Poimi näkemyksiä SAP ERP:stä koodittomilla ML-ratkaisuilla Amazon AppFlown ja Amazon SageMaker Canvasin avulla

Kuluttajapakkausten, valmistuksen ja vähittäiskaupan kaltaisten toimialojen asiakkaat etsivät jatkuvasti tapoja tehostaa toimintaprosessejaan rikastuttamalla niitä tiedoista luoduilla oivalluksilla ja analyyseillä. Tehtävät, kuten myynnin ennustaminen, vaikuttavat suoraan toimintoihin, kuten raaka-aineiden suunnitteluun, hankintaan, valmistukseen, jakeluun ja saapuvan/lähtevän logistiikan toimintaan, ja sillä voi olla monenlaisia ​​vaikutuksia yhdestä varastosta suuriin tuotantotiloihin.

Myyntiedustajat ja johtajat käyttävät historiallisia myyntitietoja tehdäkseen tietoisia ennusteita tulevista myyntitrendeistä. Asiakkaat käyttävät SAP ERP Central Componentia (ECC) tavaroiden valmistuksen, myynnin ja jakelun suunnittelun hallintaan. SAP ECC:n myynti- ja jakelumoduuli (SD) auttaa hallitsemaan myyntitilauksia. SAP-järjestelmät ovat historiallisten myyntitietojen ensisijainen lähde.

Myyntiedustajilla ja johtajilla on verkkotunnus ja syvällinen ymmärrys myyntitiedoistaan. Heiltä puuttuu kuitenkin datatiede ja ohjelmointitaidot luodakseen koneoppimismalleja (ML), jotka voivat luoda myyntiennusteita. He etsivät intuitiivisia, helppokäyttöisiä työkaluja ML-mallien luomiseen kirjoittamatta yhtään koodiriviä.

Autamme organisaatioita saavuttamaan liiketoimintaanalyytikot tavoitteleman ketteryyden ja tehokkuuden käyttöön Amazon SageMaker Canvas, kooditon ML-ratkaisu, joka auttaa sinua nopeuttamaan ML-ratkaisujen toimittamista tunteihin tai päiviin. Canvasin avulla analyytikot voivat helposti käyttää saatavilla olevia tietoja datajärvissä, tietovarastoissa ja operatiivisissa tietovarastoissa. rakentaa ML-malleja; ja käyttää niitä ennusteiden tekemiseen vuorovaikutteisesti ja eräpisteytykseen joukkotietosarjoissa – kaikki ilman yhden koodirivin kirjoittamista.

Tässä viestissä näytämme, kuinka myyntitilaustiedot tuodaan SAP ECC:stä myyntiennusteiden luomiseksi Canvasilla rakennetun ML-mallin avulla.

Ratkaisun yleiskatsaus

Jotta voimme luoda myyntiennusteita SAP-myyntidatan avulla, tarvitsemme kahden henkilön yhteistyötä: tietoinsinöörit ja yritysanalyytikot (myyntiedustajat ja johtajat). Tietosuunnittelijat ovat vastuussa tietojen viennin määrittämisestä SAP-järjestelmästä Amazonin yksinkertainen tallennuspalvelu (Amazon S3) käyttämällä Amazon App Flow, jonka yritysanalyytikot voivat sitten suorittaa joko pyynnöstä tai automaattisesti (aikataulun perusteella) päivittääkseen SAP-tiedot S3-säilössä. Yritysanalyytikot ovat sitten vastuussa ennusteiden luomisesta viedyille tiedoille Canvasin avulla. Seuraava kaavio havainnollistaa tätä työnkulkua.

Tässä viestissä käytämme SAP:ia NetWeaver Enterprise -hankintamalli (EPM) näytetietojen osalta. EPM:ää käytetään yleensä esittely- ja testaustarkoituksiin SAP:ssa. Se käyttää yleistä liiketoimintaprosessimallia ja noudattaa liiketoimintaobjektin (BO) paradigmaa tukeakseen hyvin määriteltyä liiketoimintalogiikkaa. Käytimme SAP-tapahtumaa SEPM_DG (datan generaattori) noin 80,000 XNUMX historiallisen myyntitilauksen luomiseen ja loimme HANA CDS -näkymän kootaksemme tiedot tuotetunnuksen, myyntipäivän ja kaupungin mukaan seuraavan koodin mukaisesti:

@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

Seuraavassa osiossa esittelemme tämän näkymän käyttämällä SAP OData -palveluita ABAP-rakenteena, jonka avulla voimme poimia tiedot Amazon AppFlow -sovelluksella.

Seuraava taulukko näyttää edustavat historialliset myyntitiedot SAP:lta, joita käytämme tässä viestissä.

Datatiedosto on päivittäistä taajuushistoriaa. Siinä on neljä saraketta (productid, saledate, cityja totalsales). Käytämme Canvasia ML-mallin rakentamiseen, jota käytetään ennustamiseen totalsales varten productid tietyssä kaupungissa.

Tämä postaus on järjestetty esittelemään sekä datainsinöörien että yritysanalyytikoiden toimintaa ja vastuuta tuotemyyntiennusteiden laatimisessa.

Tietosuunnittelija: Pura, muunna ja lataa tietojoukko SAP:sta Amazon S3:een Amazon AppFlow:n avulla

Ensimmäinen tehtävä, jonka suoritat tietosuunnittelijana, on suorittaa poiminta, muunnos ja lataus (ETL) -työ historiallisille myyntitiedoille SAP ECC:stä S3-säihöön, jota yritysanalyytikko käyttää lähdetietojoukona ennustemallissaan. Käytämme tätä varten Amazon AppFlow'ta, koska se tarjoaa käyttövalmiiksi SAP OData -liitin ETL:lle (kuten seuraavassa kaaviossa näkyy) yksinkertaisella käyttöliittymällä, jolla voit määrittää kaiken tarvittavan yhteyden määrittämiseen SAP ECC:stä S3-säihöön.

Edellytykset

Seuraavat vaatimukset ovat Amazon AppFlow -integraatio SAP:n kanssa:

• SAP NetWeaver Stack -versio 7.40 SP02 tai uudempi
• Katalogipalvelu (OData v2.0/v2.0) otettu käyttöön SAP Gatewayssa palvelun löytämistä varten
• Asiakaspuolen sivutus- ja kyselyvaihtoehtojen tuki SAP OData Servicelle
• HTTPS-yhteensopiva yhteys SAP:iin

Authentication

Amazon AppFlow tukee kahta todennusmekanismia yhteyden muodostamiseksi SAP:iin:

• Perus – Todentaa käyttämällä SAP OData -käyttäjätunnusta ja salasanaa.
• OAuth 2.0 – Käyttää OAuth 2.0 -kokoonpanoa identiteetintarjoajan kanssa. OAuth 2.0 on otettava käyttöön OData v2.0/v2.0 -palveluille.

Yhteys

Amazon AppFlow voi muodostaa yhteyden SAP ECC:hen julkisen SAP OData -rajapinnan tai yksityisen yhteyden avulla. Yksityinen yhteys parantaa tietojen yksityisyyttä ja turvallisuutta siirtämällä tietoja yksityisen AWS-verkon kautta julkisen internetin sijaan. Yksityinen yhteys käyttää VPC-päätepistepalvelua VPC:ssä toimivalle SAP OData -ilmentymälle. VPC-päätepistepalvelulla on oltava Amazon AppFlow -palvelun päätunnus appflow.amazonaws.com sallittuna päämiehenä ja sen on oltava saatavilla vähintään yli 50 %:lla AWS-alueen käytettävyysvyöhykkeistä.

Määritä kulku Amazon AppFlowissa

Määritämme Amazon AppFlow'ssa uuden kulun suorittamaan ETL-työn tiedoilla SAP:sta S3-säihöön. Tämä kulku mahdollistaa SAP OData Connectorin määrittämisen lähteenä, S3-säihön määränpäänä, OData-objektin valinnan, tietojen yhdistämisen, tietojen validoinnin ja tietojen suodatuksen.

1. Määritä SAP OData Connector tietolähteeksi antamalla seuraavat tiedot:
   1. Sovelluksen isäntä-URL
   2. Sovelluksen palvelupolku (luettelopolku)
   3. Porttinumero
   4. Asiakasnumero
   5. Kirjautumiskieli
   6. Yhteystyyppi (yksityinen linkki tai julkinen)
   7. Todennustila
   8. Määrityksen yhteysnimi
      
2. Kun olet määrittänyt lähteen, valitse myyntitilausten OData-objekti ja aliobjekti.
   Yleensä myyntitiedot SAP:sta viedään tietyin väliajoin, esimerkiksi kuukausittain tai neljännesvuosittain täysikokoisena. Valitse tälle viestille täysikokoisen viennin aliobjektivaihtoehto.
   
3. Valitse määränpääksi S3-kauha.
   Kulku vie tiedot tähän ryhmään.
   
4. varten Tietomuotoasetusvalitse CSV-muoto.
5. varten Tiedonsiirtoasetusvalitse Kokoa kaikki tietueet.
6. varten Tiedostonimen asetusvalitse Lisää tiedoston nimeen aikaleima.
7. varten Kansiorakenteen asetusvalitse Ei aikaleimattua kansiota.
   Tietueiden yhdistämiskonfiguraatio vie täysikokoiset myyntitiedot SAP:sta yhdistettynä yhdeksi tiedostoksi. Tiedoston nimi päättyy aikaleimaan muodossa VVVV-KK-PPTHH:mm:ss yhdessä kansiossa (kulun nimi) S3-säilössä. Canvas tuo tiedot tästä yhdestä tiedostosta mallin koulutusta ja ennustamista varten.
   
8. Määritä tietojen kartoitus ja tarkistukset yhdistämään lähdetietokentät kohdetietokenttiin ja ota tietojen vahvistussäännöt käyttöön tarpeen mukaan.
   
9. Voit myös määrittää tietojen suodatusehdot suodattamaan tietyt tietueet, jos vaatimus sitä vaatii.
   
10. Määritä kulun liipaisin päättämään, suoritetaanko kulku manuaalisesti pyynnöstä vai automaattisesti aikataulun mukaan.
    Kun aikataulu on määritetty, taajuus perustuu siihen, kuinka usein ennuste on luotava (yleensä kuukausittain, neljännesvuosittain tai puolivuosittain).
    Kun kulku on määritetty, liiketoimintaanalyytikot voivat suorittaa sen pyynnöstä tai aikataulun mukaan suorittaakseen ETL-työn myyntitilaustiedoille SAP:sta S3-säilöyn.
11. Amazon AppFlow -kokoonpanon lisäksi tietosuunnittelijoiden on myös määritettävä AWS-henkilöllisyyden ja käyttöoikeuksien hallinta (IAM) rooli Canvasille, jotta se voi käyttää muita AWS-palveluita. Katso ohjeet kohdasta Anna käyttäjillesi lupa tehdä aikasarjaennusteita.

Liiketoimintaanalyytikko: Käytä historiallisia myyntitietoja ennustemallin kouluttamiseen

Vaihdetaan vaihdetta ja siirrytään yritysanalyytikkopuolelle. Yritysanalyytikona etsimme visuaalista, osoita ja napsauta -palvelua, jonka avulla on helppo rakentaa ML-malleja ja luoda tarkkoja ennusteita kirjoittamatta riviäkään koodia tai omaa ML-asiantuntemusta. Canvas sopii vaatimuksiin koodittomana ML-ratkaisuna.

Varmista ensin, että IAM-roolisi on määritetty siten, että Canvas voi käyttää muita AWS-palveluita. Lisätietoja on kohdassa Anna käyttäjillesi lupa tehdä aikasarjaennusteita, tai voit pyytää apua Cloud Engineering -tiimiltäsi.

Kun tietosuunnittelija on määrittänyt Amazon AppFlow -pohjaisen ETL-kokoonpanon, historialliset myyntitiedot ovat käytettävissäsi S3-säihissä.

Olet nyt valmis kouluttamaan mallia Canvasilla! Tämä sisältää tyypillisesti neljä vaihetta: tietojen tuominen palveluun, mallikoulutuksen konfigurointi valitsemalla sopiva mallityyppi, mallin koulutus ja lopuksi ennusteiden luominen mallin avulla.

Tuo tiedot Canvasissa

Käynnistä ensin Canvas-sovellus sovelluksesta Amazon Sage Maker konsolista tai kertakirjautumiseltasi. Jos et tiedä, miten se tehdään, ota yhteyttä järjestelmänvalvojaasi, jotta he voivat opastaa sinua Canvasin määrittämisessä. Varmista, että käytät palvelua samalla alueella kuin S3-säilöä, joka sisältää SAP:n historiallisen tietojoukon. Sinun pitäisi nähdä seuraavanlainen näyttö.

Suorita sitten seuraavat vaiheet:

1. Valitse Canvasissa aineistot navigointipaneelissa.
2. Valita Tuo aloittaaksesi tietojen tuomisen S3-säilöstä.
   
3. Valitse tuontinäytössä tietotiedosto tai objekti S3-säilöstä harjoitustietojen tuontia varten.
   

Voit tuoda useita tietojoukkoja Canvasissa. Se tukee myös liitosten luomista tietojoukkojen välille valitsemalla Liitä tiedot, mikä on erityisen hyödyllistä, kun harjoitustiedot on hajautettu useisiin tiedostoihin.

Konfiguroi ja kouluta malli

Kun olet tuonut tiedot, suorita seuraavat vaiheet:

1. Valita Mallit navigointipaneelissa.
2. Valita Uusi malli aloittaaksesi konfiguroinnin ennustemallin harjoittamista varten.
   
3. Anna uudelle mallille sopiva nimi, esim product_sales_forecast_model.
4. Valitse myyntitietojoukko ja valitse Valitse tietojoukko.
   
   Kun tietojoukko on valittu, voit nähdä datatilastot ja määrittää mallin harjoittelun Rakenna-välilehdellä.
   
5. valita kokonaismyynti ennusteen kohdesarakkeena.
   Voit nähdä Aikasarjan ennustaminen valitaan automaattisesti mallityypiksi.
6. Valita Configure.
   
7. In Aikasarjan ennustamisen määritys osiossa, valitse Tuotetunnus varten Tuotetunnus-sarake.
8. Valita kaupunki varten Ryhmäsarake.
9. Valita myyntipäivämäärä varten Aikaleima sarake.
10. varten päivää, tulla sisään 120.
11. Valita Säästä.
    Tämä määrittää mallin tekemään ennusteita totalsales 120 päivää käytössä saledate perustuu historiallisiin tietoihin, joita voidaan tiedustella productid ja city.
    
12. Kun mallin koulutuskokoonpano on valmis, valitse Vakiorakenne aloittaa mallikoulutuksen.

- Esikatselu malli vaihtoehto ei ole käytettävissä aikasarjaennustemallityypille. Voit tarkistaa mallikoulutuksen arvioidun ajan osoitteessa Analysoida Tab.

Mallikoulutuksen suorittaminen voi kestää 1–4 tuntia tietojen koosta riippuen. Kun malli on valmis, voit käyttää sitä ennusteen luomiseen.

Luo ennuste

Kun mallin koulutus on valmis, se näyttää mallin ennustetarkkuuden Analysoida -välilehti. Esimerkiksi tässä esimerkissä se näyttää ennustetarkkuuden olevan 92.87 %.

Ennuste luodaan Ennustaa -välilehti. Voit luoda ennusteita kaikille kohteille tai valitulle yksittäiselle tuotteelle. Se näyttää myös ajanjakson, jolle ennuste voidaan luoda.

Valitse esimerkiksi Yksittäinen kohde vaihtoehto. valita P-2 varten erä ja Quito varten Ryhmä luodaksesi ennusteen tuotteesta P-2 Quiton kaupungissa ajanjaksolle 2017-08-15 00:00:00 - 2017-12-13 00:00:00.

Luotu ennuste näyttää keskimääräisen ennusteen sekä ennusteen ylä- ja alarajan. Ennusterajat auttavat määrittämään aggressiivisen tai tasapainoisen lähestymistavan ennusteen käsittelyyn.

Voit myös ladata luodun ennusteen CSV-tiedostona tai kuvana. Luotua CSV-ennustetiedostoa käytetään yleensä offline-tilassa työskentelemiseen ennustetietojen kanssa.

Ennuste luodaan nyt aikasarjatiedoille. Kun ennusteelle tulee saataville uusia perustietoja, voit muuttaa Canvasin tietojoukkoa kouluttaaksesi ennustemallin uudelleen käyttämällä uutta perusviivaa.

Voit kouluttaa mallin uudelleen useita kertoja, kun harjoitustiedot muuttuvat.

Yhteenveto

Tässä viestissä opit, kuinka Amazon AppFlow SAP OData Connector vie myyntitilaustiedot SAP-järjestelmästä S3-säihöön ja kuinka Canvasilla rakennetaan malli ennustamista varten.

Voit käyttää Canvasia missä tahansa SAP-aikasarjan dataskenaariossa, kuten kulujen tai tulojen ennakoinnissa. Koko ennusteen luontiprosessi on konfiguraatiolähtöinen. Myyntipäälliköt ja edustajat voivat luoda myyntiennusteita toistuvasti kuukaudessa tai neljännesvuosittain päivitetyillä tiedoilla nopeasti, suoraviivaisesti ja intuitiivisesti kirjoittamatta riviäkään koodia. Tämä parantaa tuottavuutta ja mahdollistaa nopean suunnittelun ja päätöksenteon.

Aloita tutustumalla Canvasista ja Amazon AppFlowista seuraavien resurssien avulla:

• Amazon SageMaker Canvas -kehittäjäopas
• Amazon SageMaker Canvas julkistetaan – visuaalinen, kooditon koneoppimisominaisuus yritysanalyytikoille
• Pura tiedot SAP ERP:stä ja BW:stä Amazon AppFlow:n avulla
• SAP OData Connector -kokoonpano

Tietoja Tekijät

Brajendra Singh on Amazon Web Servicesin ratkaisuarkkitehti, joka työskentelee yritysasiakkaiden kanssa. Hänellä on vahva kehittäjätausta ja hän on innokas tieto- ja koneoppimisratkaisujen innostaja.

Davide Gallitelli on AI/ML:n erikoisratkaisuarkkitehti EMEA-alueella. Hänen kotipaikkansa on Bryssel ja työskentelee tiiviisti asiakkaiden kanssa kaikkialla Benelux-maissa. Hän on ollut kehittäjä pienestä pitäen, aloitti koodaamisen 7-vuotiaana. Hän aloitti tekoälyn/ML:n opiskelun yliopistossa ja on siitä lähtien rakastunut siihen.

• Coinsmart. Euroopan paras Bitcoin- ja kryptopörssi.
• Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. VAPAA PÄÄSY.
• CryptoHawk. Altcoinin tutka. Ilmainen kokeilu.
• Lähde: https://aws.amazon.com/blogs/machine-learning/extract-insights-from-sap-erp-with-no-code-ml-solutions-with-amazon-appflow-and-amazon-sagemaker- kangas/