Uzyskaj informacje z SAP ERP za pomocą rozwiązań ML bez kodu dzięki Amazon AppFlow i Amazon SageMaker Canvas

Klienci z branż takich jak towary konsumenckie, produkcja i sprzedaż detaliczna zawsze szukają sposobów na usprawnienie swoich procesów operacyjnych poprzez wzbogacenie ich o spostrzeżenia i analizy generowane na podstawie danych. Zadania takie jak prognozowanie sprzedaży bezpośrednio wpływają na operacje, takie jak planowanie surowców, zaopatrzenie, produkcja, dystrybucja i logistyka przychodząca/wychodząca, i mogą mieć wiele poziomów oddziaływania, od pojedynczego magazynu po zakłady produkcyjne na dużą skalę.

Przedstawiciele handlowi i menedżerowie wykorzystują historyczne dane dotyczące sprzedaży, aby dokonywać świadomych prognoz dotyczących przyszłych trendów sprzedaży. Klienci używają SAP ERP Central Component (ECC) do zarządzania planowaniem produkcji, sprzedaży i dystrybucji towarów. Moduł sprzedaży i dystrybucji (SD) w SAP ECC pomaga zarządzać zamówieniami sprzedaży. Systemy SAP są podstawowym źródłem historycznych danych sprzedażowych.

Przedstawiciele handlowi i menedżerowie mają wiedzę dziedzinową i dogłębne zrozumienie swoich danych sprzedażowych. Jednak brakuje im umiejętności z zakresu analizy danych i programowania, aby tworzyć modele uczenia maszynowego (ML), które mogą generować prognozy sprzedaży. Poszukują intuicyjnych, prostych w użyciu narzędzi do tworzenia modeli ML bez pisania nawet jednej linii kodu.

Aby pomóc organizacjom osiągnąć zwinność i efektywność, których poszukują analitycy biznesowi, my wprowadzono Płótno Amazon SageMaker, rozwiązanie ML bez kodu, które pomaga przyspieszyć dostarczanie rozwiązań ML do kilku godzin lub dni. Canvas umożliwia analitykom łatwe korzystanie z danych dostępnych w jeziorach danych, hurtowniach danych i magazynach danych operacyjnych; budować modele ML; i używać ich do interaktywnego tworzenia prognoz i oceniania zbiorczego zbiorczych zestawów danych — a wszystko to bez pisania ani jednego wiersza kodu.

W tym poście pokazujemy, jak przenieść dane zamówienia sprzedaży z SAP ECC, aby wygenerować prognozy sprzedaży przy użyciu modelu ML zbudowanego przy użyciu Canvas.

Omówienie rozwiązania

Do generowania prognoz sprzedaży z wykorzystaniem danych sprzedażowych SAP potrzebna jest współpraca dwóch person: inżynierów danych i analityków biznesowych (przedstawicieli handlowych i menedżerów). Inżynierowie danych są odpowiedzialni za konfigurację eksportu danych z systemu SAP do: Usługa Amazon Simple Storage (Amazon S3) przy użyciu Przepływ aplikacji Amazon, które analitycy biznesowi mogą następnie uruchamiać na żądanie lub automatycznie (w oparciu o harmonogram) w celu odświeżenia danych SAP w zasobniku S3. Analitycy biznesowi są następnie odpowiedzialni za generowanie prognoz z wyeksportowanymi danymi za pomocą Canvas. Poniższy diagram ilustruje ten przepływ pracy.

W tym poście używamy SAP Model zamówień NetWeaver dla przedsiębiorstw (EPM) dla przykładowych danych. EPM jest zwykle używany do celów demonstracyjnych i testowych w SAP. Wykorzystuje wspólny model procesów biznesowych i jest zgodny z paradygmatem obiektów biznesowych (BO), aby obsługiwać dobrze zdefiniowaną logikę biznesową. Wykorzystaliśmy transakcję SAP SEPM_DG (generator danych) do wygenerowania około 80,000 XNUMX historycznych zamówień sprzedaży i utworzyliśmy widok HANA CDS, aby agregować dane według identyfikatora produktu, daty sprzedaży i miasta, jak pokazano w poniższym kodzie:

@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

W kolejnej sekcji udostępniamy ten widok za pomocą usług SAP OData jako struktury ABAP, co pozwala nam wyodrębnić dane za pomocą Amazon AppFlow.

Poniższa tabela przedstawia reprezentatywne historyczne dane sprzedaży z SAP, z których korzystamy w tym poście.

Plik danych zawiera dane historyczne o dziennej częstotliwości. Ma cztery kolumny (productid, saledate, city, totalsales). Używamy Canvas do budowy modelu ML, który służy do prognozowania totalsales dla productid w konkretnym mieście.

Ten post został zorganizowany w celu przedstawienia działań i obowiązków inżynierów danych i analityków biznesowych w zakresie generowania prognoz sprzedaży produktów.

Inżynier danych: wyodrębniaj, przekształcaj i ładuj zestaw danych z SAP do Amazon S3 za pomocą Amazon AppFlow

Pierwszym zadaniem, które wykonujesz jako inżynier danych, jest uruchomienie zadania wyodrębniania, przekształcania i ładowania (ETL) historycznych danych sprzedaży z SAP ECC do zasobnika S3, którego analityk biznesowy używa jako źródłowego zestawu danych dla swojego modelu prognozowania. W tym celu korzystamy z Amazon AppFlow, ponieważ zapewnia on gotowe rozwiązanie Złącze SAP OData dla ETL (jak pokazano na poniższym diagramie), z prostym interfejsem użytkownika do skonfigurowania wszystkiego, co jest potrzebne do skonfigurowania połączenia z SAP ECC do wiadra S3.

Wymagania wstępne

Poniżej przedstawiono wymagania dotyczące integracji Amazon AppFlow z SAP:

• SAP NetWeaver Stack w wersji 7.40 SP02 lub nowszej
• Usługa katalogu (OData v2.0/v2.0) włączona w SAP Gateway do wykrywania usług
• Wsparcie dla stronicowania po stronie klienta i opcji zapytań dla SAP OData Service
• Połączenie HTTPS z SAP

Uwierzytelnianie

Amazon AppFlow obsługuje dwa mechanizmy uwierzytelniania w celu połączenia z SAP:

• Basic – Uwierzytelnianie przy użyciu nazwy użytkownika i hasła SAP OData.
• Uwierzytelnianie OA 2.0 – Używa konfiguracji OAuth 2.0 z dostawcą tożsamości. OAuth 2.0 musi być włączony dla usług OData v2.0/v2.0.

Statystyki z konta

Amazon AppFlow może łączyć się z SAP ECC za pomocą publicznego interfejsu SAP OData lub połączenia prywatnego. Połączenie prywatne poprawia prywatność i bezpieczeństwo danych, przesyłając dane za pośrednictwem prywatnej sieci AWS zamiast publicznego Internetu. Połączenie prywatne korzysta z usługi punktu końcowego VPC dla instancji SAP OData działającej w VPC. Usługa punktu końcowego VPC musi mieć jednostkę główną usługi Amazon AppFlow appflow.amazonaws.com jako dozwolony zleceniodawca i musi być dostępny w co najmniej ponad 50% Stref Dostępności w Regionie AWS.

Skonfiguruj przepływ w Amazon AppFlow

Konfigurujemy nowy przepływ w Amazon AppFlow, aby uruchomić zadanie ETL na danych z SAP do zasobnika S3. Ten przepływ umożliwia konfigurację łącznika SAP OData jako źródła, zasobnika S3 jako miejsca docelowego, wyboru obiektu OData, mapowania danych, sprawdzania poprawności danych i filtrowania danych.

1. Skonfiguruj łącznik SAP OData jako źródło danych, podając następujące informacje:
   1. Adres URL hosta aplikacji
   2. Ścieżka usługi aplikacji (ścieżka katalogu)
   3. Numer portu
   4. Numer klienta
   5. Język logowania
   6. Typ połączenia (prywatny lub publiczny)
   7. Tryb uwierzytelniania
   8. Nazwa połączenia dla konfiguracji
      
2. Po skonfigurowaniu źródła wybierz obiekt OData i podobiekt dla zamówień sprzedaży.
   Generalnie dane sprzedażowe z SAP są eksportowane z określoną częstotliwością, np. miesięcznie lub kwartalnie dla pełnego rozmiaru. W przypadku tego posta wybierz opcję podobiektu dla eksportu w pełnym rozmiarze.
   
3. Wybierz zasobnik S3 jako miejsce docelowe.
   Przepływ eksportuje dane do tego zasobnika.
   
4. W razie zamówieenia projektu Preferowany format danych, Wybierz Format CSV.
5. W razie zamówieenia projektu Preferencje przesyłania danych, Wybierz Zbierz wszystkie rekordy.
6. W razie zamówieenia projektu Preferencja nazwy pliku, Wybierz Dodaj znacznik czasu do nazwy pliku.
7. W razie zamówieenia projektu Preferencje struktury folderów, Wybierz Brak folderu ze znacznikiem czasu.
   Konfiguracja agregacji rekordów eksportuje pełnowymiarowe dane sprzedaży z SAP połączone w jednym pliku. Nazwa pliku kończy się sygnaturą czasową w formacie RRRR-MM-DDTHH:mm:ss w pojedynczym folderze (nazwa przepływu) w zasobniku S3. Kanwa importuje dane z tego pojedynczego pliku w celu uczenia modelu i prognozowania.
   
8. Skonfiguruj mapowanie danych i walidacje, aby mapować pola danych źródłowych na pola danych docelowych i włącz reguły walidacji danych zgodnie z wymaganiami.
   
9. Konfigurujesz również warunki filtrowania danych, aby odfiltrować określone rekordy, jeśli wymagają tego wymagania.
   
10. Skonfiguruj wyzwalacz przepływu, aby zdecydować, czy przepływ jest uruchamiany ręcznie na żądanie, czy automatycznie na podstawie harmonogramu.
    W przypadku konfiguracji harmonogramu częstotliwość zależy od tego, jak często należy generować prognozę (zwykle miesięcznie, kwartalnie lub półrocznie).
    Po skonfigurowaniu przepływu analitycy biznesowi mogą uruchamiać go na żądanie lub na podstawie harmonogramu, aby wykonać zadanie ETL na danych zamówienia sprzedaży z SAP do zasobnika S3.
11. Oprócz konfiguracji Amazon AppFlow inżynierowie danych muszą również skonfigurować AWS Zarządzanie tożsamością i dostępem (IAM) rola dla kanwy, aby mogła uzyskać dostęp do innych usług AWS. Aby uzyskać instrukcje, zobacz Przyznaj swoim użytkownikom uprawnienia do prognozowania szeregów czasowych.

Analityk biznesowy: Użyj historycznych danych sprzedaży, aby wytrenować model prognozowania

Zmieńmy biegi i przejdźmy na stronę analityka biznesowego. Jako analityk biznesowy poszukujemy wizualnej usługi typu „wskaż i kliknij”, która ułatwi budowanie modeli ML i generowanie dokładnych prognoz bez konieczności pisania ani jednej linii kodu lub posiadania wiedzy o ML. Canvas spełnia wymagania jako rozwiązanie ML bez kodu.

Najpierw upewnij się, że Twoja rola uprawnień jest skonfigurowana w taki sposób, aby kanwa mogła uzyskać dostęp do innych usług AWS. Aby uzyskać więcej informacji, zobacz Przyznaj swoim użytkownikom uprawnienia do prognozowania szeregów czasowychlub możesz poprosić o pomoc zespół Cloud Engineering.

Gdy inżynier danych zakończy konfigurowanie konfiguracji ETL opartej na Amazon AppFlow, historyczne dane sprzedaży są dostępne w zasobniku S3.

Jesteś teraz gotowy do trenowania modelki za pomocą Canvas! Zwykle obejmuje to cztery kroki: importowanie danych do usługi, konfigurowanie uczenia modelu przez wybranie odpowiedniego typu modelu, szkolenie modelu i wreszcie generowanie prognoz przy użyciu modelu.

Importuj dane do Canvas

Najpierw uruchom aplikację Canvas z Amazon Sage Maker konsoli lub z poziomu jednokrotnego logowania. Jeśli nie wiesz, jak to zrobić, skontaktuj się z administratorem, aby poprowadził Cię przez proces konfiguracji Canvas. Upewnij się, że uzyskujesz dostęp do usługi w tym samym regionie, co zasobnik S3 zawierający historyczny zestaw danych z SAP. Powinieneś zobaczyć ekran podobny do poniższego.

Następnie wykonaj następujące czynności:

1. Na płótnie wybierz Zbiory danych w okienku nawigacji.
2. Dodaj import aby rozpocząć importowanie danych z zasobnika S3.
   
3. Na ekranie importu wybierz plik danych lub obiekt z zasobnika S3, aby zaimportować dane treningowe.
   

W Canvas możesz importować wiele zbiorów danych. Obsługuje również tworzenie połączeń między zestawami danych, wybierając Dołącz dane, co jest szczególnie przydatne, gdy dane szkoleniowe są rozłożone na wiele plików.

Skonfiguruj i wytrenuj model

Po zaimportowaniu danych wykonaj następujące czynności:

1. Dodaj modele w okienku nawigacji.
2. Dodaj Nowy model aby rozpocząć konfigurację do uczenia modelu prognozy.
   
3. W przypadku nowego modelu nadaj mu odpowiednią nazwę, na przykład product_sales_forecast_model.
4. Wybierz zestaw danych sprzedaży i wybierz Wybierz zbiór danych.
   
   Po wybraniu zestawu danych można wyświetlić statystyki danych i skonfigurować uczenie modelu na karcie Kompilacja.
   
5. Wybierz całkowita sprzedaż jako kolumna docelowa dla prognozy.
   Możesz zobaczyć Prognozowanie szeregów czasowych jest automatycznie wybierany jako typ modelu.
6. Dodaj Konfigurowanie.
   
7. W Konfiguracja prognozowania szeregów czasowych Sekcja, wybierz ID produktu dla Kolumna ID przedmiotu.
8. Dodaj miasto dla Kolumna grupy.
9. Dodaj Data wyprzedaży dla Kolumna znacznika czasu.
10. W razie zamówieenia projektu Dni, wchodzić 120.
11. Dodaj Zapisz.
    Spowoduje to skonfigurowanie modelu do tworzenia prognoz dla totalsales przez 120 dni przy użyciu saledate na podstawie danych historycznych, o które można zapytać productid i city.
    
12. Po zakończeniu konfiguracji szkolenia modelu wybierz Wersja standardowa aby rozpocząć szkolenie modelu.

Połączenia Podgląd modelu opcja nie jest dostępna dla typu modelu prognozowania szeregów czasowych. Szacowany czas szkolenia modelu można przejrzeć na Analizować patka.

Trenowanie modelu może potrwać od 1 do 4 godzin, w zależności od rozmiaru danych. Gdy model jest gotowy, możesz go użyć do wygenerowania prognozy.

Wygeneruj prognozę

Po zakończeniu szkolenia modelu pokazuje dokładność przewidywania modelu na Analizować patka. Na przykład w tym przykładzie dokładność przewidywania wynosi 92.87%.

Prognoza jest generowana w dniu Przewiduj patka. Możesz generować prognozy dla wszystkich pozycji lub wybranej pojedynczej pozycji. Pokazuje również zakres dat, dla którego można wygenerować prognozę.

Jako przykład wybierz Pojedynczy przedmiot opcja. Wybierz P-2 dla Pozycja i Quito dla Zarządzanie aby wygenerować prognozę dla produktu P-2 dla miasta Quito dla zakresu dat od 2017-08-15 00:00:00 do 2017-12-13 00:00:00.

Wygenerowana prognoza przedstawia średnią prognozę oraz górną i dolną granicę prognozy. Granice prognozy pomagają skonfigurować agresywne lub zrównoważone podejście do obsługi prognoz.

Możesz również pobrać wygenerowaną prognozę jako plik CSV lub obraz. Wygenerowany plik CSV prognozy jest zwykle używany do pracy w trybie offline z danymi prognozy.

Prognoza jest teraz generowana dla danych szeregów czasowych. Gdy nowa linia bazowa danych stanie się dostępna dla prognozy, możesz zmienić zestaw danych w kanwie, aby ponownie nauczyć model prognozy przy użyciu nowej linii bazowej.

Model można wielokrotnie ponownie trenować, gdy zmieniają się dane szkoleniowe.

Wnioski

W tym poście dowiedziałeś się, jak Amazon AppFlow SAP OData Connector eksportuje dane zamówień sprzedaży z systemu SAP do wiadra S3, a następnie jak wykorzystać Canvas do zbudowania modelu do prognozowania.

Kanwy można używać do dowolnych scenariuszy danych szeregów czasowych SAP, takich jak prognozowanie wydatków lub przychodów. Cały proces generowania prognozy jest oparty na konfiguracji. Menedżerowie sprzedaży i przedstawiciele mogą wielokrotnie generować prognozy sprzedaży w ciągu miesiąca lub kwartału z odświeżonym zestawem danych w szybki, prosty i intuicyjny sposób bez pisania ani jednej linii kodu. Pomaga to zwiększyć produktywność i umożliwia szybkie planowanie i podejmowanie decyzji.

Aby rozpocząć, dowiedz się więcej o Canvas i Amazon AppFlow, korzystając z następujących zasobów:

• Przewodnik programisty Amazon SageMaker Canvas
• Przedstawiamy Amazon SageMaker Canvas — wizualną możliwość uczenia maszynowego bez kodu dla analityków biznesowych
• Wyodrębnij dane z SAP ERP i BW za pomocą Amazon AppFlow
• Konfiguracja łącznika SAP OData

O autorach

Brajendrę Singha jest architektem rozwiązań w Amazon Web Services pracującym z klientami korporacyjnymi. Ma silne doświadczenie programistyczne i jest zapalonym entuzjastą rozwiązań z zakresu danych i uczenia maszynowego.

Davide Gallitelli jest Specjalistą Architektem Rozwiązań dla AI/ML w regionie EMEA. Ma siedzibę w Brukseli i ściśle współpracuje z klientami w krajach Beneluksu. Jest programistą od najmłodszych lat, zaczął kodować w wieku 7 lat. Zaczął uczyć się AI/ML na uniwersytecie i od tego czasu się w nim zakochał.

• Coinsmart. Najlepsza w Europie giełda bitcoinów i kryptowalut.
• Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. DARMOWY DOSTĘP.
• CryptoJastrząb. Radar Altcoin. Bezpłatna wersja próbna.
• Źródło: https://aws.amazon.com/blogs/machine-learning/extract-insights-from-sap-erp-with-no-code-ml-solutions-with-amazon-appflow-and-amazon-sagemaker- płótno/