Pridobite vpoglede iz SAP ERP z rešitvami ML brez kode z Amazon AppFlow in Amazon SageMaker Canvas

Stranke v panogah, kot so potrošniško embalirano blago, proizvodnja in maloprodaja, vedno iščejo načine, kako okrepiti svoje operativne procese tako, da jih obogatijo z vpogledi in analitiko, ustvarjeno iz podatkov. Naloge, kot je napovedovanje prodaje, neposredno vplivajo na operacije, kot so načrtovanje surovin, nabava, proizvodnja, distribucija in vhodna/izhodna logistika, in imajo lahko več ravni vpliva, od enega samega skladišča pa vse do obsežnih proizvodnih obratov.

Prodajni zastopniki in menedžerji uporabljajo pretekle podatke o prodaji, da naredijo informirane napovedi o prihodnjih prodajnih trendih. Stranke uporabljajo centralno komponento SAP ERP (ECC) za upravljanje načrtovanja za proizvodnjo, prodajo in distribucijo blaga. Modul za prodajo in distribucijo (SD) znotraj SAP ECC pomaga upravljati prodajna naročila. Sistemi SAP so primarni vir preteklih podatkov o prodaji.

Prodajni zastopniki in vodje imajo dobro poznavanje področja in poglobljeno razumevanje svojih prodajnih podatkov. Vendar jim primanjkuje znanstvenega znanja o podatkih in veščin programiranja za ustvarjanje modelov strojnega učenja (ML), ki lahko ustvarijo napovedi prodaje. Iščejo intuitivna orodja, enostavna za uporabo, za ustvarjanje modelov ML brez pisanja ene vrstice kode.

Da bi organizacijam pomagali doseči agilnost in učinkovitost, ki ju iščejo poslovni analitiki, smo Uvedeno Amazon SageMaker Canvas, rešitev ML brez kode, ki vam pomaga pospešiti dostavo rešitev ML na ure ali dni. Canvas analitikom omogoča preprosto uporabo razpoložljivih podatkov v podatkovnih jezerih, podatkovnih skladiščih in operativnih shrambah podatkov; izdelati modele ML; in jih uporabite za interaktivno napovedovanje in za paketno točkovanje množičnih naborov podatkov – vse brez pisanja ene vrstice kode.

V tej objavi prikazujemo, kako prenesti podatke o prodajnih naročilih iz SAP ECC za ustvarjanje napovedi prodaje z uporabo modela ML, zgrajenega s Canvas.

Pregled rešitev

Za ustvarjanje napovedi prodaje z uporabo podatkov o prodaji SAP potrebujemo sodelovanje dveh oseb: podatkovnih inženirjev in poslovnih analitikov (prodajnih predstavnikov in menedžerjev). Podatkovni inženirji so odgovorni za konfiguracijo izvoza podatkov iz sistema SAP v Preprosta storitev shranjevanja Amazon (Amazon S3) z uporabo Amazon App Flow, ki ga lahko nato poslovni analitiki zaženejo na zahtevo ali samodejno (na podlagi urnika), da osvežijo podatke SAP v vedru S3. Poslovni analitiki so nato odgovorni za ustvarjanje napovedi z izvoženimi podatki z uporabo Canvas. Naslednji diagram ponazarja ta potek dela.

Za to objavo uporabljamo SAP Model nabave podjetja NetWeaver (EPM) za vzorčne podatke. EPM se običajno uporablja za namene predstavitve in testiranja v SAP. Uporablja skupni model poslovnih procesov in sledi paradigmi poslovnega objekta (BO), da podpira dobro definirano poslovno logiko. Uporabili smo transakcijo SAP SEPM_DG (generator podatkov) za ustvarjanje približno 80,000 preteklih prodajnih naročil in ustvarili pogled HANA CDS za združevanje podatkov glede na ID izdelka, datum prodaje in mesto, kot je prikazano v naslednji kodi:

@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

V naslednjem razdelku razkrivamo ta pogled z uporabo storitev SAP OData kot strukture ABAP, ki nam omogoča ekstrahiranje podatkov z Amazon AppFlow.

Naslednja tabela prikazuje reprezentativne zgodovinske podatke o prodaji družbe SAP, ki jih uporabljamo v tej objavi.

Podatkovna datoteka je dnevni podatki o zgodovini frekvence. Ima štiri stolpce (productid, saledate, cityin totalsales). Canvas uporabljamo za izdelavo modela ML, ki se uporablja za napovedovanje totalsales za productid v določenem mestu.

Ta objava je bila organizirana tako, da prikaže dejavnosti in odgovornosti podatkovnih inženirjev in poslovnih analitikov za ustvarjanje napovedi prodaje izdelkov.

Podatkovni inženir: ekstrahirajte, transformirajte in naložite nabor podatkov iz SAP v Amazon S3 z Amazon AppFlow

Prva naloga, ki jo opravite kot podatkovni inženir, je zagon opravila ekstrahiranja, preoblikovanja in nalaganja (ETL) na preteklih podatkih o prodaji iz SAP ECC v vedro S3, ki ga poslovni analitik uporablja kot izvorni nabor podatkov za svoj model napovedovanja. Za to uporabljamo Amazon AppFlow, ker ponuja takojšnjo pripravo SAP OData Connector za ETL (kot je prikazano v naslednjem diagramu), s preprostim uporabniškim vmesnikom za nastavitev vsega, kar je potrebno za konfiguracijo povezave od SAP ECC do vedra S3.

Predpogoji

Sledijo zahteve za integracijo Amazon AppFlow s SAP:

• SAP NetWeaver Stack različica 7.40 SP02 ali novejša
• Storitev kataloga (OData v2.0/v2.0) omogočena v SAP Gateway za odkrivanje storitev
• Podpora za paginacijo na strani odjemalca in možnosti poizvedb za storitev SAP OData
• HTTPS omogočena povezava s SAP

Preverjanje pristnosti

Amazon AppFlow podpira dva mehanizma avtentikacije za povezavo s SAP:

• Osnovni – Preverja pristnost z uporabniškim imenom in geslom SAP OData.
• OAuth 2.0 – Uporablja konfiguracijo OAuth 2.0 s ponudnikom identitete. OAuth 2.0 mora biti omogočen za storitve OData v2.0/v2.0.

povezava

Amazon AppFlow se lahko poveže s SAP ECC prek javnega vmesnika SAP OData ali zasebne povezave. Zasebna povezava izboljša zasebnost in varnost podatkov s prenosom podatkov prek zasebnega omrežja AWS namesto javnega interneta. Zasebna povezava uporablja storitev končne točke VPC za instanco SAP OData, ki se izvaja v VPC. Storitev končne točke VPC mora imeti principala storitve Amazon AppFlow appflow.amazonaws.com kot dovoljen principal in mora biti na voljo v vsaj več kot 50 % območij razpoložljivosti v regiji AWS.

Nastavite tok v Amazon AppFlow

Konfiguriramo nov tok v Amazon AppFlow za izvajanje opravila ETL na podatkih iz SAP v vedro S3. Ta tok omogoča konfiguracijo priključka SAP OData kot vira, vedra S3 kot cilja, izbiro objekta OData, preslikavo podatkov, preverjanje veljavnosti podatkov in filtriranje podatkov.

1. Konfigurirajte SAP OData Connector kot vir podatkov z zagotavljanjem naslednjih informacij:
   1. URL gostitelja aplikacije
   2. Storitvena pot aplikacije (kataloška pot)
   3. Številka vrat
   4. Številka stranke
   5. Jezik za prijavo
   6. Vrsta povezave (zasebna povezava ali javna)
   7. Način preverjanja pristnosti
   8. Ime povezave za konfiguracijo
      
2. Ko konfigurirate vir, izberite objekt OData in podobjekt za prodajna naročila.
   Na splošno se podatki o prodaji iz SAP izvažajo ob določeni pogostosti, na primer mesečno ali četrtletno za polno velikost. Za to objavo izberite možnost podpredmeta za izvoz v polni velikosti.
   
3. Za cilj izberite vedro S3.
   Tok izvozi podatke v to vedro.
   
4. za Prednostna oblika zapisa podatkovtako, da izberete Format CSV.
5. za Prednost prenosa podatkovtako, da izberete Združite vse zapise.
6. za Prednostna nastavitev imena datoteketako, da izberete Imenu datoteke dodajte časovni žig.
7. za Prednostna struktura mapetako, da izberete Brez mape s časovnim žigom.
   Konfiguracija združevanja zapisov izvozi podatke o prodaji v polni velikosti iz SAP-ja, združene v eno datoteko. Ime datoteke se konča s časovnim žigom v formatu LLLL-MM-DDTHH:mm:ss v eni sami mapi (ime toka) v vedru S3. Canvas uvozi podatke iz te ene same datoteke za usposabljanje modela in napovedovanje.
   
8. Konfigurirajte preslikavo in preverjanja podatkov za preslikavo izvornih podatkovnih polj v ciljna podatkovna polja in po potrebi omogočite pravila za preverjanje veljavnosti podatkov.
   
9. Konfigurirate tudi pogoje filtriranja podatkov, da filtrirate določene zapise, če to zahteva vaša zahteva.
   
10. Konfigurirajte sprožilec toka, da se odločite, ali se tok izvaja ročno na zahtevo ali samodejno na podlagi urnika.
    Ko je konfigurirana za urnik, pogostost temelji na tem, kako pogosto je treba ustvariti napoved (običajno mesečno, četrtletno ali polletno).
    Ko je tok konfiguriran, ga lahko poslovni analitiki zaženejo na zahtevo ali na podlagi urnika za izvedbo opravila ETL na podatkih prodajnega naročila iz SAP v vedro S3.
11. Poleg konfiguracije Amazon AppFlow morajo podatkovni inženirji konfigurirati tudi AWS upravljanje identitete in dostopa (IAM) za Canvas, da lahko dostopa do drugih storitev AWS. Za navodila glejte Dajte svojim uporabnikom dovoljenja za izvajanje napovedovanja časovnih vrst.

Poslovni analitik: uporabite pretekle podatke o prodaji za usposabljanje modela napovedovanja

Zamenjajmo prestavo in preidimo na stran poslovnega analitika. Kot poslovni analitik iščemo vizualno storitev »pokaži in klikni«, ki olajša gradnjo modelov ML in ustvarjanje natančnih napovedi, ne da bi napisali eno vrstico kode ali imeli strokovno znanje o ML. Canvas ustreza zahtevam kot rešitev ML brez kode.

Najprej se prepričajte, da je vaša vloga IAM konfigurirana tako, da lahko Canvas dostopa do drugih storitev AWS. Za več informacij glejte Dajte svojim uporabnikom dovoljenja za izvajanje napovedovanja časovnih vrstali pa zaprosite za pomoč svojo ekipo za inženiring v oblaku.

Ko podatkovni inženir nastavi nastavitev konfiguracije ETL, ki temelji na Amazon AppFlow, so vam pretekli podatki o prodaji na voljo v vedru S3.

Zdaj ste pripravljeni na usposabljanje modela s platnom! To običajno vključuje štiri korake: uvoz podatkov v storitev, konfiguriranje usposabljanja modela z izbiro ustrezne vrste modela, usposabljanje modela in končno generiranje napovedi z uporabo modela.

Uvoz podatkov v Canvas

Najprej zaženite aplikacijo Canvas iz Amazon SageMaker konzolo ali iz vašega dostopa do enotne prijave. Če ne veste, kako to storiti, se obrnite na skrbnika, da vas bo vodil skozi postopek nastavitve Canvasa. Prepričajte se, da dostopate do storitve v isti regiji kot vedro S3, ki vsebuje zgodovinski nabor podatkov iz SAP. Morali bi videti zaslon, podoben naslednjemu.

Nato dokončajte naslednje korake:

1. V Canvas izberite Podatkovni nizi v podoknu za krmarjenje.
2. Izberite uvoz da začnete uvažati podatke iz vedra S3.
   
3. Na uvoznem zaslonu izberite podatkovno datoteko ali predmet iz vedra S3, da uvozite podatke o vadbi.
   

V Canvas lahko uvozite več naborov podatkov. Podpira tudi ustvarjanje združitev med nabori podatkov z izbiro Pridruži podatke, kar je še posebej uporabno, ko so podatki o usposabljanju razpršeni v več datotekah.

Konfigurirajte in usposobite model

Ko uvozite podatke, dokončajte naslednje korake:

1. Izberite Modeli v podoknu za krmarjenje.
2. Izberite Novi model za začetek konfiguracije za usposabljanje modela napovedi.
   
3. Novemu modelu dajte primerno ime, kot npr product_sales_forecast_model.
4. Izberite nabor podatkov o prodaji in izberite Izberite nabor podatkov.
   
   Ko je nabor podatkov izbran, si lahko ogledate statistiko podatkov in konfigurirate usposabljanje modela na zavihku Gradnja.
   
5. Izberite totalsales kot ciljni stolpec za napoved.
   Ogledate si lahko Napovedovanje časovnih vrst je samodejno izbran kot tip modela.
6. Izberite Konfiguracija.
   
7. v Konfiguracija napovedovanja časovnih vrst oddelek, izberite productid za Stolpec ID artikla.
8. Izberite CITY za Skupinski stolpec.
9. Izberite saledate za Stolpec s časovnim žigom.
10. za Dnevi, vnesite 120.
11. Izberite Shrani.
    To konfigurira model za izdelavo napovedi totalsales za 120 dni uporabe saledate temelji na zgodovinskih podatkih, po katerih je mogoče poizvedovati productid in city.
    
12. Ko je konfiguracija usposabljanja modela končana, izberite Standardna zgradba za začetek usposabljanja modela.

O Predogled modela možnost ni na voljo za tip modela napovedovanja časovnih vrst. Predviden čas treninga modela si lahko ogledate na Analizirajte tab.

Usposabljanje modela lahko traja 1–4 ure, odvisno od velikosti podatkov. Ko je model pripravljen, ga lahko uporabite za ustvarjanje napovedi.

Ustvarite napoved

Ko je usposabljanje modela končano, prikaže natančnost napovedi modela na Analizirajte zavihek. Na primer, v tem primeru prikazuje natančnost napovedi kot 92.87 %.

Napoved je ustvarjena na Predvidite zavihek. Napovedi lahko ustvarite za vse elemente ali za izbran posamezen element. Prikazuje tudi časovno obdobje, za katerega je mogoče ustvariti napoved.

Kot primer izberite En kos možnost. Izberite P-2 za Postavka in Quito za skupina za ustvarjanje napovedi za izdelek P-2 za mesto Quito za časovno obdobje 2017-08-15 00:00:00 do 2017-12-13 00:00:00.

Ustvarjena napoved prikazuje povprečno napoved ter zgornjo in spodnjo mejo napovedi. Meje napovedi pomagajo konfigurirati agresiven ali uravnotežen pristop za ravnanje z napovedjo.

Ustvarjeno napoved lahko prenesete tudi kot datoteko CSV ali sliko. Ustvarjena datoteka napovedi CSV se običajno uporablja za delo brez povezave s podatki napovedi.

Napoved je zdaj ustvarjena za podatke časovne vrste. Ko je nova osnovna linija podatkov na voljo za napoved, lahko spremenite nabor podatkov v Canvas, da znova usposobite model napovedi z uporabo nove osnovne linije.

Model lahko znova usposobite večkrat, ko in ko se podatki o usposabljanju spremenijo.

zaključek

V tej objavi ste izvedeli, kako Amazon AppFlow SAP OData Connector izvozi podatke o prodajnih naročilih iz sistema SAP v vedro S3 in nato, kako uporabiti Canvas za izdelavo modela za napovedovanje.

Canvas lahko uporabite za katere koli scenarije podatkov časovnih vrst SAP, kot je predvidevanje stroškov ali prihodkov. Celoten proces generiranja napovedi temelji na konfiguraciji. Vodje prodaje in zastopniki lahko ustvarjajo prodajne napovedi večkrat na mesec ali na četrtletje z osveženim naborom podatkov na hiter, preprost in intuitiven način, ne da bi napisali eno vrstico kode. To pomaga izboljšati produktivnost ter omogoča hitro načrtovanje in odločitve.

Če želite začeti, izvedite več o Canvas in Amazon AppFlow z uporabo naslednjih virov:

• Priročnik za razvijalce Amazon SageMaker Canvas
• Predstavljamo Amazon SageMaker Canvas – vizualno zmožnost strojnega učenja brez kodiranja za poslovne analitike
• Izvlecite podatke iz SAP ERP in BW z Amazon AppFlow
• Konfiguracija SAP OData Connector

O avtorjih

Brajendra Singh je arhitekt rešitve v Amazon Web Services, ki dela s podjetniškimi strankami. Ima močno razvojno ozadje in je velik navdušenec nad rešitvami podatkov in strojnega učenja.

Davide Gallitelli je specializirani arhitekt rešitev za AI/ML v regiji EMEA. Ima sedež v Bruslju in tesno sodeluje s strankami po vsem Beneluksu. Razvijalec je že od malih nog, kodirati je začel pri 7 letih. AI/ML se je začel učiti na univerzi in od takrat se je vanj zaljubil.

• Coinsmart. Najboljša evropska borza bitcoinov in kriptovalut.
• Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. PROST DOSTOP.
• CryptoHawk. Altcoin radar. Brezplačen preizkus.
• Vir: https://aws.amazon.com/blogs/machine-learning/extract-insights-from-sap-erp-with-no-code-ml-solutions-with-amazon-appflow-and-amazon-sagemaker- platno/