Hankige teavet SAP ERP-st koodita ML-lahendustega Amazon AppFlow ja Amazon SageMaker Canvasega

Kliendid sellistes tööstusharudes nagu tarbekaubad, tootmine ja jaemüük otsivad alati viise, kuidas oma tegevusprotsesse võimendada, rikastades neid andmetest saadud arusaamade ja analüüsidega. Sellised ülesanded nagu müügiprognoosid mõjutavad otseselt selliseid toiminguid nagu tooraine planeerimine, hankimine, tootmine, levitamine ja sissetulev/väljaminev logistika ning sellel võib olla mitut mõju, alates ühest laost kuni suuremahuliste tootmisrajatisteni.

Müügiesindajad ja juhid kasutavad ajaloolisi müügiandmeid, et teha teadlikke ennustusi tulevaste müügitrendide kohta. Kliendid kasutavad SAP ERP keskkomponenti (ECC), et hallata kaupade tootmise, müügi ja levitamise planeerimist. SAP ECC müügi- ja levitamismoodul (SD) aitab hallata müügitellimusi. SAP-süsteemid on ajalooliste müügiandmete peamine allikas.

Müügiesindajatel ja -juhtidel on valdkonnateadmised ja nende müügiandmetest sügav arusaam. Neil puuduvad aga andmeteaduse ja programmeerimisoskused, et luua masinõppe (ML) mudeleid, mis suudavad luua müügiprognoose. Nad otsivad intuitiivseid ja lihtsalt kasutatavaid tööriistu ML-mudelite loomiseks ilma ühtki koodirida kirjutamata.

Et aidata organisatsioonidel saavutada ärianalüütikute soovitud paindlikkust ja tõhusust, me sisse Amazon SageMakeri lõuend, koodita ML-lahendus, mis aitab teil kiirendada ML-lahenduste tarnimist tundide või päevadeni. Canvas võimaldab analüütikutel hõlpsasti kasutada olemasolevaid andmeid andmejärvedes, andmeladudes ja operatiivsetes andmehoidlates; ehitada ML mudeleid; ja kasutage neid interaktiivsete ennustuste tegemiseks ja hulgiandmekogumite partiide hindamiseks – seda kõike ilma ühtki koodirida kirjutamata.

Selles postituses näitame, kuidas tuua müügitellimuste andmed SAP ECC-st, et luua müügiprognoose, kasutades Canvase abil loodud ML-mudelit.

Lahenduse ülevaade

SAP-i müügiandmete abil müügiprognooside koostamiseks vajame kahe isiku koostööd: andmeinsenerid ja ärianalüütikud (müügiesindajad ja juhid). Andmeinsenerid vastutavad SAP-süsteemist andmete eksportimise konfigureerimise eest Amazoni lihtne salvestusteenus (Amazon S3) kasutades Amazon App Flow, mida ärianalüütikud saavad seejärel käivitada kas nõudmisel või automaatselt (graafikupõhiselt), et värskendada S3-i ämbris olevaid SAP-i andmeid. Ärianalüütikud vastutavad seejärel eksporditud andmete põhjal prognooside loomise eest Canvase abil. Järgmine diagramm illustreerib seda töövoogu.

Selle postituse jaoks kasutame SAP-i NetWeaveri ettevõtte hankemudel (EPM) näidisandmete jaoks. EPM-i kasutatakse SAP-is üldiselt tutvustamiseks ja testimiseks. See kasutab ühist äriprotsessi mudelit ja järgib äriobjekti (BO) paradigmat, et toetada hästi määratletud äriloogikat. Kasutasime SAP tehingu SEPM_DG (andmegeneraator) umbes 80,000 XNUMX ajaloolise müügitellimuse genereerimiseks ja lõime HANA CDS-vaate, et koondada andmed toote ID, müügikuupäeva ja linna järgi, nagu on näidatud järgmises koodis:

@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

Järgmises jaotises tutvustame seda vaadet, kasutades SAP OData teenuseid ABAP-struktuurina, mis võimaldab meil andmeid Amazon AppFlow abil ekstraheerida.

Järgmine tabel näitab SAP-i tüüpilisi ajaloolisi müügiandmeid, mida me selles postituses kasutame.

Andmefail on igapäevase sageduse ajaloolised andmed. Sellel on neli veergu (productid, saledate, cityja totalsales). Kasutame Canvast prognoosimiseks kasutatava ML-mudeli koostamiseks totalsales eest productid konkreetses linnas.

See postitus on korraldatud selleks, et näidata nii andmeinseneride kui ka ärianalüütikute tegevusi ja kohustusi toote müügiprognooside koostamisel.

Andmeinsener: ekstraktige, teisendage ja laadige andmestik SAP-ist Amazon S3-sse Amazon AppFlow abil

Esimene ülesanne, mida andmeinsenerina täidate, on SAP ECC ajalooliste müügiandmete ekstraktimise, teisendamise ja laadimise (ETL) töö käivitamine S3 ämbrisse, mida ärianalüütik kasutab oma prognoosimudeli lähteandmestikuna. Selleks kasutame Amazon AppFlow'd, kuna see pakub kastist väljas SAP OData Connector ETL-i jaoks (nagu on näidatud järgmisel diagrammil) lihtsa kasutajaliidese abil, et seadistada kõik, mis on vajalik ühenduse konfigureerimiseks SAP ECC-st S3 ämbrisse.

Eeldused

Amazon AppFlow integreerimiseks SAP-iga on järgmised nõuded.

• SAP NetWeaver Stacki versioon 7.40 SP02 või uuem
• Kataloogiteenus (OData v2.0/v2.0) on SAP Gateways teenuse tuvastamiseks lubatud
• SAP OData Service kliendipoolse lehekülgede ja päringuvalikute tugi
• HTTPS-iga ühendus SAP-iga

Autentimine

Amazon AppFlow toetab SAP-iga ühenduse loomiseks kahte autentimismehhanismi:

• Põhi- – Autentib SAP OData kasutajanime ja parooli abil.
• OAuth 2.0 – Kasutab OAuth 2.0 konfiguratsiooni koos identiteedipakkujaga. OAuth 2.0 peab olema OData v2.0/v2.0 teenuste jaoks lubatud.

Ühendus

Amazon AppFlow saab SAP ECC-ga ühenduse luua avaliku SAP OData liidese või privaatse ühenduse kaudu. Privaatühendus parandab andmete privaatsust ja turvalisust, edastades andmeid avaliku Interneti asemel privaatse AWS-võrgu kaudu. Privaatühendus kasutab VPC-s töötava SAP OData eksemplari jaoks VPC lõpp-punkti teenust. VPC lõpp-punkti teenusel peab olema Amazon AppFlow teenuse põhiprintsiip appflow.amazonaws.com lubatud printsipaalina ja see peab olema saadaval vähemalt rohkem kui 50% AWS-i piirkonna saadavustsoonidest.

Seadistage voog rakenduses Amazon AppFlow

Konfigureerime rakenduses Amazon AppFlow uue voo, et käitada SAP-ist S3 ämbrisse suunduvate andmete ETL-tööd. See voog võimaldab konfigureerida SAP OData Connectori allikana, S3 ämbrit sihtkohana, OData objekti valimist, andmete vastendamist, andmete valideerimist ja andmete filtreerimist.

1. Konfigureerige SAP OData Connector andmeallikana, esitades järgmise teabe.
   1. Rakenduse hosti URL
   2. Rakenduse teenindustee (kataloogi tee)
   3. Pordi number
   4. Kliendi number
   5. Sisselogimiskeel
   6. Ühenduse tüüp (privaatne link või avalik)
   7. Autentimisrežiim
   8. Ühenduse nimi konfiguratsiooni jaoks
      
2. Pärast allika konfigureerimist valige müügitellimuste jaoks OData objekt ja alamobjekt.
   Üldjuhul eksporditakse SAP-i müügiandmeid täissuuruses teatud sagedusega, näiteks kord kuus või kord kvartalis. Selle postituse jaoks tehke täissuuruses eksportimiseks alamobjekti valik.
   
3. Valige sihtkohaks S3 kopp.
   Voog ekspordib andmed sellesse ämbrisse.
   
4. eest Andmevormingu eelistusvalige CSV-vorming.
5. eest Andmeedastuse eelistusvalige Ühendage kõik kirjed.
6. eest Failinime eelistusvalige Lisage failinimele ajatempel.
7. eest Kausta struktuuri eelistusvalige Ajatempliga kausta pole.
   Kirjete koondamise konfiguratsioon ekspordib SAP-ist täissuuruses müügiandmed, mis on kombineeritud ühte faili. Faili nimi lõpeb ajatempliga vormingus AAAA-KK-PPTTH:mm:ss ühes kaustas (voo nimi) S3 ämbris. Canvas impordib andmeid sellest ühest failist mudeli koolitamiseks ja prognoosimiseks.
   
8. Konfigureerige andmete vastendus ja valideerimine, et vastendada lähteandmeväljad sihtkoha andmeväljadele ja lubada andmete valideerimise reeglid vastavalt vajadusele.
   
9. Samuti saate konfigureerida andmete filtreerimise tingimused konkreetsete kirjete filtreerimiseks, kui teie nõue seda nõuab.
   
10. Konfigureerige oma voo päästikut, et otsustada, kas voog käitatakse käsitsi nõudmisel või automaatselt ajakava alusel.
    Kui see on konfigureeritud ajakava jaoks, põhineb sagedus sellel, kui sageli on vaja prognoosi luua (tavaliselt kord kuus, kvartalis või poolaastas).
    Pärast voo konfigureerimist saavad ärianalüütikud seda nõudmisel või ajakava alusel käitada, et teostada SAP-ist S3 ämbrisse suunduvate müügitellimuste andmetele ETL-i töö.
11. Lisaks Amazon AppFlow konfiguratsioonile peavad andmeinsenerid konfigureerima ka AWS-i identiteedi- ja juurdepääsuhaldus (IAM) rolli Canvas jaoks, et see pääseks juurde teistele AWS-i teenustele. Juhiste saamiseks vaadake Andke oma kasutajatele õigused aegridade prognoosimiseks.

Ärianalüütik: kasutage prognoosimudeli koolitamiseks ajaloolisi müügiandmeid

Vahetame käike ja liigume ärianalüütiku poolele. Ärianalüütikuna otsime visuaalset osuta-ja-klõpsatavat teenust, mis hõlbustab ML-mudelite loomist ja täpsete prognooside genereerimist ilma ühtki koodirida kirjutamata või ML-teadmisi omamata. Canvas sobib koodita ML-lahendusena.

Esiteks veenduge, et teie IAM-i roll on konfigureeritud nii, et Canvas pääseb juurde teistele AWS-i teenustele. Lisateabe saamiseks vaadake Andke oma kasutajatele õigused aegridade prognoosimiseksvõi võite küsida abi oma Cloud Engineeringi meeskonnalt.

Kui andmeinsener on Amazon AppFlow-põhise ETL-i konfiguratsiooni seadistanud, on ajaloolised müügiandmed teie jaoks saadaval S3 ämbris.

Olete nüüd valmis Canvasiga modelli koolitama! Tavaliselt hõlmab see nelja etappi: andmete importimine teenusesse, mudeli koolituse konfigureerimine sobiva mudelitüübi valimisel, mudeli koolitamine ja lõpuks prognooside genereerimine mudeli abil.

Importige andmed Canvasesse

Esmalt käivitage rakendusest Canvas Amazon SageMaker konsoolilt või ühekordse sisselogimise kaudu. Kui te ei tea, kuidas seda teha, võtke ühendust oma administraatoriga, et ta juhendaks teid Canvase seadistamise protsessis. Veenduge, et pääsete teenusele juurde samas piirkonnas, kus on S3-i ämber, mis sisaldab SAP-i ajaloolist andmekogumit. Peaksite nägema järgmist ekraani.

Seejärel tehke järgmised sammud.

1. Lõuendis valige Andmekogumid navigeerimispaanil.
2. Vali Import et alustada andmete importimist S3 ämbrist.
   
3. Importimise ekraanil valige treeningandmete importimiseks S3 ämbrist andmefail või objekt.
   

Canvasis saate importida mitu andmestikku. See toetab ka ühenduste loomist andmekogumite vahel valides Ühendage andmed, mis on eriti kasulik, kui treeninguandmed on jaotatud mitme faili vahel.

Mudeli konfigureerimine ja treenimine

Pärast andmete importimist toimige järgmiselt.

1. Vali Mudelid navigeerimispaanil.
2. Vali Uus mudel konfiguratsiooni alustamiseks prognoosimudeli treenimiseks.
   
3. Uue mudeli puhul pane sellele sobiv nimi, nt product_sales_forecast_model.
4. Valige müügiandmestik ja valige Valige andmekogum.
   
   Pärast andmestiku valimist näete andmete statistikat ja konfigureerida mudeli koolitust vahekaardil Ehitamine.
   
5. valima kogumüük ennustuse sihtveerguna.
   Näete Aegridade prognoosimine valitakse automaatselt mudelitüübiks.
6. Vali Seadistamine.
   
7. aasta Aegridade prognoosimise konfiguratsioon Valige jaotises produktiivne eest Kauba ID veerg.
8. Vali linn eest Grupi veerg.
9. Vali müügikuupäev eest Ajatempli veerg.
10. eest Päeva, sisenema 120.
11. Vali Säästa.
    See konfigureerib mudeli prognooside tegemiseks totalsales 120 päeva jooksul kasutada saledate põhineb ajaloolistel andmetel, mille kohta saab päringuid teha productid ja city.
    
12. Kui mudeli koolituse konfigureerimine on lõpetatud, valige Standardne ehitus modellikoolituse alustamiseks.

. Mudeli eelvaade suvand pole aegridade prognoosimudeli tüübi jaoks saadaval. Mudelitreeningu eeldatava aja saate vaadata aadressil Analüüsima Tab.

Modellkoolituse läbimine võib olenevalt andmete suurusest võtta aega 1–4 tundi. Kui mudel on valmis, saate seda kasutada prognoosi genereerimiseks.

Loo prognoos

Kui mudelikoolitus on lõppenud, näitab see mudelil mudeli prognoosimise täpsust Analüüsima sakk. Näiteks selles näites näitab see ennustuse täpsust 92.87%.

Prognoos genereeritakse Ennusta sakk. Saate koostada prognoose kõigi üksuste või valitud üksiku üksuse kohta. See näitab ka kuupäevavahemikku, mille kohta prognoosi saab luua.

Näiteks valige Üksik üksus võimalus. Vali P-2 eest Kirje ja Quito eest Grupp et luua ennustus toote P-2 kohta Quito linna jaoks kuupäevavahemikus 2017-08-15 00:00:00 kuni 2017-12-13 00:00:00.

Loodud prognoos näitab nii keskmist prognoosi kui ka prognoosi ülemist ja alumist piiri. Prognoosipiirid aitavad konfigureerida prognooside käsitlemiseks agressiivse või tasakaalustatud lähenemisviisi.

Samuti saate loodud prognoosi alla laadida CSV-failina või pildina. Loodud prognoositud CSV-faili kasutatakse tavaliselt prognoosiandmetega võrguühenduseta töötamiseks.

Nüüd luuakse prognoos aegridade andmete jaoks. Kui prognoosi jaoks muutub kättesaadavaks uus lähteandmete baasjoon, saate muuta Canvas'i andmestikku, et prognoosimudel uue baasjoone abil ümber õpetada.

Saate mudelit mitu korda ümber õpetada, kui treeningandmed muutuvad.

Järeldus

Sellest postitusest õppisite, kuidas Amazon AppFlow SAP OData Connector ekspordib müügitellimuste andmed SAP-süsteemist S3 ämbrisse ja kuidas seejärel kasutada Canvast prognoosimudeli koostamiseks.

Canvast saate kasutada mis tahes SAP-i aegridade andmestsenaariumide jaoks, näiteks kulude või tulude prognoosimiseks. Kogu prognoosi loomise protsess on konfiguratsioonipõhine. Müügijuhid ja esindajad saavad müügiprognoose koostada korduvalt kuus või kvartalis koos värskendatud andmekogumiga kiirel, arusaadaval ja intuitiivsel viisil, ilma ühtki koodirida kirjutamata. See aitab tõsta tootlikkust ning võimaldab kiiret planeerimist ja otsuseid.

Alustamiseks vaadake lisateavet Canvase ja Amazon AppFlow kohta, kasutades järgmisi ressursse.

• Amazon SageMaker Canvas arendaja juhend
• Amazon SageMaker Canvase väljakuulutamine – visuaalne, koodita masinõppevõimalus ärianalüütikutele
• Andmete eraldamine SAP ERP-st ja BW-st Amazon AppFlow abil
• SAP OData Connectori konfiguratsioon

Autoritest

Brajendra Singh on Amazon Web Servicesi lahenduse arhitekt, kes töötab äriklientidega. Tal on tugev arendaja taust ning ta on innukas andme- ja masinõppelahenduste entusiast.

Davide Gallitelli on tehisintellekti/ML-i spetsialiseerunud lahenduste arhitekt EMEA piirkonnas. Ta asub Brüsselis ja teeb tihedat koostööd klientidega üle kogu Beneluxi. Ta on olnud arendaja juba väga noorest peale, alustades kodeerimisega 7-aastaselt. Ta alustas AI/ML-i õppimist ülikoolis ja on sellest ajast peale sellesse armunud.

• Münditark. Euroopa parim Bitcoini ja krüptobörs.
• Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. TASUTA PÄÄS.
• CryptoHawk. Altcoini radar. Tasuta prooviversioon.
• Allikas: https://aws.amazon.com/blogs/machine-learning/extract-insights-from-sap-erp-with-no-code-ml-solutions-with-amazon-appflow-and-amazon-sagemaker- lõuend/