Szerezzen betekintést az SAP ERP-ből kód nélküli ML megoldásokkal az Amazon AppFlow és az Amazon SageMaker Canvas segítségével

Az olyan iparágakban, mint a fogyasztói csomagolt áruk, a gyártás és a kiskereskedelem, az ügyfelek mindig keresik a módját, hogy működési folyamataikat az adatokból generált betekintésekkel és elemzésekkel gazdagítsák. Az olyan feladatok, mint az értékesítési előrejelzés, közvetlenül érintik az olyan műveleteket, mint például a nyersanyag-tervezés, a beszerzés, a gyártás, az elosztás, valamint a bejövő/kimenő logisztika, és sokféle hatást fejthet ki, egyetlen raktártól egészen a nagyméretű gyártó létesítményekig.

Az értékesítési képviselők és vezetők a múltbeli értékesítési adatokat használják fel, hogy megalapozott előrejelzéseket készítsenek a jövőbeli értékesítési trendekről. Az ügyfelek az SAP ERP központi komponenst (ECC) használják az áruk gyártásának, értékesítésének és elosztásának tervezésére. Az SAP ECC-n belüli értékesítési és elosztási (SD) modul segít az értékesítési rendelések kezelésében. Az SAP-rendszerek a múltbeli értékesítési adatok elsődleges forrásai.

Az értékesítési képviselők és vezetők rendelkeznek a területi ismeretekkel és az értékesítési adataik alapos megértésével. Hiányoznak azonban adattudományi és programozási készségeik ahhoz, hogy olyan gépi tanulási (ML) modelleket hozzanak létre, amelyek értékesítési előrejelzéseket generálhatnak. Intuitív, egyszerűen használható eszközöket keresnek az ML modellek létrehozásához anélkül, hogy egyetlen kódsort is megírnának.

Annak érdekében, hogy segítsük a szervezeteket az üzleti elemzők által elvárt mozgékonyság és hatékonyság elérésében, mi Bevezetett Amazon SageMaker Canvas, egy kód nélküli ML-megoldás, amely segít órákra vagy napokra felgyorsítani az ML-megoldások kézbesítését. A Canvas lehetővé teszi az elemzők számára, hogy könnyen felhasználhassák az adattárakban, adattárházakban és operatív adattárolókban elérhető adatokat; ML modelleket készíteni; és használja őket interaktív előrejelzések készítésére és tömeges adatkészletek kötegelt pontozására – mindezt egyetlen kódsor megírása nélkül.

Ebben a bejegyzésben bemutatjuk, hogyan hozhatjuk be az értékesítési rendelések adatait az SAP ECC-ből az értékesítési előrejelzések előállításához a Canvas használatával épített ML-modell segítségével.

Megoldás áttekintése

Ahhoz, hogy az SAP értékesítési adatok felhasználásával értékesítési előrejelzéseket készítsünk, két személy együttműködésére van szükség: adatmérnökök és üzleti elemzők (értékesítési képviselők és menedzserek). Az adatmérnökök felelősek az SAP rendszerből a következőre történő adatexportálás konfigurálásáért Amazon egyszerű tárolási szolgáltatás (Amazon S3) segítségével Amazon App Flow, amelyet az üzleti elemzők igény szerint vagy automatikusan (ütemezés alapján) futtathatnak az S3 tárolóban lévő SAP-adatok frissítéséhez. Ezután az üzleti elemzők felelősek az exportált adatokból előrejelzések létrehozásáért a Canvas használatával. A következő diagram ezt a munkafolyamatot mutatja be.

Ehhez a bejegyzéshez az SAP-t használjuk NetWeaver vállalati beszerzési modell (EPM) a mintaadatokhoz. Az EPM-et általában demonstrációs és tesztelési célokra használják az SAP-ban. Általános üzleti folyamatmodellt használ, és követi az üzleti objektum (BO) paradigmáját, hogy támogassa a jól meghatározott üzleti logikát. A SEPM_DG (adatgenerátor) SAP-tranzakció segítségével körülbelül 80,000 XNUMX korábbi értékesítési rendelést generáltunk, és létrehoztunk egy HANA CDS nézetet az adatok termékazonosító, értékesítési dátum és város szerinti összesítésére, amint azt a következő kód mutatja:

@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

A következő részben bemutatjuk ezt a nézetet az SAP OData szolgáltatásokkal ABAP-struktúraként, amely lehetővé teszi az adatok kinyerését az Amazon AppFlow segítségével.

A következő táblázat az SAP reprezentatív korábbi értékesítési adatait mutatja, amelyeket ebben a bejegyzésben használunk.

Az adatfájl napi gyakorisági előzményadatok. Négy oszlopa van (productid, saledate, cityés totalsales). A Canvast használjuk az előrejelzéshez használt ML modell felépítésére totalsales mert productid egy adott városban.

Ez a bejegyzés azért készült, hogy bemutassa mind az adatmérnökök, mind az üzleti elemzők tevékenységét és felelősségét a termékértékesítési előrejelzések készítéséhez.

Adatmérnök: Az Amazon AppFlow segítségével bontsa ki, alakítsa ki és töltse be az adatkészletet az SAP-ból az Amazon S3-ba

Az első feladat, amelyet adatmérnökként végez, egy kivonatolási, átalakítási és betöltési (ETL) feladat futtatása az SAP ECC előzményértékesítési adatain egy S3 tárolóba, amelyet az üzleti elemző az előrejelzési modell forrásadatkészleteként használ. Ehhez az Amazon AppFlow-t használjuk, mert ez készenléti lehetőséget biztosít SAP OData csatlakozó ETL-hez (ahogyan az alábbi ábrán látható), egy egyszerű felhasználói felülettel, ahol mindent beállíthat, ami az SAP ECC és az S3 tároló közötti kapcsolat konfigurálásához szükséges.

Előfeltételek

A következő követelmények vonatkoznak az Amazon AppFlow és az SAP integrálására:

• SAP NetWeaver Stack 7.40 SP02 vagy újabb verzió
• A katalógusszolgáltatás (OData v2.0/v2.0) engedélyezve van az SAP Gateway-ben szolgáltatáskereséshez
• Az SAP OData Service ügyféloldali lapozási és lekérdezési opcióinak támogatása
• HTTPS-kompatibilis kapcsolat az SAP-val

Hitelesítés

Az Amazon AppFlow két hitelesítési mechanizmust támogat az SAP-hoz való csatlakozáshoz:

• alapvető – SAP OData felhasználónévvel és jelszóval hitelesít.
• OAuth 2.0 – OAuth 2.0 konfigurációt használ egy identitásszolgáltatóval. Az OAuth 2.0-t engedélyezni kell az OData v2.0/v2.0 szolgáltatásokhoz.

csatlakozás

Az Amazon AppFlow nyilvános SAP OData interfész vagy privát kapcsolat használatával csatlakozhat az SAP ECC-hez. A privát kapcsolat javítja az adatok védelmét és biztonságát azáltal, hogy az adatokat a nyilvános internet helyett a privát AWS-hálózaton keresztül továbbítja. A privát kapcsolat a VPC-végpont szolgáltatást használja a VPC-ben futó SAP OData példányhoz. A VPC-végpont szolgáltatásnak rendelkeznie kell az Amazon AppFlow szolgáltatási taggal appflow.amazonaws.com engedélyezett megbízóként, és elérhetőnek kell lennie egy AWS-régió rendelkezésre állási zónáinak legalább 50%-ában.

Állítson be egy folyamatot az Amazon AppFlow-ban

Beállítunk egy új folyamatot az Amazon AppFlow-ban, hogy egy ETL-feladatot fusson az SAP-ból egy S3-gyűjtőbe tartó adatokon. Ez a folyamat lehetővé teszi az SAP OData Connector forrásként, az S3 gyűjtőcsoport célként történő konfigurálását, az OData objektum kiválasztását, az adatleképezést, az adatok érvényesítését és az adatszűrést.

1. Konfigurálja az SAP OData Connectort adatforrásként a következő információk megadásával:
   1. Alkalmazásgazda URL
   2. Alkalmazás szolgáltatási elérési útja (katalógus elérési útja)
   3. Port száma
   4. Ügyfélszám
   5. Bejelentkezési nyelv
   6. Kapcsolat típusa (privát link vagy nyilvános)
   7. Hitelesítési mód
   8. Csatlakozás neve a konfigurációhoz
      
2. A forrás konfigurálása után válassza ki az OData objektumot és az alobjektumot az értékesítési rendelésekhez.
   Általában az SAP értékesítési adatait a rendszer bizonyos gyakorisággal exportálja, például havonta vagy negyedévente teljes méretben. Ehhez a bejegyzéshez válassza az alobjektum opciót a teljes méretű exportáláshoz.
   
3. Válassza ki az S3 vödröt célként.
   A folyamat adatokat exportál ebbe a tárolóba.
   
4. A Adatformátum preferenciaválassza CSV formátum.
5. A Adatátviteli preferenciaválassza Az összes rekord összesítése.
6. A Fájlnév preferenciaválassza Adjon hozzá időbélyeget a fájlnévhez.
7. A A mappaszerkezet beállításaválassza Nincs időbélyegzett mappa.
   A rekordösszesítési konfiguráció egyetlen fájlban exportálja a teljes méretű értékesítési adatokat az SAP-ból. A fájlnév egy időbélyeggel végződik ÉÉÉÉ-HH-NNTHH:mm:ss formátumban, egyetlen mappában (folyamatnév) az S3 tárolóban. A Canvas ebből az egyetlen fájlból importálja az adatokat a modell betanítása és előrejelzése céljából.
   
8. Állítsa be az adatleképezést és az érvényesítéseket, hogy a forrásadatmezőket leképezze a céladatmezőkre, és szükség szerint engedélyezze az adatérvényesítési szabályokat.
   
9. Beállíthatja az adatszűrési feltételeket is, hogy kiszűrje az adott rekordokat, ha a követelmény megköveteli.
   
10. Állítsa be a folyamatindítót annak eldöntésére, hogy a folyamat manuálisan, igény szerint vagy automatikusan, ütemezés alapján fut-e.
    Ha ütemezésre van beállítva, a gyakoriság azon alapul, hogy milyen gyakran kell az előrejelzést előállítani (általában havonta, negyedévente vagy félévente).
    A folyamat konfigurálása után az üzleti elemzők igény szerint futtathatják azt, vagy az ütemezés alapján ETL-feladatot hajthatnak végre az értékesítési rendelési adatokon az SAP-ból egy S3-csoportba.
11. Az Amazon AppFlow konfiguráción kívül az adatmérnököknek konfigurálniuk kell egy AWS Identity and Access Management (IAM) szerepkört a Canvas számára, hogy más AWS-szolgáltatásokhoz is hozzáférhessen. Az utasításokat lásd Adjon engedélyt a felhasználóknak idősor-előrejelzés végrehajtására.

Üzleti elemző: Használja az értékesítési előzményeket az előrejelzési modell betanításához

Váltsunk sebességet, és térjünk át az üzleti elemzői oldalra. Üzleti elemzőként olyan vizuális, point-and-click szolgáltatást keresünk, amely megkönnyíti az ML-modellek felépítését és pontos előrejelzések generálását anélkül, hogy egyetlen sornyi kódot írnánk vagy ML-szakértelemmel rendelkeznénk. A Canvas kód nélküli ML megoldásként megfelel a követelménynek.

Először győződjön meg arról, hogy IAM-szerepköre úgy van konfigurálva, hogy a Canvas hozzáférhessen más AWS-szolgáltatásokhoz. További információkért lásd: Adjon engedélyt a felhasználóknak idősor-előrejelzés végrehajtására, vagy kérhet segítséget Cloud Engineering csapatától.

Amikor az adatmérnök végzett az Amazon AppFlow-alapú ETL-konfiguráció beállításával, az értékesítési előzmények egy S3 tárolóban érhetők el.

Most már készen áll, hogy modellt képezzen a Canvas segítségével! Ez jellemzően négy lépésből áll: adatok importálása a szolgáltatásba, a modell betanításának konfigurálása a megfelelő modelltípus kiválasztásával, a modell betanítása, és végül előrejelzések generálása a modell segítségével.

Adatok importálása a Canvasba

Először indítsa el a Canvas alkalmazást a Amazon SageMaker konzolon vagy az egyszeri bejelentkezési hozzáférésből. Ha nem tudja, hogyan kell ezt megtenni, forduljon a rendszergazdához, hogy eligazítsa a Canvas beállításának folyamatán. Győződjön meg arról, hogy a szolgáltatást ugyanabban a régióban éri el, mint az SAP előzményadatkészletét tartalmazó S3 tárolót. A következőhöz hasonló képernyőt kell látnia.

Ezután hajtsa végre a következő lépéseket:

1. A Canvasban válasszon Datasets a navigációs ablaktáblában.
2. A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a import hogy megkezdje az adatok importálását az S3 tárolóból.
   
3. Az importálási képernyőn válassza ki az adatfájlt vagy objektumot az S3 tárolóból a képzési adatok importálásához.
   

Több adatkészletet is importálhat a Canvasba. Támogatja az adatkészletek közötti csatlakozások létrehozását is Csatlakoztassa az adatokat, ami különösen akkor hasznos, ha a képzési adatok több fájl között vannak szétosztva.

Konfigurálja és betanítsa a modellt

Az adatok importálása után hajtsa végre a következő lépéseket:

1. A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Modellek a navigációs ablaktáblában.
2. A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Új modell az előrejelzési modell betanításához szükséges konfiguráció elindításához.
   
3. Az új modellhez adjunk megfelelő nevet, mint pl product_sales_forecast_model.
4. Válassza ki az értékesítési adatkészletet, és válassza ki Válassza ki az adatkészletet.
   
   Az adatkészlet kiválasztása után megtekintheti az adatstatisztikát és konfigurálhatja a modell betanítását a Build lapon.
   
5. választ összértékesítés mint az előrejelzés céloszlopa.
   Láthatjuk Idősoros előrejelzés automatikusan kiválasztásra kerül modelltípusként.
6. A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a konfigurálása.
   
7. A Idősor előrejelzés konfigurációja szakaszban válassza termék azonosító mert Elemazonosító oszlop.
8. A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a város mert Csoport oszlop.
9. A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a eladás dátuma mert Időbélyeg oszlop.
10. A Nap, belép 120.
11. A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Megtakarítás.
    Ezzel beállítja a modellt, hogy előrejelzéseket készítsen totalsales 120 napig használható saledate történeti adatok alapján, amelyek lekérdezhetők productid és a city.
    
12. Amikor a modell betanítási konfigurációja kész, válassza a lehetőséget Szabványos felépítés a modellképzés megkezdéséhez.

A Modell előnézete opció nem érhető el az idősoros előrejelzési modelltípushoz. A modellképzés becsült idejét a oldalon tekintheti át Elemez Tab.

A modell betanítása az adatmérettől függően 1–4 órát is igénybe vehet. Amikor a modell készen áll, felhasználhatja az előrejelzés létrehozásához.

Előrejelzés generálása

Amikor a modell betanítás befejeződött, megmutatja a modell előrejelzési pontosságát Elemez lapon. Például ebben a példában az előrejelzési pontosság 92.87%.

Az előrejelzés a Tippelje lapon. Előrejelzéseket generálhat az összes vagy egy kiválasztott elemre vonatkozóan. Megmutatja azt a dátumtartományt is, amelyre az előrejelzés generálható.

Példaként válassza a Egyetlen tétel választási lehetőség. választ P-2 mert Tétel és a Quito mert Csoport előrejelzés létrehozásához a P-2 termékhez Quito városához a 2017-08-15 00:00:00 és 2017-12-13 00:00:00 közötti időszakra.

A generált előrejelzés az átlagos előrejelzést, valamint az előrejelzés felső és alsó határát mutatja. Az előrejelzési határok segítenek agresszív vagy kiegyensúlyozott megközelítés konfigurálásában az előrejelzés kezeléséhez.

A generált előrejelzést letöltheti CSV-fájlként vagy képként is. A generált előrejelzési CSV-fájlt általában az előrejelzési adatokkal való offline munkavégzésre használják.

Az előrejelzés most az idősoros adatokhoz jön létre. Amikor új alapadatok válnak elérhetővé az előrejelzéshez, módosíthatja az adatkészletet a Canvasban, hogy az előrejelzési modellt az új alapvonal használatával újratanítsa.

A modellt többször is betaníthatja, amikor a betanítási adatok megváltoznak.

Következtetés

Ebből a bejegyzésből megtudhatta, hogyan exportálja az Amazon AppFlow SAP OData Connector az értékesítési rendelések adatait az SAP rendszerből egy S3 tárolóba, majd hogyan lehet a Canvas segítségével modellt készíteni az előrejelzéshez.

A Canvast bármilyen SAP-idősoros adatforgatókönyvhöz használhatja, például költség- vagy bevétel-előrejelzéshez. A teljes előrejelzés generálási folyamat konfigurációvezérelt. Az értékesítési vezetők és képviselők havonta vagy negyedévente ismételten hozhatnak létre értékesítési előrejelzéseket frissített adatkészlettel, gyors, egyszerű és intuitív módon anélkül, hogy egyetlen kódsort is meg kellene írniuk. Ez segít a termelékenység javításában, valamint gyors tervezést és döntéseket tesz lehetővé.

A kezdéshez tudjon meg többet a Canvasról és az Amazon AppFlow-ról a következő források segítségével:

• Amazon SageMaker Canvas fejlesztői útmutató
• Bejelentik az Amazon SageMaker Canvast – egy vizuális, kód nélküli gépi tanulási képesség üzleti elemzők számára
• Adatok kinyerése az SAP ERP-ből és a BW-ből az Amazon AppFlow segítségével
• SAP OData Connector konfigurációja

A szerzőkről

Brajendra Singh az Amazon Web Services megoldástervezője, aki vállalati ügyfelekkel dolgozik. Erős fejlesztői háttérrel rendelkezik, és lelkes rajongója az adat- és gépi tanulási megoldásoknak.

Davide Gallitelli az EMEA régióban az AI/ML speciális megoldások építésze. Székhelye Brüsszelben van, és szorosan együttműködik az ügyfelekkel a Benelux államokban. Egészen kicsi kora óta fejlesztő, 7 évesen kezdett el kódolni. Az AI/ML-t az egyetemen kezdte tanulni, és azóta beleszeretett.

• Coinsmart. Európa legjobb Bitcoin- és kriptográfiai tőzsdéje.
• Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. SZABAD HOZZÁFÉRÉS.
• CryptoHawk. Altcoin radar. Ingyenes próbaverzió.
• Forrás: https://aws.amazon.com/blogs/machine-learning/extract-insights-from-sap-erp-with-no-code-ml-solutions-with-amazon-appflow-and-amazon-sagemaker- vászon/