Kunder i bransjer som forbrukerpakkede varer, produksjon og detaljhandel leter alltid etter måter å styrke sine operasjonelle prosesser ved å berike dem med innsikt og analyser generert fra data. Oppgaver som salgsprognoser påvirker direkte operasjoner som råvareplanlegging, innkjøp, produksjon, distribusjon og inngående/utgående logistikk, og det kan ha mange nivåer av innvirkning, fra ett enkelt lager helt til storskala produksjonsanlegg.
Salgsrepresentanter og ledere bruker historiske salgsdata for å lage informerte spådommer om fremtidige salgstrender. Kunder bruker SAP ERP Central Component (ECC) til å administrere planlegging for produksjon, salg og distribusjon av varer. Salgs- og distribusjonsmodulen (SD) i SAP ECC hjelper deg med å administrere salgsordrer. SAP-systemer er den primære kilden til historiske salgsdata.
Salgsrepresentanter og ledere har domenekunnskapen og dybdeforståelsen av sine salgsdata. Imidlertid mangler de datavitenskap og programmeringsferdigheter for å lage modeller for maskinlæring (ML) som kan generere salgsprognoser. De søker intuitive, brukervennlige verktøy for å lage ML-modeller uten å skrive en eneste linje med kode.
For å hjelpe organisasjoner med å oppnå smidigheten og effektiviteten som forretningsanalytikere søker, har vi introdusert Amazon SageMaker Canvas, en kodefri ML-løsning som hjelper deg med å akselerere levering av ML-løsninger ned til timer eller dager. Canvas gjør det mulig for analytikere å enkelt bruke tilgjengelige data i datainnsjøer, datavarehus og driftsdatalagre; bygge ML-modeller; og bruk dem til å lage spådommer interaktivt og for batch-scoring på bulkdatasett – alt uten å skrive en eneste kodelinje.
I dette innlegget viser vi hvordan du henter salgsordredata fra SAP ECC for å generere salgsprognoser ved hjelp av en ML-modell bygget ved hjelp av Canvas.
Løsningsoversikt
For å generere salgsprognoser ved hjelp av SAP-salgsdata trenger vi samarbeidet mellom to personas: dataingeniører og forretningsanalytikere (salgsrepresentanter og ledere). Dataingeniører er ansvarlige for å konfigurere dataeksporten fra SAP-systemet til Amazon enkel lagringstjeneste (Amazon S3) ved hjelp av Amazon App Flow, som forretningsanalytikere deretter kan kjøre enten på forespørsel eller automatisk (planbasert) for å oppdatere SAP-data i S3-bøtten. Forretningsanalytikere er deretter ansvarlige for å generere prognoser med de eksporterte dataene ved å bruke Canvas. Følgende diagram illustrerer denne arbeidsflyten.
Til dette innlegget bruker vi SAP NetWeaver Enterprise Procurement Model (EPM) for eksempeldataene. EPM brukes vanligvis til demonstrasjons- og testformål i SAP. Den bruker felles forretningsprosessmodell og følger forretningsobjektets (BO) paradigme for å støtte en veldefinert forretningslogikk. Vi brukte SAP-transaksjonen SEPM_DG (datagenerator) til å generere rundt 80,000 XNUMX historiske salgsordrer og opprettet en HANA CDS-visning for å samle dataene etter produkt-ID, salgsdato og by, som vist i følgende kode:
I neste avsnitt avslører vi denne visningen ved å bruke SAP OData-tjenester som ABAP-struktur, som lar oss trekke ut dataene med Amazon AppFlow.
Tabellen nedenfor viser representative historiske salgsdata fra SAP, som vi bruker i dette innlegget.
Produkt ID | salgsdato | by | totale salg |
P-4 | 2013-01-02 00:00:00 | Quito | 1922.00 |
P-5 | 2013-01-02 00:00:00 | Santo Domingo | 1903.00 |
Datafilen er historiske data for daglig frekvens. Den har fire kolonner (productid
, saledate
, city
og totalsales
). Vi bruker Canvas til å bygge en ML-modell som brukes til å forutse totalsales
forum productid
i en bestemt by.
Dette innlegget er organisert for å vise aktivitetene og ansvaret for både dataingeniører og forretningsanalytikere for å generere produktsalgsprognoser.
Dataingeniør: Pakk ut, transformer og last inn datasettet fra SAP til Amazon S3 med Amazon AppFlow
Den første oppgaven du utfører som dataingeniør er å kjøre en ekstraksjon, transformasjon og lasting (ETL)-jobb på historiske salgsdata fra SAP ECC til en S3-bøtte, som forretningsanalytikeren bruker som kildedatasettet for sin prognosemodell. Til dette bruker vi Amazon AppFlow, fordi det gir en rett ut av esken SAP OData-kobling for ETL (som vist i følgende diagram), med et enkelt brukergrensesnitt for å sette opp alt som trengs for å konfigurere tilkoblingen fra SAP ECC til S3-bøtten.
Forutsetninger
Følgende er krav for å integrere Amazon AppFlow med SAP:
- SAP NetWeaver Stack versjon 7.40 SP02 eller nyere
- Katalogtjeneste (OData v2.0/v2.0) aktivert i SAP Gateway for tjenesteoppdagelse
- Støtte for paginering og spørringsalternativer på klientsiden for SAP OData Service
- HTTPS-aktivert tilkobling til SAP
Autentisering
Amazon AppFlow støtter to autentiseringsmekanismer for å koble til SAP:
- grunn~~POS=TRUNC – Autentiserer med SAP OData brukernavn og passord.
- OAuth 2.0 – Bruker OAuth 2.0-konfigurasjon med en identitetsleverandør. OAuth 2.0 må være aktivert for OData v2.0/v2.0-tjenester.
Tilkobling
Amazon AppFlow kan koble til SAP ECC ved å bruke et offentlig SAP OData-grensesnitt eller en privat tilkobling. En privat tilkobling forbedrer datavern og sikkerhet ved å overføre data gjennom det private AWS-nettverket i stedet for det offentlige internett. En privat tilkobling bruker VPC-endepunkttjenesten for SAP OData-forekomsten som kjører i en VPC. VPC-endepunkttjenesten må ha Amazon AppFlow-tjenesteprinsippet appflow.amazonaws.com
som tillatt oppdragsgiver og må være tilgjengelig i minst mer enn 50 % av tilgjengelighetssonene i en AWS-region.
Sett opp en flyt i Amazon AppFlow
Vi konfigurerer en ny flyt i Amazon AppFlow for å kjøre en ETL-jobb på data fra SAP til en S3-bøtte. Denne flyten tillater konfigurasjon av SAP OData Connector som kilde, S3-bøtte som destinasjon, OData-objektvalg, datatilordning, datavalidering og datafiltrering.
- Konfigurer SAP OData Connector som en datakilde ved å oppgi følgende informasjon:
- Etter at du har konfigurert kilden, velger du OData-objektet og underobjektet for salgsordrene.
Generelt eksporteres salgsdata fra SAP med en viss frekvens, for eksempel månedlig eller kvartalsvis for full størrelse. For dette innlegget, velg alternativet underobjekt for eksport i full størrelse.
- Velg S3-bøtten som destinasjon.
Flyten eksporterer data til denne samlingen.
- Til Foretrukket dataformat, plukke ut CSV-format.
- Til Preferanse for dataoverføring, plukke ut Samle alle poster.
- Til Filnavnpreferanse, plukke ut Legg til et tidsstempel til filnavnet.
- Til Foretrukket mappestruktur, plukke ut Ingen tidsstemplet mappe.
Postaggregeringskonfigurasjonen eksporterer salgsdata i full størrelse fra SAP kombinert i en enkelt fil. Filnavnet slutter med et tidsstempel i formatet ÅÅÅÅ-MM-DDTHH:mm:ss i en enkelt mappe (flytnavn) i S3-bøtten. Canvas importerer data fra denne enkeltfilen for modelltrening og prognoser.
- Konfigurer datatilordning og valideringer for å tilordne kildedatafeltene til destinasjonsdatafeltene, og aktiver regler for datavalidering etter behov.
- Du konfigurerer også datafiltreringsbetingelser for å filtrere ut spesifikke poster hvis kravet ditt krever det.
- Konfigurer flytutløseren for å bestemme om flyten kjøres manuelt på forespørsel eller automatisk basert på en tidsplan.
Når den er konfigurert for en tidsplan, er frekvensen basert på hvor ofte prognosen må genereres (vanligvis månedlig, kvartalsvis eller halvårlig).
Etter at flyten er konfigurert, kan forretningsanalytikerne kjøre den på forespørsel eller basert på tidsplanen for å utføre en ETL-jobb på salgsordredata fra SAP til en S3-bøtte. - I tillegg til Amazon AppFlow-konfigurasjonen, må dataingeniørene også konfigurere en AWS identitets- og tilgangsadministrasjon (IAM) rolle for Canvas slik at den kan få tilgang til andre AWS-tjenester. For instruksjoner, se Gi brukerne dine tillatelse til å utføre tidsserieprognoser.
Forretningsanalytiker: Bruk de historiske salgsdataene til å trene en prognosemodell
La oss bytte gir og gå over til forretningsanalytikersiden. Som forretningsanalytiker ser vi etter en visuell pek-og-klikk-tjeneste som gjør det enkelt å bygge ML-modeller og generere nøyaktige spådommer uten å skrive en eneste kodelinje eller ha ML-ekspertise. Canvas passer til kravet som no-code ML-løsning.
Først må du sørge for at IAM-rollen din er konfigurert på en slik måte at Canvas kan få tilgang til andre AWS-tjenester. For mer informasjon, se Gi brukerne dine tillatelse til å utføre tidsserieprognoser, eller du kan be om hjelp til Cloud Engineering-teamet ditt.
Når dataingeniøren er ferdig med å sette opp den Amazon AppFlow-baserte ETL-konfigurasjonen, er de historiske salgsdataene tilgjengelige for deg i en S3-bøtte.
Du er nå klar til å trene en modell med Canvas! Dette innebærer vanligvis fire trinn: importere data til tjenesten, konfigurere modellopplæringen ved å velge riktig modelltype, trene modellen og til slutt generere prognoser ved hjelp av modellen.
Importer data i Canvas
Start først Canvas-appen fra Amazon SageMaker konsollen eller fra din enkeltpåloggingstilgang. Hvis du ikke vet hvordan du gjør det, kontakt administratoren din slik at de kan veilede deg gjennom prosessen med å sette opp Canvas. Sørg for at du får tilgang til tjenesten i samme region som S3-bøtten som inneholder det historiske datasettet fra SAP. Du bør se en skjerm som følgende.
Fullfør deretter følgende trinn:
- Velg i Canvas datasett i navigasjonsruten.
- Velg Import for å begynne å importere data fra S3-bøtten.
- På importskjermen velger du datafilen eller objektet fra S3-bøtten for å importere treningsdataene.
Du kan importere flere datasett i Canvas. Den støtter også å lage sammenføyninger mellom datasettene ved å velge Bli med data, som er spesielt nyttig når treningsdataene er spredt over flere filer.
Konfigurer og tren modellen
Når du har importert dataene, fullfør følgende trinn:
- Velg Modeller i navigasjonsruten.
- Velg Ny modell for å starte konfigurasjonen for opplæring av prognosemodellen.
- For den nye modellen, gi den et passende navn, som f.eks
product_sales_forecast_model
. - Velg salgsdatasettet og velg Velg datasett.
Etter at datasettet er valgt, kan du se datastatistikk og konfigurere modellopplæringen på Bygg-fanen.
- Plukke ut totale salg som målkolonnen for prediksjonen.
Du kan se Tidsserieprognoser velges automatisk som modelltype. - Velg Konfigurer.
- på Tidsserieprognosekonfigurasjon delen velger Produkt ID forum Vare-ID-kolonnen.
- Velg by forum Gruppekolonne.
- Velg salgsdato forum Tidsstempelkolonne.
- Til Dager, Tast inn
120
. - Velg Spar.
Dette konfigurerer modellen for å lage prognoser fortotalsales
i 120 dager ved bruksaledate
basert på historiske data, som kan spørres etterproductid
ogcity
.
- Når modelltreningskonfigurasjonen er fullført, velg Standardbygg for å starte modellopplæringen.
De Forhåndsvisningsmodell alternativet er ikke tilgjengelig for modelltypen for tidsserieprognoser. Du kan se på den estimerte tiden for modellopplæringen på Analyser fanen.
Modellopplæring kan ta 1–4 timer å fullføre, avhengig av datastørrelsen. Når modellen er klar, kan du bruke den til å generere prognosen.
Generer en prognose
Når modellopplæringen er fullført, viser den prediksjonsnøyaktigheten til modellen på Analyser fanen. I dette eksemplet viser den for eksempel prediksjonsnøyaktighet som 92.87 %.
Varselet genereres på forutsi fanen. Du kan generere prognoser for alle varene eller en enkelt valgt vare. Den viser også datoperioden som prognosen kan genereres for.
Som et eksempel, velg Enkel vare alternativ. Plukke ut P-2 forum Sak og Quito forum Gruppe for å generere en prediksjon for produkt P-2 for byen Quito for datoperioden 2017-08-15 00:00:00 til 2017-12-13 00:00:00.
Den genererte prognosen viser gjennomsnittsprognosen samt øvre og nedre grense for prognosen. Prognosegrensene hjelper til med å konfigurere en aggressiv eller balansert tilnærming for prognosehåndteringen.
Du kan også laste ned den genererte prognosen som en CSV-fil eller et bilde. Den genererte prognose-CSV-filen brukes vanligvis til å arbeide offline med prognosedataene.
Prognosen er nå generert for tidsseriedata. Når en ny grunnlinje med data blir tilgjengelig for prognosen, kan du endre datasettet i Canvas for å omskolere prognosemodellen ved å bruke den nye grunnlinjen.
Du kan trene modellen på nytt flere ganger etter hvert som og når treningsdataene endres.
konklusjonen
I dette innlegget lærte du hvordan Amazon AppFlow SAP OData Connector eksporterer salgsordredata fra SAP-systemet til en S3-bøtte og deretter hvordan du bruker Canvas til å bygge en modell for prognoser.
Du kan bruke Canvas for alle SAP-tidsseriedatascenarier, for eksempel kostnads- eller inntektsprediksjon. Hele prognosegenereringsprosessen er konfigurasjonsdrevet. Salgsledere og representanter kan generere salgsprognoser gjentatte ganger per måned eller per kvartal med et oppdatert sett med data på en rask, grei og intuitiv måte uten å skrive en eneste linje med kode. Dette bidrar til å forbedre produktiviteten og muliggjør rask planlegging og beslutninger.
For å komme i gang, lær mer om Canvas og Amazon AppFlow ved å bruke følgende ressurser:
- Amazon SageMaker Canvas utviklerveiledning
- Kunngjøring av Amazon SageMaker Canvas – en visuell maskinlæringsevne uten kode for forretningsanalytikere
- Trekk ut data fra SAP ERP og BW med Amazon AppFlow
- SAP OData Connector-konfigurasjon
Om forfatterne
Brajendra Singh er løsningsarkitekt i Amazon Web Services som jobber med bedriftskunder. Han har sterk utviklerbakgrunn og er en ivrig entusiast for data- og maskinlæringsløsninger.
Davide Gallitelli er en spesialistløsningsarkitekt for AI/ML i EMEA-regionen. Han er basert i Brussel og jobber tett med kunder i hele Benelux. Han har vært utvikler siden han var veldig ung, og begynte å kode i en alder av 7. Han begynte å lære AI/ML på universitetet, og har forelsket seg i det siden den gang.
- Myntsmart. Europas beste Bitcoin og Crypto Exchange.
- Platoblokkkjede. Web3 Metaverse Intelligence. Kunnskap forsterket. FRI TILGANG.
- CryptoHawk. Altcoin Radar. Gratis prøveperiode.
- Kilde: https://aws.amazon.com/blogs/machine-learning/extract-insights-from-sap-erp-with-no-code-ml-solutions-with-amazon-appflow-and-amazon-sagemaker- lerret/
- '
- "
- 000
- 100
- 7
- a
- Om oss
- akselerere
- adgang
- nøyaktig
- Oppnå
- tvers
- Aktiviteter
- tillegg
- påvirke
- Alle
- tillater
- alltid
- Amazon
- Amazon Web Services
- analytiker
- analytics
- app
- tilnærming
- hensiktsmessig
- rundt
- autentiserer
- Autentisering
- automatisk
- tilgjengelighet
- tilgjengelig
- gjennomsnittlig
- AWS
- bakgrunn
- Baseline
- fordi
- mellom
- grensen
- bringe
- Brussel
- bygge
- virksomhet
- lerret
- sentral
- viss
- endring
- Velg
- City
- Cloud
- kode
- samarbeid
- Kolonne
- kombinert
- Felles
- fullføre
- komponent
- forhold
- Konfigurasjon
- Koble
- tilkobling
- Konsoll
- forbruker
- kontakt
- skape
- opprettet
- Opprette
- Kunder
- daglig
- dato
- personvern
- Datas personvern og sikkerhet
- datavitenskap
- avgjørelser
- levering
- Etterspørsel
- krav
- avhengig
- destinasjonen
- Utvikler
- direkte
- distribusjon
- domene
- ned
- nedlasting
- drevet
- lett
- effektivitet
- bemyndige
- muliggjøre
- muliggjør
- Endpoint
- slutter
- ingeniør
- Ingeniørarbeid
- Ingeniører
- Enter
- Enterprise
- anslått
- alt
- eksempel
- ekspertise
- FAST
- Felt
- filtrering
- Endelig
- Først
- flyten
- etter
- følger
- format
- fra
- fullt
- framtid
- gateway
- generelt
- generere
- genererer
- generasjonen
- generator
- varer
- Gruppe
- veilede
- Håndtering
- å ha
- høyde
- hjelpe
- hjelper
- historisk
- Hvordan
- Hvordan
- Men
- HTTPS
- Identitet
- bilde
- Påvirkning
- importere
- forbedre
- bransjer
- informasjon
- informert
- innsikt
- f.eks
- integrere
- Interface
- Internet
- intuitiv
- IT
- Jobb
- bli medlem
- tiltrer
- nøkkel
- Vet
- kunnskap
- Etiketten
- lansere
- LÆRE
- lært
- læring
- nivåer
- linje
- LINK
- laste
- logistikk
- ser
- elsker
- maskin
- maskinlæring
- gjøre
- GJØR AT
- administrer
- Ledere
- manuelt
- produksjon
- kart
- kartlegging
- materiale
- kunne
- ML
- modell
- modeller
- Måned
- månedlig
- mer
- flytte
- flere
- Navigasjon
- behov
- nettverk
- offline
- Drift
- Alternativ
- alternativer
- rekkefølge
- ordrer
- organisasjoner
- Organisert
- Annen
- paradigmet
- Spesielt
- spesielt
- Passord
- planlegging
- prediksjon
- Spådommer
- Forhåndsvisning
- primære
- Principal
- privatliv
- Personvern og sikkerhet
- privat
- prosess
- Prosesser
- Produkt
- Produksjon
- produktivitet
- Programmering
- leverandør
- gir
- gi
- offentlig
- publisere
- formål
- Fjerdedel
- Rask
- område
- Raw
- rekord
- poster
- region
- representant
- påkrevd
- Krav
- Ressurser
- ansvar
- ansvarlig
- detaljhandel
- inntekter
- anmeldelse
- Rolle
- regler
- Kjør
- rennende
- salg
- salg
- samme
- sap
- Vitenskap
- scoring
- Skjerm
- sikkerhet
- valgt
- utvalg
- Serien
- tjeneste
- Tjenester
- sett
- innstilling
- vist
- Enkelt
- siden
- enkelt
- Størrelse
- ferdigheter
- So
- solid
- løsning
- Solutions
- spesialist
- spesifikk
- spre
- stable
- Begynn
- startet
- statistikk
- lagring
- butikker
- sterk
- støtte
- Støtter
- Bytte om
- system
- Systemer
- Target
- oppgaver
- lag
- Testing
- De
- Kilden
- Gjennom
- hele
- tid
- ganger
- verktøy
- Kurs
- Transaksjonen
- overføre
- Overføre
- Transform
- Trender
- typisk
- ui
- forståelse
- universitet
- us
- bruke
- Brukere
- validering
- versjon
- Se
- måter
- web
- webtjenester
- veldefinerte
- om
- innenfor
- uten
- Arbeid
- arbeid
- virker
- skriving
- Young
- Din