στη συνέχεια, οι επιχειρηματικοί αναλυτές είναι υπεύθυνοι για τη δημιουργία προβλέψεων με τα εξαγόμενα δεδομένα χρησιμοποιώντας το Canvas. Το παρακάτω διάγραμμα απεικονίζει αυτή τη ροή εργασίας.

Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.

Για αυτήν την ανάρτηση, χρησιμοποιούμε το SAP NetWeaver Enterprise Procurement Model (EPM) για τα δείγματα δεδομένων. Το EPM χρησιμοποιείται γενικά για σκοπούς επίδειξης και δοκιμών στο SAP. Χρησιμοποιεί κοινό μοντέλο επιχειρηματικής διαδικασίας και ακολουθεί το παράδειγμα επιχειρηματικού αντικειμένου (BO) για να υποστηρίξει μια καλά καθορισμένη επιχειρηματική λογική. Χρησιμοποιήσαμε τη συναλλαγή SAP SEPM_DG (δημιουργία δεδομένων) για να δημιουργήσουμε περίπου 80,000 ιστορικές παραγγελίες πωλήσεων και δημιουργήσαμε μια προβολή HANA CDS για να συγκεντρώσουμε τα δεδομένα ανά αναγνωριστικό προϊόντος, ημερομηνία πωλήσεων και πόλη, όπως φαίνεται στον ακόλουθο κώδικα:

@AbapCatalog.sqlViewName: 'ZCDS_EPM_VIEW'
@AbapCatalog.compiler.compareFilter: true
@AbapCatalog.preserveKey: true
@AccessControl.authorizationCheck: #CHECK
@EndUserText.label: 'Sagemaker canvas sales order'
@OData.publish: true define view ZCDS_EPM as select from epm_v_sales_data as sd
inner join epm_v_bp as bp on sd.bp_id = bp.bp_id { key sd.product_id as productid, bp.city, concat( cast( Concat( Concat( Concat(substring(cast (sd.created_at as abap.char( 30 )), 1, 4), '-'), Concat(substring(cast (sd.created_at as abap.char( 30 )), 5, 2), '-') ), Substring(cast (sd.created_at as abap.char( 30 )), 7, 2) ) as char10 preserving type),' 00:00:00') as saledate, cast(sum(sd.gross_amount) as abap.dec( 15, 3 )) as totalsales }
group by sd.product_id,sd.created_at, bp.city

Στην επόμενη ενότητα, εκθέτουμε αυτήν την προβολή χρησιμοποιώντας υπηρεσίες SAP OData ως δομή ABAP, η οποία μας επιτρέπει να εξαγάγουμε τα δεδομένα με το Amazon AppFlow.

Ο παρακάτω πίνακας δείχνει τα αντιπροσωπευτικά ιστορικά δεδομένα πωλήσεων από τη SAP, τα οποία χρησιμοποιούμε σε αυτήν την ανάρτηση.

παραγωγικός Μέρα εκπτώσεων πόλη συνολικές πωλήσεις
P-4 2013-01-02 00:00:00 Κίτο 1922.00
P-5 2013-01-02 00:00:00 Σάντο Ντομίνγκο 1903.00

Το αρχείο δεδομένων είναι δεδομένα ιστορικού ημερήσιας συχνότητας. Έχει τέσσερις στήλες (productid, saledate, city, να totalsales). Χρησιμοποιούμε το Canvas για να δημιουργήσουμε ένα μοντέλο ML που χρησιμοποιείται για την πρόβλεψη totalsales for productid σε μια συγκεκριμένη πόλη.

Αυτή η ανάρτηση έχει οργανωθεί για να δείξει τις δραστηριότητες και τις ευθύνες τόσο των μηχανικών δεδομένων όσο και των επιχειρηματικών αναλυτών για τη δημιουργία προβλέψεων πωλήσεων προϊόντων.

Μηχανικός δεδομένων: Εξάγετε, μετασχηματίστε και φορτώστε το σύνολο δεδομένων από το SAP στο Amazon S3 με το Amazon AppFlow

Η πρώτη εργασία που εκτελείτε ως μηχανικός δεδομένων είναι να εκτελέσετε μια εργασία εξαγωγής, μετασχηματισμού και φόρτωσης (ETL) σε ιστορικά δεδομένα πωλήσεων από το SAP ECC σε έναν κάδο S3, τον οποίο ο επιχειρηματικός αναλυτής χρησιμοποιεί ως το αρχικό σύνολο δεδομένων για το μοντέλο πρόβλεψής του. Για αυτό, χρησιμοποιούμε το Amazon AppFlow, επειδή παρέχει ένα out-of-the-box Υποδοχή SAP OData για ETL (όπως φαίνεται στο παρακάτω διάγραμμα), με μια απλή διεπαφή χρήστη για να ρυθμίσετε όλα τα απαραίτητα για τη διαμόρφωση της σύνδεσης από το SAP ECC στον κάδο S3.

Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.

Προϋποθέσεις

Οι ακόλουθες είναι απαιτήσεις για την ενσωμάτωση του Amazon AppFlow με το SAP:

  • SAP NetWeaver Stack έκδοση 7.40 SP02 ή νεότερη
  • Η υπηρεσία καταλόγου (OData v2.0/v2.0) ενεργοποιήθηκε στο SAP Gateway για ανακάλυψη υπηρεσίας
  • Υποστήριξη για σελιδοποίηση από την πλευρά του πελάτη και επιλογές ερωτημάτων για την υπηρεσία SAP OData
  • Σύνδεση με δυνατότητα HTTPS στο SAP

Πιστοποίηση

Το Amazon AppFlow υποστηρίζει δύο μηχανισμούς ελέγχου ταυτότητας για σύνδεση στο SAP:

  • Βασικο – Πραγματοποιείται έλεγχος ταυτότητας χρησιμοποιώντας όνομα χρήστη και κωδικό πρόσβασης SAP OData.
  • OAuth 2.0 – Χρησιμοποιεί τη διαμόρφωση OAuth 2.0 με έναν πάροχο ταυτότητας. Το OAuth 2.0 πρέπει να είναι ενεργοποιημένο για τις υπηρεσίες OData v2.0/v2.0.

σύνδεση

Το Amazon AppFlow μπορεί να συνδεθεί στο SAP ECC χρησιμοποιώντας μια δημόσια διεπαφή SAP OData ή μια ιδιωτική σύνδεση. Μια ιδιωτική σύνδεση βελτιώνει το απόρρητο και την ασφάλεια των δεδομένων μεταφέροντας δεδομένα μέσω του ιδιωτικού δικτύου AWS αντί του δημόσιου διαδικτύου. Μια ιδιωτική σύνδεση χρησιμοποιεί την υπηρεσία τερματικού σημείου VPC για την παρουσία SAP OData που εκτελείται σε ένα VPC. Η υπηρεσία τελικού σημείου VPC πρέπει να έχει την κύρια υπηρεσία Amazon AppFlow appflow.amazonaws.com ως επιτρεπόμενη αρχή και πρέπει να είναι διαθέσιμη σε τουλάχιστον περισσότερο από το 50% των ζωνών διαθεσιμότητας σε μια περιοχή AWS.

Ρυθμίστε μια ροή στο Amazon AppFlow

Διαμορφώνουμε μια νέα ροή στο Amazon AppFlow για την εκτέλεση μιας εργασίας ETL σε δεδομένα από το SAP σε έναν κάδο S3. Αυτή η ροή επιτρέπει τη διαμόρφωση του SAP OData Connector ως πηγής, του κάδου S3 ως προορισμού, επιλογή αντικειμένου OData, αντιστοίχιση δεδομένων, επικύρωση δεδομένων και φιλτράρισμα δεδομένων.

  1. Διαμορφώστε το SAP OData Connector ως πηγή δεδομένων παρέχοντας τις ακόλουθες πληροφορίες:
    1. URL κεντρικού υπολογιστή εφαρμογής
    2. Διαδρομή υπηρεσίας εφαρμογής (διαδρομή καταλόγου)
    3. Αριθμός θύρας
    4. Αριθμός πελάτη
    5. Γλώσσα σύνδεσης
    6. Τύπος σύνδεσης (ιδιωτικός σύνδεσμος ή δημόσιος)
    7. Λειτουργία ελέγχου ταυτότητας
    8. Όνομα σύνδεσης για τη διαμόρφωση
      Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.
  2. Αφού διαμορφώσετε την πηγή, επιλέξτε το αντικείμενο και το υποαντικείμενο OData για τις παραγγελίες πωλήσεων.
    Γενικά, τα δεδομένα πωλήσεων από τη SAP εξάγονται με συγκεκριμένη συχνότητα, όπως μηνιαία ή τριμηνιαία για το πλήρες μέγεθος. Για αυτήν την ανάρτηση, επιλέξτε την επιλογή υποαντικείμενο για την εξαγωγή πλήρους μεγέθους.
    Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.
  3. Επιλέξτε τον κάδο S3 ως προορισμό.
    Η ροή εξάγει δεδομένα σε αυτόν τον κάδο.
    Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.
  4. Για Προτίμηση μορφής δεδομένων, Επιλέξτε Μορφή CSV.
  5. Για Προτίμηση μεταφοράς δεδομένων, Επιλέξτε Συγκεντρώστε όλες τις εγγραφές.
  6. Για Προτίμηση ονόματος αρχείου, Επιλέξτε Προσθέστε μια χρονική σήμανση στο όνομα του αρχείου.
  7. Για Προτίμηση δομής φακέλου, Επιλέξτε Δεν υπάρχει φάκελος με χρονική σήμανση.
    Η διαμόρφωση συνάθροισης εγγραφών εξάγει τα δεδομένα πωλήσεων πλήρους μεγέθους από το SAP συνδυασμένα σε ένα μόνο αρχείο. Το όνομα του αρχείου τελειώνει με μια χρονική σήμανση στη μορφή ΕΕΕΕ-ΜΜ-ΗΗΗΗ:λλ:δδ σε έναν μόνο φάκελο (όνομα ροής) εντός του κάδου S3. Το Canvas εισάγει δεδομένα από αυτό το μεμονωμένο αρχείο για εκπαίδευση και πρόβλεψη μοντέλων.
    Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.
  8. Διαμορφώστε την αντιστοίχιση δεδομένων και τις επικυρώσεις για να αντιστοιχίσετε τα πεδία δεδομένων προέλευσης στα πεδία δεδομένων προορισμού και ενεργοποιήστε τους κανόνες επικύρωσης δεδομένων όπως απαιτείται.
    Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.
  9. Μπορείτε επίσης να διαμορφώσετε τις συνθήκες φιλτραρίσματος δεδομένων για να φιλτράρετε συγκεκριμένες εγγραφές εάν το απαιτεί η απαίτησή σας.
    Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.
  10. Διαμορφώστε την ενεργοποίηση ροής για να αποφασίσετε εάν η ροή εκτελείται χειροκίνητα κατ' απαίτηση ή αυτόματα με βάση ένα χρονοδιάγραμμα.
    Όταν διαμορφώνεται για ένα χρονοδιάγραμμα, η συχνότητα βασίζεται στο πόσο συχνά πρέπει να δημιουργείται η πρόβλεψη (γενικά μηνιαία, τριμηνιαία ή εξαμηνιαία).
    Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.Αφού διαμορφωθεί η ροή, οι επιχειρησιακοί αναλυτές μπορούν να την εκτελέσουν κατόπιν ζήτησης ή βάσει του χρονοδιαγράμματος για να εκτελέσουν μια εργασία ETL στα δεδομένα παραγγελιών πωλήσεων από το SAP σε έναν κάδο S3.
  11. Εκτός από τη διαμόρφωση Amazon AppFlow, οι μηχανικοί δεδομένων πρέπει επίσης να διαμορφώσουν ένα Διαχείριση ταυτότητας και πρόσβασης AWS ρόλος (IAM) για το Canvas, ώστε να μπορεί να έχει πρόσβαση σε άλλες υπηρεσίες AWS. Για οδηγίες, ανατρέξτε στο Δώστε στους χρήστες σας δικαιώματα για την εκτέλεση προβλέψεων χρονοσειρών.

Επιχειρηματικός αναλυτής: Χρησιμοποιήστε τα ιστορικά δεδομένα πωλήσεων για να εκπαιδεύσετε ένα μοντέλο πρόβλεψης

Ας αλλάξουμε ταχύτητα και ας προχωρήσουμε στην πλευρά του επιχειρηματικού αναλυτή. Ως επιχειρησιακός αναλυτής, αναζητούμε μια οπτική υπηρεσία σημείου-και-κλικ που θα διευκολύνει τη δημιουργία μοντέλων ML και τη δημιουργία ακριβών προβλέψεων χωρίς να γράψετε ούτε μια γραμμή κώδικα ή να έχετε εξειδίκευση στην ML. Ο καμβάς ταιριάζει στην απαίτηση ως λύση ML χωρίς κώδικα.

Αρχικά, βεβαιωθείτε ότι ο ρόλος σας IAM έχει ρυθμιστεί με τέτοιο τρόπο ώστε το Canvas να έχει πρόσβαση σε άλλες υπηρεσίες AWS. Για περισσότερες πληροφορίες, ανατρέξτε στο Δώστε στους χρήστες σας δικαιώματα για την εκτέλεση προβλέψεων χρονοσειρών, ή μπορείτε να ζητήσετε βοήθεια από την ομάδα σας στο Cloud Engineering.

Όταν ο μηχανικός δεδομένων ολοκληρώσει τη ρύθμιση της διαμόρφωσης ETL που βασίζεται στο Amazon AppFlow, τα ιστορικά δεδομένα πωλήσεων είναι διαθέσιμα για εσάς σε έναν κάδο S3.

Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.

Είστε τώρα έτοιμοι να εκπαιδεύσετε ένα μοντέλο με το Canvas! Αυτό συνήθως περιλαμβάνει τέσσερα βήματα: εισαγωγή δεδομένων στην υπηρεσία, διαμόρφωση της εκπαίδευσης του μοντέλου επιλέγοντας τον κατάλληλο τύπο μοντέλου, εκπαίδευση του μοντέλου και, τέλος, δημιουργία προβλέψεων χρησιμοποιώντας το μοντέλο.

Εισαγωγή δεδομένων στον Καμβά

Αρχικά, εκκινήστε την εφαρμογή Canvas από το Amazon Sage Maker κονσόλα ή από την πρόσβαση μεμονωμένης σύνδεσης. Εάν δεν ξέρετε πώς να το κάνετε αυτό, επικοινωνήστε με τον διαχειριστή σας ώστε να σας καθοδηγήσει στη διαδικασία ρύθμισης του Canvas. Βεβαιωθείτε ότι έχετε πρόσβαση στην υπηρεσία στην ίδια περιοχή με τον κάδο S3 που περιέχει το ιστορικό σύνολο δεδομένων από το SAP. Θα πρέπει να δείτε μια οθόνη όπως η παρακάτω.

Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.

Στη συνέχεια, ολοκληρώστε τα παρακάτω βήματα:

  1. Στον Καμβά, επιλέξτε Δεδομένα στο παράθυρο πλοήγησης.
  2. Επιλέξτε εισαγωγή για να ξεκινήσετε την εισαγωγή δεδομένων από τον κάδο S3.
    Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.
  3. Στην οθόνη εισαγωγής, επιλέξτε το αρχείο δεδομένων ή το αντικείμενο από τον κάδο S3 για να εισαγάγετε τα δεδομένα εκπαίδευσης.
    Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.

Μπορείτε να εισαγάγετε πολλά σύνολα δεδομένων στον Καμβά. Υποστηρίζει επίσης τη δημιουργία ενώσεων μεταξύ των συνόλων δεδομένων επιλέγοντας Ενώστε δεδομένα, το οποίο είναι ιδιαίτερα χρήσιμο όταν τα δεδομένα εκπαίδευσης κατανέμονται σε πολλά αρχεία.

Διαμόρφωση και εκπαίδευση του μοντέλου

Αφού εισαγάγετε τα δεδομένα, ολοκληρώστε τα παρακάτω βήματα:

  1. Επιλέξτε Μοντέλα στο παράθυρο πλοήγησης.
  2. Επιλέξτε νέο μοντέλο για να ξεκινήσει η διαμόρφωση για την εκπαίδευση του μοντέλου πρόβλεψης.
    Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.
  3. Για το νέο μοντέλο, δώστε του ένα κατάλληλο όνομα, όπως π.χ product_sales_forecast_model.
  4. Επιλέξτε το σύνολο δεδομένων πωλήσεων και επιλέξτε Επιλέξτε σύνολο δεδομένων.
    Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.
    Αφού επιλεγεί το σύνολο δεδομένων, μπορείτε να δείτε στατιστικά δεδομένα και να διαμορφώσετε την εκπαίδευση του μοντέλου στην καρτέλα Δόμηση.
    Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.
  5. Αγορά συνολικές πωλήσεις ως στήλη στόχος για την πρόβλεψη.
    Μπορείς να δεις Πρόβλεψη χρονοσειρών επιλέγεται αυτόματα ως τύπος μοντέλου.
  6. Επιλέξτε Διαμορφώστε.
    Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.
  7. Στο Διαμόρφωση πρόβλεψης χρονοσειρών τμήμα, επιλέξτε παραγωγικός for Στήλη αναγνωριστικού στοιχείου.
  8. Επιλέξτε πόλη for Ομαδική στήλη.
  9. Επιλέξτε Μέρα εκπτώσεων for Στήλη χρονοσήμανσης.
  10. Για Ημ., εισαγω 120.
  11. Επιλέξτε Αποθήκευση.
    Αυτό διαμορφώνει το μοντέλο για να κάνει προβλέψεις totalsales για 120 ημέρες χρήσης saledate με βάση ιστορικά δεδομένα, για τα οποία μπορείτε να ζητήσετε productid και city.
    Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.
  12. Όταν ολοκληρωθεί η διαμόρφωση εκπαίδευσης μοντέλου, επιλέξτε Τυπική κατασκευή για να ξεκινήσει η εκπαίδευση του μοντέλου.

Η Προεπισκόπηση μοντέλου Η επιλογή δεν είναι διαθέσιμη για τον τύπο μοντέλου πρόβλεψης χρονοσειρών. Μπορείτε να δείτε τον εκτιμώμενο χρόνο για την εκπαίδευση του μοντέλου στο Αναλύστε Tab.

Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.

Η εκπαίδευση του μοντέλου μπορεί να διαρκέσει 1-4 ώρες για να ολοκληρωθεί, ανάλογα με το μέγεθος των δεδομένων. Όταν το μοντέλο είναι έτοιμο, μπορείτε να το χρησιμοποιήσετε για να δημιουργήσετε την πρόβλεψη.

Δημιουργήστε μια πρόβλεψη

Όταν ολοκληρωθεί η εκπαίδευση του μοντέλου, δείχνει την ακρίβεια πρόβλεψης του μοντέλου στο Αναλύστε αυτί. Για παράδειγμα, σε αυτό το παράδειγμα, δείχνει ακρίβεια πρόβλεψης ως 92.87%.

Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.

Η πρόβλεψη δημιουργείται στις Προλέγω αυτί. Μπορείτε να δημιουργήσετε προβλέψεις για όλα τα στοιχεία ή ένα επιλεγμένο μεμονωμένο στοιχείο. Δείχνει επίσης το εύρος ημερομηνιών για το οποίο μπορεί να δημιουργηθεί η πρόβλεψη.

Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.

Για παράδειγμα, επιλέξτε το Ενιαίο στοιχείο επιλογή. Επιλέγω P-2 for Είδος και Κίτο for Group για να δημιουργήσετε μια πρόβλεψη για το προϊόν P-2 για την πόλη Quito για το εύρος ημερομηνιών 2017-08-15 00:00:00 έως 2017-12-13 00:00:00.

Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.

Η πρόβλεψη που δημιουργείται δείχνει τη μέση πρόβλεψη καθώς και το άνω και κάτω όριο της πρόβλεψης. Τα όρια πρόβλεψης βοηθούν στη διαμόρφωση μιας επιθετικής ή ισορροπημένης προσέγγισης για τον χειρισμό των προβλέψεων.

Μπορείτε επίσης να κάνετε λήψη της πρόβλεψης που δημιουργήθηκε ως αρχείο ή εικόνα CSV. Το αρχείο πρόβλεψης CSV που δημιουργείται χρησιμοποιείται γενικά για εργασία εκτός σύνδεσης με τα δεδομένα πρόβλεψης.

Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.

Η πρόβλεψη δημιουργείται τώρα για τα δεδομένα χρονοσειρών. Όταν μια νέα γραμμή βάσης δεδομένων είναι διαθέσιμη για την πρόβλεψη, μπορείτε να αλλάξετε το σύνολο δεδομένων στον Καμβά για να επανεκπαιδεύσετε το μοντέλο πρόβλεψης χρησιμοποιώντας τη νέα γραμμή βάσης.

Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.

Μπορείτε να επανεκπαιδεύσετε το μοντέλο πολλές φορές όταν αλλάζουν τα δεδομένα εκπαίδευσης.

Συμπέρασμα

Σε αυτήν την ανάρτηση, μάθατε πώς το Amazon AppFlow SAP OData Connector εξάγει δεδομένα παραγγελιών πωλήσεων από το σύστημα SAP σε έναν κάδο S3 και, στη συνέχεια, πώς να χρησιμοποιήσετε το Canvas για να δημιουργήσετε ένα μοντέλο για πρόβλεψη.

Μπορείτε να χρησιμοποιήσετε το Canvas για οποιαδήποτε σενάρια δεδομένων χρονοσειράς SAP, όπως πρόβλεψη εξόδων ή εσόδων. Ολόκληρη η διαδικασία δημιουργίας προβλέψεων βασίζεται στη διαμόρφωση. Οι υπεύθυνοι πωλήσεων και οι εκπρόσωποι μπορούν να δημιουργούν προβλέψεις πωλήσεων επανειλημμένα ανά μήνα ή ανά τρίμηνο με ένα ανανεωμένο σύνολο δεδομένων με γρήγορο, απλό και διαισθητικό τρόπο, χωρίς να γράφουν ούτε μια γραμμή κώδικα. Αυτό βοηθά στη βελτίωση της παραγωγικότητας και επιτρέπει γρήγορο σχεδιασμό και λήψη αποφάσεων.

Για να ξεκινήσετε, μάθετε περισσότερα σχετικά με το Canvas και το Amazon AppFlow χρησιμοποιώντας τους ακόλουθους πόρους:

Σχετικά με τους Συγγραφείς

Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.Μπρατζέντρα Σινγκ είναι αρχιτέκτονας λύσεων στο Amazon Web Services που συνεργάζεται με εταιρικούς πελάτες. Έχει ισχυρό υπόβαθρο προγραμματιστών και είναι ενθουσιώδης λάτρης των λύσεων δεδομένων και μηχανικής εκμάθησης.

Εξάγετε πληροφορίες από το SAP ERP με λύσεις ML χωρίς κώδικα με το Amazon AppFlow και το Amazon SageMaker Canvas PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.Davide Gallitelli είναι Ειδικός Αρχιτέκτονας Λύσεων για AI/ML στην περιοχή EMEA. Εδρεύει στις Βρυξέλλες και συνεργάζεται στενά με πελάτες σε όλη τη Μπενελούξ. Είναι προγραμματιστής από πολύ μικρός, ξεκινώντας να κωδικοποιεί σε ηλικία 7 ετών. Άρχισε να μαθαίνει AI/ML στο πανεπιστήμιο και από τότε το ερωτεύτηκε.

Σφραγίδα ώρας:

Περισσότερα από Μηχανική εκμάθηση AWS