消費財、製造業、小売業などの業界の顧客は、データから生成された洞察と分析で顧客を強化することにより、運用プロセスを強化する方法を常に模索しています。 売上予測などのタスクは、原材料の計画、調達、製造、流通、インバウンド/アウトバウンドのロジスティクスなどの業務に直接影響し、単一の倉庫から大規模な生産施設に至るまで、さまざまなレベルの影響を与える可能性があります。
営業担当者とマネージャーは、過去の販売データを使用して、将来の販売傾向について情報に基づいた予測を行います。 得意先は、SAP ERPセントラルコンポーネント(ECC)を使用して、商品の製造、販売、および流通の計画を管理します。 SAP ECC内の販売管理(SD)モジュールは、販売注文の管理に役立ちます。 SAPシステムは、過去の販売データの主要なソースです。
営業担当者とマネージャーは、ドメインの知識と営業データの深い理解を持っています。 ただし、売上予測を生成できる機械学習(ML)モデルを作成するためのデータサイエンスとプログラミングのスキルが不足しています。 彼らは、コードをXNUMX行も記述せずに、直感的で使いやすいツールを使用してMLモデルを作成します。
組織がビジネスアナリストが求める敏捷性と有効性を達成できるように、 導入 Amazon SageMaker キャンバス、MLソリューションの配信を数時間または数日に短縮するのに役立つノーコードMLソリューション。 Canvasを使用すると、アナリストはデータレイク、データウェアハウス、および運用データストアで利用可能なデータを簡単に使用できます。 MLモデルを構築します。 そして、それらを使用して、インタラクティブに予測を行い、バルクデータセットのバッチスコアリングを行います。すべて、コードをXNUMX行も記述しません。
この投稿では、SAP ECCから販売注文データを取得し、Canvasを使用して構築されたMLモデルを使用して販売予測を生成する方法を示します。
ソリューションの概要
SAPの販売データを使用して販売予測を生成するには、データエンジニアとビジネスアナリスト(営業担当者とマネージャー)のXNUMX人のペルソナのコラボレーションが必要です。 データエンジニアは、SAPシステムからへのデータエクスポートを構成する責任があります。 Amazon シンプル ストレージ サービス (Amazon S3)を使用して アマゾンアプリフロー、ビジネスアナリストは、オンデマンドまたは自動(スケジュールベース)で実行して、S3バケット内のSAPデータを更新できます。 次に、ビジネスアナリストは、Canvasを使用してエクスポートされたデータで予測を生成する責任があります。 次の図は、このワークフローを示しています。
この投稿では、SAPを使用します NetWeaverエンタープライズ調達モデル (EPM)サンプルデータ用。 EPMは通常、SAPでのデモンストレーションとテストの目的で使用されます。 これは、一般的なビジネスプロセスモデルを使用し、ビジネスオブジェクト(BO)パラダイムに従って、明確に定義されたビジネスロジックをサポートします。 次のコードに示すように、SAPトランザクションSEPM_DG(データジェネレーター)を使用して約80,000の過去の販売注文を生成し、HANA CDSビューを作成して、製品ID、販売日、都市ごとにデータを集約しました。
次のセクションでは、SAP ODataサービスをABAP構造として使用してこのビューを公開します。これにより、AmazonAppFlowでデータを抽出することができます。
次の表は、この投稿で使用するSAPの代表的な過去の販売データを示しています。
製品番号 | セール日 | シティ | トータルセールス |
P-4 | 2013-01-02 00:00:00 | キト | 1922.00 |
P-5 | 2013-01-02 00:00:00 | サント・ドミンゴ | 1903.00 |
データファイルは、毎日の頻度履歴データです。 XNUMXつの列があります(productid
, saledate
, city
, totalsales
)。 Canvasを使用して、予測に使用されるMLモデルを構築します totalsales
for productid
特定の都市で。
この投稿は、データエンジニアとビジネスアナリストの両方が製品の売上予測を作成するための活動と責任を示すために構成されています。
データエンジニア:Amazon AppFlowを使用して、SAPからAmazon S3にデータセットを抽出、変換、ロードします
データエンジニアとして実行する最初のタスクは、SAP ECCからS3バケットへの過去の販売データに対して抽出、変換、および読み込み(ETL)ジョブを実行することです。これは、ビジネスアナリストが予測モデルのソースデータセットとして使用します。 このために、Amazon AppFlowを使用します。これは、すぐに使用できるものを提供するためです。 SAPODataコネクタ ETLの場合(次の図に示すように)、SAPECCからS3バケットへの接続を構成するために必要なすべてをセットアップするためのシンプルなUIを備えています。
前提条件
以下は、AmazonAppFlowをSAPと統合するための要件です。
- SAPNetWeaverStackバージョン7.40SP02以降
- SAPゲートウェイでサービス検出のために有効にされたカタログサービス(OData v2.0 / v2.0)
- SAPODataServiceのクライアント側のページ付けとクエリオプションのサポート
- SAPへのHTTPS対応接続
認証
Amazon AppFlowは、SAPに接続するためのXNUMXつの認証メカニズムをサポートしています。
- Basic –SAPODataのユーザー名とパスワードを使用して認証します。
- OAuth 2.0 –IDプロバイダーでOAuth2.0構成を使用します。 OAuth 2.0は、OData v2.0/v2.0サービスに対して有効にする必要があります。
接続
Amazon AppFlowは、パブリックSAPODataインターフェースまたはプライベート接続を使用してSAPECCに接続できます。 プライベート接続は、パブリックインターネットではなくプライベートAWSネットワークを介してデータを転送することにより、データのプライバシーとセキュリティを向上させます。 プライベート接続は、VPCで実行されているSAPODataインスタンスのVPCエンドポイントサービスを使用します。 VPCエンドポイントサービスには、AmazonAppFlowサービスプリンシパルが必要です appflow.amazonaws.com
許可されたプリンシパルとして、AWSリージョンのアベイラビリティーゾーンの少なくとも50%以上で利用可能である必要があります。
AmazonAppFlowでフローを設定します
SAPからS3バケットへのデータに対してETLジョブを実行するように、AmazonAppFlowで新しいフローを設定します。 このフローにより、SAP ODataコネクタをソースとして、S3バケットを宛先として、ODataオブジェクトの選択、データマッピング、データ検証、およびデータフィルタリングを設定できます。
- 次の情報を提供して、SAPODataコネクタをデータソースとして設定します。
- ソースを設定した後、販売注文のODataオブジェクトとサブオブジェクトを選択します。
通常、SAPからの販売データは、フルサイズの場合は月次または四半期ごとなど、特定の頻度でエクスポートされます。 この投稿では、フルサイズのエクスポートのサブオブジェクトオプションを選択します。
- 宛先としてS3バケットを選択します。
フローはデータをこのバケットにエクスポートします。
- データ形式の設定選択 CSV形式.
- データ転送設定選択 すべてのレコードを集約します.
- ファイル名の設定選択 ファイル名にタイムスタンプを追加します.
- フォルダ構造の設定選択 タイムスタンプ付きのフォルダはありません.
レコード集約構成は、SAPからのフルサイズの販売データを3つのファイルにまとめてエクスポートします。 ファイル名は、SXNUMXバケット内の単一のフォルダー(フロー名)のYYYY-MM-DDTHH:mm:ss形式のタイムスタンプで終わります。 Canvasは、モデルのトレーニングと予測のために、この単一のファイルからデータをインポートします。
- ソースデータフィールドを宛先データフィールドにマップするようにデータマッピングと検証を構成し、必要に応じてデータ検証ルールを有効にします。
- また、要件に応じて特定のレコードを除外するようにデータフィルタリング条件を構成します。
- フロートリガーを構成して、フローをオンデマンドで手動で実行するか、スケジュールに基づいて自動で実行するかを決定します。
スケジュール用に構成されている場合、頻度は、予測を生成する必要がある頻度に基づいています(通常、月次、四半期、または半年ごと)。
フローが構成された後、ビジネスアナリストは、オンデマンドで、またはスケジュールに基づいてフローを実行し、SAPからS3バケットへの販売注文データに対してETLジョブを実行できます。 - Amazon AppFlow構成に加えて、データエンジニアは次の構成も行う必要があります。 AWS IDおよびアクセス管理 他のAWSサービスにアクセスできるようにするためのCanvasの(IAM)ロール。 手順については、を参照してください。 時系列予測を実行する権限をユーザーに付与します.
ビジネスアナリスト:過去の販売データを使用して予測モデルをトレーニングします
ギアを切り替えて、ビジネスアナリスト側に移りましょう。 ビジネスアナリストとして、コードをXNUMX行も記述したり、MLの専門知識を持たなくても、MLモデルを簡単に構築し、正確な予測を生成できる、視覚的なポイントアンドクリックサービスを探しています。 Canvasは、ノーコードMLソリューションとしての要件に適合します。
まず、Canvasが他のAWSサービスにアクセスできるようにIAMロールが設定されていることを確認します。 詳細については、を参照してください。 時系列予測を実行する権限をユーザーに付与します、またはクラウドエンジニアリングチームに支援を求めることができます。
データエンジニアがAmazonAppFlowベースのETL構成のセットアップを完了すると、S3バケットで過去の販売データを利用できるようになります。
これで、Canvasを使用してモデルをトレーニングする準備が整いました。 これには通常、XNUMXつのステップが含まれます。サービスへのデータのインポート、適切なモデルタイプの選択によるモデルトレーニングの構成、モデルのトレーニング、そして最後にモデルを使用した予測の生成です。
Canvasにデータをインポートする
まず、Canvasアプリをから起動します アマゾンセージメーカー コンソールまたはシングルサインオンアクセスから。 その方法がわからない場合は、管理者に連絡して、Canvasの設定プロセスをガイドしてもらいます。 SAPからの履歴データセットを含むS3バケットと同じリージョンのサービスにアクセスしていることを確認してください。 次のような画面が表示されます。
次に、次の手順を実行します。
- Canvasで、 データセット ナビゲーションペインに表示されます。
- 選択する インポート S3バケットからのデータのインポートを開始します。
- インポート画面で、S3バケットからデータファイルまたはオブジェクトを選択して、トレーニングデータをインポートします。
Canvasに複数のデータセットをインポートできます。 また、を選択してデータセット間の結合を作成することもサポートしています データに参加する、これは、トレーニングデータが複数のファイルに分散している場合に特に役立ちます。
モデルの構成とトレーニング
データをインポートしたら、次の手順を実行します。
- 選択する Models ナビゲーションペインに表示されます。
- 選択する 新型 予測モデルをトレーニングするための構成を開始します。
- 新しいモデルの場合は、次のような適切な名前を付けます
product_sales_forecast_model
. - 販売データセットを選択し、 データセットを選択.
データセットを選択すると、[ビルド]タブでデータ統計を確認し、モデルトレーニングを構成できます。
- 選択 トータルセールス 予測のターゲット列として。
あなたが見ることができます 時系列予測 モデルタイプとして自動的に選択されます。 - 選択する 構成.
- 時系列予測構成 セクションでは、選択 製品番号 for アイテムID列.
- 選択する シティ for グループ列.
- 選択する セール日 for タイムスタンプ列.
- 日、 入る
120
. - 選択する Save.
これにより、次の予測を行うようにモデルが構成されますtotalsales
120日間使用saledate
照会できる履歴データに基づくproductid
&city
.
- モデルトレーニングの構成が完了したら、次を選択します。 標準ビルド モデルトレーニングを開始します。
プレビューモデル このオプションは、時系列予測モデルタイプでは使用できません。 モデルトレーニングの推定時間は、 解析 タブには何も表示されないことに注意してください。
データサイズによっては、モデルのトレーニングが完了するまでに1〜4時間かかる場合があります。 モデルの準備ができたら、それを使用して予測を生成できます。
予測を生成する
モデルのトレーニングが完了すると、モデルの予測精度が 解析 タブ。 たとえば、この例では、予測精度は92.87%です。
予測はで生成されます 予測する タブ。 すべてのアイテムまたは選択した単一のアイテムの予測を生成できます。 また、予測を生成できる日付範囲も表示されます。
例として、 単品 オプション。 選択 P-2 for アイテム価格 & キト for グループ 2-2017-08:15:00から00-00-2017:12:13までの日付範囲の都市キトの製品P-00の予測を生成します。
生成された予測には、平均予測と、予測の上限と下限が表示されます。 予測範囲は、予測処理のための積極的またはバランスの取れたアプローチを構成するのに役立ちます。
生成された予測をCSVファイルまたは画像としてダウンロードすることもできます。 生成された予測CSVファイルは、通常、予測データをオフラインで操作するために使用されます。
これで、時系列データの予測が生成されます。 データの新しいベースラインが予測に使用できるようになったら、Canvasのデータセットを変更して、新しいベースラインを使用して予測モデルを再トレーニングできます。
トレーニングデータが変更されたときに、モデルを複数回再トレーニングできます。
まとめ
この投稿では、Amazon AppFlow SAP OData Connectorが販売注文データをSAPシステムからS3バケットにエクスポートする方法と、Canvasを使用して予測用のモデルを構築する方法を学びました。
Canvasは、経費や収益の予測など、SAPの時系列データシナリオに使用できます。 予測生成プロセス全体は、構成主導型です。 営業マネージャーと担当者は、コードをXNUMX行も記述せずに、更新されたデータセットを使用して、月ごとまたは四半期ごとに繰り返し、迅速、簡単、直感的な方法で売上予測を生成できます。 これにより、生産性が向上し、迅速な計画と意思決定が可能になります。
開始するには、次のリソースを使用してCanvasとAmazonAppFlowの詳細を確認してください。
- AmazonSageMakerCanvas開発者ガイド
- Amazon SageMaker Canvasの発表–ビジネスアナリスト向けの視覚的でノーコードの機械学習機能
- AmazonAppFlowを使用してSAPERPおよびBWからデータを抽出する
- SAPODataコネクタの構成
著者について
ブラジェンドラシン アマゾンウェブサービスのソリューションアーキテクトであり、企業のお客様と協力しています。 彼は強力な開発者のバックグラウンドを持ち、データと機械学習ソリューションに熱心です。
ダビデガリテッリ は、EMEA地域のAI/MLのスペシャリストソリューションアーキテクトです。 彼はブリュッセルを拠点とし、ベネルクス全体の顧客と緊密に協力しています。 彼は幼い頃から開発者であり、7歳でコーディングを始めました。大学でAI / MLを学び始め、それ以来、AI/MLに夢中になっています。
- '
- "
- 000
- 100
- 7
- a
- 私たちについて
- 加速する
- アクセス
- 正確な
- 達成する
- 越えて
- 活動
- 添加
- 影響を及ぼす
- すべて
- ことができます
- 常に
- Amazon
- Amazon Webサービス
- アナリスト
- 分析論
- アプリ
- アプローチ
- 適切な
- 周りに
- 認証する
- 認証
- 自動的に
- 賃貸条件の詳細・契約費用のお見積り等について
- 利用できます
- 平均
- AWS
- 背景
- ベースライン
- なぜなら
- の間に
- 国境
- 持って来る
- ブリュッセル
- ビルド
- ビジネス
- キャンバス
- 中央の
- 一定
- 変化する
- 選択する
- 市町村
- クラウド
- コード
- 環境、テクノロジーを推奨
- コラム
- 組み合わせた
- コマンドと
- コンプリート
- コンポーネント
- 条件
- お問合せ
- 接続
- 領事
- consumer
- 接触
- 作ります
- 作成した
- 作成
- Customers
- daily
- データ
- データプライバシー
- データのプライバシーとセキュリティ
- データサイエンス
- 決定
- 配達
- 需要
- 需要
- によっては
- デスティネーション
- Developer
- 直接に
- ディストリビューション
- ドメイン
- ダウン
- ダウンロード
- ドリブン
- 簡単に
- 有効
- エンパワー
- enable
- 可能
- エンドポイント
- 終了
- エンジニア
- エンジニアリング
- エンジニア
- 入力します
- Enterprise
- 推定
- すべてのもの
- 例
- 専門知識
- スピーディー
- フィールズ
- フィルタリング
- 最後に
- 名
- フロー
- フォロー中
- 次
- 形式でアーカイブしたプロジェクトを保存します.
- から
- フル
- 未来
- ゲートウェイ
- 一般に
- 生成する
- 生成
- 世代
- ジェネレータ
- 商品
- グループ
- ガイド
- ハンドリング
- 持って
- 高さ
- 助けます
- ことができます
- 歴史的
- 認定条件
- How To
- しかしながら
- HTTPS
- アイデンティティ
- 画像
- 影響
- インポート
- 改善します
- 産業
- 情報
- 情報に基づく
- 洞察
- 統合する
- インタフェース
- インターネット
- 直観的な
- IT
- ジョブ
- join
- ジョイン
- キー
- 知っている
- 知識
- ラベル
- 起動する
- LEARN
- 学んだ
- 学習
- レベル
- LINE
- LINK
- 負荷
- 物流
- 探して
- 愛
- 機械
- 機械学習
- make
- 作る
- 管理します
- マネージャー
- 手動で
- 製造業
- 地図
- マッピング
- 材料
- かもしれない
- ML
- モデル
- 月
- monthly
- 他には?
- の試合に
- ナビゲーション
- ニーズ
- ネットワーク
- オンライン
- 業務執行統括
- オプション
- オプション
- 注文
- 受注
- 組織
- 整理
- その他
- パラダイム
- 特定の
- 特に
- パスワード
- 計画
- 予測
- 予測
- プレビュー
- 主要な
- 校長
- プライバシー
- プライバシーとセキュリティ
- プライベート
- プロセス
- ラボレーション
- プロダクト
- 生産
- 生産性
- プログラミング
- プロバイダー
- は、大阪で
- 提供
- 公共
- パブリッシュ
- 目的
- 四半期
- クイック
- 範囲
- Raw
- 記録
- 記録
- 地域
- 代表者
- の提出が必要です
- 要件
- リソース
- 責任
- 責任
- 小売
- 収入
- レビュー
- 職種
- ルール
- ラン
- ランニング
- 塩
- セールス
- 同じ
- 樹液
- 科学
- 得点
- 画面
- セキュリティ
- 選択
- 選択
- シリーズ
- サービス
- サービス
- セッションに
- 設定
- 示す
- 簡単な拡張で
- から
- サイズ
- スキル
- So
- 固体
- 溶液
- ソリューション
- 専門家
- 特定の
- 広がる
- スタック
- start
- 開始
- 統計
- ストレージ利用料
- 店舗
- 強い
- サポート
- サポート
- スイッチ
- システム
- ターゲット
- タスク
- チーム
- テスト
- ソース
- 介して
- 全体
- 時間
- <font style="vertical-align: inherit;">回数</font>
- 豊富なツール群
- トレーニング
- トランザクション
- 転送
- 転送
- 最適化の適用
- トレンド
- 一般的に
- ui
- 理解する
- 大学
- us
- つかいます
- users
- バージョン
- 詳しく見る
- 方法
- ウェブ
- Webサービス
- 明確な
- かどうか
- 以内
- 無し
- 仕事
- ワーキング
- 作品
- 書き込み
- 若い
- あなたの