Ekstrak wawasan dari SAP ERP dengan solusi ML tanpa kode dengan Amazon AppFlow dan Amazon SageMaker Canvas

Pelanggan di industri seperti barang kemasan konsumen, manufaktur, dan ritel selalu mencari cara untuk memberdayakan proses operasional mereka dengan memperkaya mereka dengan wawasan dan analitik yang dihasilkan dari data. Tugas seperti prakiraan penjualan secara langsung memengaruhi operasi seperti perencanaan bahan baku, pengadaan, manufaktur, distribusi, dan logistik masuk/keluar, dan dapat memiliki banyak tingkat dampak, mulai dari satu gudang hingga fasilitas produksi skala besar.

Perwakilan penjualan dan manajer menggunakan data penjualan historis untuk membuat prediksi yang tepat tentang tren penjualan di masa depan. Pelanggan menggunakan SAP ERP Central Component (ECC) untuk mengelola perencanaan produksi, penjualan, dan distribusi barang. Modul penjualan dan distribusi (SD) dalam SAP ECC membantu mengelola pesanan penjualan. Sistem SAP adalah sumber utama data penjualan historis.

Perwakilan dan manajer penjualan memiliki pengetahuan domain dan pemahaman mendalam tentang data penjualan mereka. Namun, mereka kekurangan ilmu data dan keterampilan pemrograman untuk membuat model pembelajaran mesin (ML) yang dapat menghasilkan perkiraan penjualan. Mereka mencari alat yang intuitif dan mudah digunakan untuk membuat model ML tanpa menulis satu baris kode pun.

Untuk membantu organisasi mencapai kelincahan dan efektivitas yang dicari oleh analis bisnis, kami diperkenalkan Kanvas Amazon SageMaker, solusi ML tanpa kode yang membantu Anda mempercepat pengiriman solusi ML hingga berjam-jam atau berhari-hari. Canvas memungkinkan analis untuk dengan mudah menggunakan data yang tersedia di data lake, gudang data, dan penyimpanan data operasional; membangun model ML; dan menggunakannya untuk membuat prediksi secara interaktif dan untuk penilaian batch pada kumpulan data massal—semuanya tanpa menulis satu baris kode pun.

Dalam posting ini, kami menunjukkan cara membawa data pesanan penjualan dari SAP ECC untuk menghasilkan perkiraan penjualan menggunakan model ML yang dibangun menggunakan Canvas.

Ikhtisar solusi

Untuk menghasilkan perkiraan penjualan menggunakan data penjualan SAP, kita memerlukan kolaborasi dua persona: insinyur data dan analis bisnis (perwakilan penjualan dan manajer). Insinyur data bertanggung jawab untuk mengonfigurasi ekspor data dari sistem SAP ke Layanan Penyimpanan Sederhana Amazon (Amazon S3) menggunakan Alur Aplikasi Amazon, yang kemudian dapat dijalankan oleh analis bisnis sesuai permintaan atau otomatis (berbasis jadwal) untuk menyegarkan data SAP di bucket S3. Analis bisnis kemudian bertanggung jawab untuk menghasilkan perkiraan dengan data yang diekspor menggunakan Canvas. Diagram berikut menggambarkan alur kerja ini.

Untuk posting ini, kami menggunakan SAP Model Pengadaan Perusahaan NetWeaver (EPM) untuk sampel data. EPM umumnya digunakan untuk tujuan demonstrasi dan pengujian di SAP. Ini menggunakan model proses bisnis umum dan mengikuti paradigma objek bisnis (BO) untuk mendukung logika bisnis yang terdefinisi dengan baik. Kami menggunakan transaksi SAP SEPM_DG (penghasil data) untuk menghasilkan sekitar 80,000 pesanan penjualan historis dan membuat tampilan CDS HANA untuk menggabungkan data berdasarkan ID produk, tanggal penjualan, dan kota, seperti yang ditunjukkan pada kode berikut:

@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

Di bagian berikutnya, kami memaparkan tampilan ini menggunakan layanan SAP OData sebagai struktur ABAP, yang memungkinkan kami mengekstrak data dengan Amazon AppFlow.

Tabel berikut menunjukkan data penjualan historis representatif dari SAP, yang kami gunakan dalam posting ini.

File data adalah data historis frekuensi harian. Ini memiliki empat kolom (productid, saledate, city, dan totalsales). Kami menggunakan Canvas untuk membangun model ML yang digunakan untuk meramalkan totalsales untuk productid di kota tertentu.

Posting ini telah diatur untuk menunjukkan aktivitas dan tanggung jawab baik untuk insinyur data maupun analis bisnis untuk menghasilkan perkiraan penjualan produk.

Insinyur data: Ekstrak, ubah, dan muat kumpulan data dari SAP ke Amazon S3 dengan Amazon AppFlow

Tugas pertama yang Anda lakukan sebagai insinyur data adalah menjalankan pekerjaan ekstrak, transformasi, dan muat (ETL) pada data penjualan historis dari SAP ECC ke bucket S3, yang digunakan analis bisnis sebagai kumpulan data sumber untuk model perkiraan mereka. Untuk ini, kami menggunakan Amazon AppFlow, karena menyediakan fitur yang out-of-the-box Konektor SAP OData untuk ETL (seperti yang ditunjukkan dalam diagram berikut), dengan UI sederhana untuk mengatur semua yang diperlukan untuk mengonfigurasi koneksi dari SAP ECC ke bucket S3.

Prasyarat

Berikut ini adalah persyaratan untuk mengintegrasikan Amazon AppFlow dengan SAP:

• SAP NetWeaver Stack versi 7.40 SP02 atau lebih tinggi
• Layanan katalog (OData v2.0/v2.0) diaktifkan di SAP Gateway untuk penemuan layanan
• Dukungan untuk paginasi sisi klien dan opsi kueri untuk Layanan SAP OData
• Koneksi yang diaktifkan HTTPS ke SAP

Otentikasi

Amazon AppFlow mendukung dua mekanisme otentikasi untuk terhubung ke SAP:

• Dasar – Otentikasi menggunakan nama pengguna dan kata sandi SAP OData.
• OAuth 2.0 – Menggunakan konfigurasi OAuth 2.0 dengan penyedia identitas. OAuth 2.0 harus diaktifkan untuk layanan OData v2.0/v2.0.

Koneksi

Amazon AppFlow dapat terhubung ke SAP ECC menggunakan antarmuka SAP OData publik atau koneksi pribadi. Koneksi pribadi meningkatkan privasi dan keamanan data dengan mentransfer data melalui jaringan AWS pribadi alih-alih internet publik. Koneksi pribadi menggunakan layanan titik akhir VPC untuk instans SAP OData yang berjalan di VPC. Layanan titik akhir VPC harus memiliki prinsip layanan Amazon AppFlow appflow.amazonaws.com sebagai prinsipal yang diizinkan dan harus tersedia di setidaknya lebih dari 50% Availability Zone di Wilayah AWS.

Siapkan alur di Amazon AppFlow

Kami mengonfigurasi aliran baru di Amazon AppFlow untuk menjalankan tugas ETL pada data dari SAP ke bucket S3. Alur ini memungkinkan konfigurasi SAP OData Connector sebagai sumber, bucket S3 sebagai tujuan, pemilihan objek OData, pemetaan data, validasi data, dan pemfilteran data.

1. Konfigurasi SAP OData Connector sebagai sumber data dengan memberikan informasi berikut:
   1. URL host aplikasi
   2. Jalur layanan aplikasi (jalur katalog)
   3. Nomor porta
   4. Nomor klien
   5. Bahasa masuk
   6. Jenis koneksi (tautan pribadi atau publik)
   7. Mode Autentikasi
   8. Nama koneksi untuk konfigurasi
      
2. Setelah Anda mengonfigurasi sumber, pilih objek dan subobjek OData untuk pesanan penjualan.
   Umumnya, data penjualan dari SAP diekspor pada frekuensi tertentu, seperti bulanan atau triwulanan untuk ukuran penuh. Untuk posting ini, pilih opsi subobjek untuk ekspor ukuran penuh.
   
3. Pilih ember S3 sebagai tujuan.
   Alur mengekspor data ke bucket ini.
   
4. Untuk Preferensi format data, pilih Format CSV.
5. Untuk Preferensi transfer data, pilih Gabungkan semua catatan.
6. Untuk Preferensi nama file, pilih Tambahkan stempel waktu ke nama file.
7. Untuk Preferensi struktur folder, pilih Tidak ada folder stempel waktu.
   Konfigurasi agregasi rekaman mengekspor data penjualan ukuran penuh dari SAP yang digabungkan dalam satu file. Nama file diakhiri dengan stempel waktu dalam format YYYY-MM-DDTHH:mm:dd dalam satu folder (nama aliran) dalam bucket S3. Canvas mengimpor data dari file tunggal ini untuk pelatihan dan perkiraan model.
   
8. Konfigurasikan pemetaan dan validasi data untuk memetakan bidang data sumber ke bidang data tujuan, dan aktifkan aturan validasi data sesuai kebutuhan.
   
9. Anda juga mengonfigurasi kondisi pemfilteran data untuk memfilter catatan tertentu jika kebutuhan Anda menuntut.
   
10. Konfigurasikan pemicu aliran Anda untuk memutuskan apakah aliran berjalan secara manual sesuai permintaan atau otomatis berdasarkan jadwal.
    Ketika dikonfigurasi untuk jadwal, frekuensi didasarkan pada seberapa sering perkiraan perlu dibuat (umumnya bulanan, triwulanan, atau setengah tahunan).
    Setelah alur dikonfigurasi, analis bisnis dapat menjalankannya sesuai permintaan atau berdasarkan jadwal untuk melakukan pekerjaan ETL pada data pesanan penjualan dari SAP ke bucket S3.
11. Selain konfigurasi Amazon AppFlow, para insinyur data juga perlu mengonfigurasi Identitas AWS dan Manajemen Akses (IAM) untuk Canvas agar dapat mengakses layanan AWS lainnya. Untuk petunjuk, lihat Berikan izin kepada pengguna Anda untuk melakukan perkiraan deret waktu.

Analis bisnis: Gunakan data penjualan historis untuk melatih model perkiraan

Mari beralih persneling dan beralih ke sisi analis bisnis. Sebagai analis bisnis, kami mencari layanan visual, tunjuk dan klik yang memudahkan pembuatan model ML dan menghasilkan prediksi yang akurat tanpa menulis satu baris kode atau pun memiliki keahlian ML. Canvas memenuhi persyaratan sebagai solusi ML tanpa kode.

Pertama, pastikan peran IAM Anda dikonfigurasi sedemikian rupa sehingga Canvas dapat mengakses layanan AWS lainnya. Untuk informasi lebih lanjut, lihat Berikan izin kepada pengguna Anda untuk melakukan perkiraan deret waktu, atau Anda dapat meminta bantuan kepada tim Cloud Engineering Anda.

Saat teknisi data selesai menyiapkan konfigurasi ETL berbasis Amazon AppFlow, data penjualan historis tersedia untuk Anda di bucket S3.

Anda sekarang siap melatih model dengan Canvas! Ini biasanya melibatkan empat langkah: mengimpor data ke dalam layanan, mengonfigurasi pelatihan model dengan memilih jenis model yang sesuai, melatih model, dan akhirnya menghasilkan prakiraan menggunakan model.

Impor data di Canvas

Pertama, luncurkan aplikasi Canvas dari Amazon SageMaker konsol atau dari akses masuk tunggal Anda. Jika Anda tidak tahu cara melakukannya, hubungi administrator agar mereka dapat memandu Anda melalui proses penyiapan Canvas. Pastikan Anda mengakses layanan di Wilayah yang sama dengan bucket S3 yang berisi kumpulan data historis dari SAP. Anda akan melihat layar seperti berikut.

Kemudian selesaikan langkah-langkah berikut:

1. Di Kanvas, pilih Dataset di panel navigasi.
2. Pilih impor untuk mulai mengimpor data dari bucket S3.
   
3. Pada layar impor, pilih file atau objek data dari bucket S3 untuk mengimpor data pelatihan.
   

Anda dapat mengimpor beberapa set data di Canvas. Ini juga mendukung pembuatan gabungan antara kumpulan data dengan memilih Gabung data, yang sangat berguna saat data pelatihan tersebar di beberapa file.

Konfigurasikan dan latih modelnya

Setelah Anda mengimpor data, selesaikan langkah-langkah berikut:

1. Pilih Model di panel navigasi.
2. Pilih Model baru untuk memulai konfigurasi untuk melatih model perkiraan.
   
3. Untuk model baru, beri nama yang sesuai, seperti product_sales_forecast_model.
4. Pilih set data penjualan dan pilih Pilih set data.
   
   Setelah kumpulan data dipilih, Anda dapat melihat statistik data dan mengonfigurasi pelatihan model pada tab Bangun.
   
5. Pilih total penjualan sebagai kolom target untuk prediksi.
   Anda dapat melihat Perkiraan deret waktu dipilih secara otomatis sebagai tipe model.
6. Pilih Konfigurasi.
   
7. Dalam majalah Konfigurasi perkiraan deret waktu bagian, pilih ID Produk untuk Kolom ID barang.
8. Pilih kota untuk kolom grup.
9. Pilih tanggal penjualan untuk Kolom cap waktu.
10. Untuk Hari, Masuk 120.
11. Pilih Save.
    Ini mengonfigurasi model untuk membuat perkiraan untuk totalsales selama 120 hari menggunakan saledate berdasarkan data historis, yang dapat ditanyakan untuk productid dan city.
    
12. Ketika konfigurasi pelatihan model selesai, pilih Bangunan Standar untuk memulai pelatihan model.

Grafik Pratinjau model opsi tidak tersedia untuk tipe model peramalan deret waktu. Anda dapat meninjau perkiraan waktu untuk pelatihan model di Menganalisa Tab.

Pelatihan model mungkin memerlukan waktu 1-4 jam untuk diselesaikan, tergantung pada ukuran data. Saat model sudah siap, Anda dapat menggunakannya untuk menghasilkan perkiraan.

Buat perkiraan

Ketika pelatihan model selesai, itu menunjukkan akurasi prediksi model pada Menganalisa tab. Misalnya, dalam contoh ini, ini menunjukkan akurasi prediksi sebesar 92.87%.

Prakiraan dihasilkan pada Meramalkan tab. Anda dapat membuat perkiraan untuk semua item atau satu item yang dipilih. Ini juga menunjukkan rentang tanggal perkiraan dapat dibuat.

Sebagai contoh, pilih Item tunggal pilihan. Memilih P-2 untuk Barang dan Quito untuk Kelompok untuk menghasilkan prediksi produk P-2 untuk kota Quito untuk rentang tanggal 2017-08-15 00:00:00 hingga 2017-12-13 00:00:00.

Prakiraan yang dihasilkan menunjukkan prakiraan rata-rata serta batas atas dan bawah prakiraan. Batas perkiraan membantu mengonfigurasi pendekatan agresif atau seimbang untuk penanganan perkiraan.

Anda juga dapat mengunduh perkiraan yang dihasilkan sebagai file atau gambar CSV. File CSV perkiraan yang dihasilkan umumnya digunakan untuk bekerja secara offline dengan data perkiraan.

Prakiraan sekarang dibuat untuk data deret waktu. Saat data dasar baru tersedia untuk perkiraan, Anda dapat mengubah kumpulan data di Canvas untuk melatih kembali model perkiraan menggunakan dasar baru.

Anda dapat melatih ulang model beberapa kali saat dan saat data pelatihan berubah.

Kesimpulan

Dalam posting ini, Anda mempelajari bagaimana Amazon AppFlow SAP OData Connector mengekspor data pesanan penjualan dari sistem SAP ke dalam bucket S3 dan kemudian cara menggunakan Canvas untuk membuat model untuk perkiraan.

Anda dapat menggunakan Canvas untuk skenario data seri waktu SAP, seperti prediksi pengeluaran atau pendapatan. Seluruh proses pembuatan perkiraan didorong oleh konfigurasi. Manajer penjualan dan perwakilan dapat membuat perkiraan penjualan berulang kali per bulan atau per kuartal dengan kumpulan data yang diperbarui dengan cara yang cepat, lugas, dan intuitif tanpa menulis satu baris kode pun. Ini membantu meningkatkan produktivitas dan memungkinkan perencanaan dan keputusan yang cepat.

Untuk memulai, pelajari lebih lanjut tentang Canvas dan Amazon AppFlow menggunakan sumber daya berikut:

• Panduan Pengembang Kanvas Amazon SageMaker
• Mengumumkan Amazon SageMaker Canvas – Kemampuan Machine Learning Visual, Tanpa Kode untuk Analis Bisnis
• Ekstrak data dari SAP ERP dan BW dengan Amazon AppFlow
• Konfigurasi SAP OData Connector

Tentang Penulis

Brajendra Singh adalah arsitek solusi di Amazon Web Services yang bekerja dengan pelanggan perusahaan. Dia memiliki latar belakang pengembang yang kuat dan sangat antusias dengan solusi data dan pembelajaran mesin.

Davide Gallitelli adalah Arsitek Solusi Spesialis untuk AI/ML di wilayah EMEA. Dia berbasis di Brussel dan bekerja sama dengan pelanggan di seluruh Benelux. Dia telah menjadi pengembang sejak dia masih sangat muda, mulai membuat kode pada usia 7 tahun. Dia mulai belajar AI/ML di universitas, dan telah jatuh cinta padanya sejak saat itu.

• Coinsmart. Pertukaran Bitcoin dan Crypto Terbaik Eropa.
• Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. AKSES GRATIS.
• CryptoHawk. Radar Altcoin. Uji Coba Gratis.
• Sumber: https://aws.amazon.com/blogs/machine-learning/extract-insights-from-sap-erp-with-no-code-ml-solutions-with-amazon-appflow-and-amazon-sagemaker- kanvas/