ดึงข้อมูลเชิงลึกจาก SAP ERP ด้วยโซลูชัน ML แบบไม่มีโค้ดด้วย Amazon AppFlow และ Amazon SageMaker Canvas

ลูกค้าในอุตสาหกรรมต่างๆ เช่น สินค้าอุปโภคบริโภค การผลิต และการขายปลีกมักจะมองหาวิธีที่จะเสริมศักยภาพให้กับกระบวนการปฏิบัติงานด้วยการเสริมคุณค่าด้วยข้อมูลเชิงลึกและการวิเคราะห์ที่สร้างจากข้อมูล งานต่างๆ เช่น การคาดการณ์ยอดขายส่งผลกระทบโดยตรงต่อการดำเนินงาน เช่น การวางแผนวัตถุดิบ การจัดซื้อ การผลิต การจัดจำหน่าย และการขนส่งขาเข้า/ขาออก และอาจมีผลกระทบหลายระดับ ตั้งแต่คลังสินค้าเดียวไปจนถึงโรงงานผลิตขนาดใหญ่

ตัวแทนฝ่ายขายและผู้จัดการใช้ข้อมูลการขายในอดีตเพื่อคาดการณ์เกี่ยวกับแนวโน้มการขายในอนาคต ลูกค้าใช้ SAP ERP Central Component (ECC) เพื่อจัดการการวางแผนสำหรับการผลิต การขาย และการจัดจำหน่ายสินค้า โมดูลการขายและการจัดจำหน่าย (SD) ภายใน SAP ECC ช่วยจัดการใบสั่งขาย ระบบ SAP เป็นแหล่งที่มาหลักของข้อมูลการขายในอดีต

ตัวแทนขายและผู้จัดการมีความรู้เกี่ยวกับโดเมนและความเข้าใจในข้อมูลการขายในเชิงลึก อย่างไรก็ตาม พวกเขาขาดทักษะด้านวิทยาศาสตร์ข้อมูลและการเขียนโปรแกรมเพื่อสร้างแบบจำลองแมชชีนเลิร์นนิง (ML) ที่สามารถสร้างการคาดการณ์ยอดขายได้ พวกเขาแสวงหาเครื่องมือที่ใช้งานง่ายและใช้งานง่ายเพื่อสร้างโมเดล ML โดยไม่ต้องเขียนโค้ดแม้แต่บรรทัดเดียว

เพื่อช่วยให้องค์กรบรรลุความคล่องตัวและประสิทธิผลที่นักวิเคราะห์ธุรกิจแสวงหา เรา แนะนำ ผืนผ้าใบ Amazon SageMakerซึ่งเป็นโซลูชัน ML แบบไม่มีโค้ดที่ช่วยให้คุณเร่งการส่งมอบโซลูชัน ML ได้เป็นชั่วโมงหรือเป็นวัน Canvas ช่วยให้นักวิเคราะห์ใช้ข้อมูลที่มีอยู่ใน data lake, data data และ data stores ได้อย่างง่ายดาย สร้างโมเดล ML; และใช้การคาดการณ์แบบโต้ตอบและสำหรับการให้คะแนนแบบกลุ่มในชุดข้อมูลจำนวนมาก โดยไม่ต้องเขียนโค้ดแม้แต่บรรทัดเดียว

ในโพสต์นี้ เราจะแสดงวิธีนำข้อมูลใบสั่งขายจาก SAP ECC เพื่อสร้างการคาดการณ์การขายโดยใช้แบบจำลอง ML ที่สร้างโดยใช้ Canvas

ภาพรวมโซลูชัน

ในการสร้างการคาดการณ์การขายโดยใช้ข้อมูลการขายของ SAP เราจำเป็นต้องมีความร่วมมือระหว่างบุคคล XNUMX ฝ่าย ได้แก่ วิศวกรข้อมูลและนักวิเคราะห์ธุรกิจ (ตัวแทนขายและผู้จัดการ) วิศวกรข้อมูลมีหน้าที่กำหนดค่าการส่งออกข้อมูลจากระบบ SAP ไปยัง บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) โดยใช้ Amazon App Flowซึ่งนักวิเคราะห์ธุรกิจสามารถเรียกใช้แบบออนดีมานด์หรือแบบอัตโนมัติ (ตามกำหนดเวลา) เพื่อรีเฟรชข้อมูล SAP ในบัคเก็ต S3 นักวิเคราะห์ธุรกิจมีหน้าที่รับผิดชอบในการสร้างการคาดการณ์ด้วยข้อมูลที่ส่งออกโดยใช้ Canvas ไดอะแกรมต่อไปนี้แสดงเวิร์กโฟลว์นี้

สำหรับโพสต์นี้เราใช้ SAP โมเดลการจัดซื้อ NetWeaver Enterprise (EPM) สำหรับข้อมูลตัวอย่าง โดยทั่วไปแล้ว EPM จะใช้เพื่อวัตถุประสงค์ในการสาธิตและทดสอบใน SAP ใช้แบบจำลองกระบวนการทางธุรกิจทั่วไปและปฏิบัติตามกระบวนทัศน์ของอ็อบเจกต์ธุรกิจ (BO) เพื่อสนับสนุนตรรกะทางธุรกิจที่กำหนดไว้อย่างดี เราใช้ธุรกรรม SAP SEPM_DG (ตัวสร้างข้อมูล) เพื่อสร้างใบสั่งขายในอดีตประมาณ 80,000 รายการ และสร้างมุมมอง HANA CDS เพื่อรวบรวมข้อมูลตามรหัสผลิตภัณฑ์ วันที่ขาย และเมือง ดังที่แสดงในรหัสต่อไปนี้:

@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

ในส่วนถัดไป เราเปิดเผยมุมมองนี้โดยใช้บริการ SAP OData เป็นโครงสร้าง ABAP ซึ่งช่วยให้เราแยกข้อมูลด้วย Amazon AppFlow

ตารางต่อไปนี้แสดงข้อมูลการขายในอดีตของตัวแทนจาก SAP ซึ่งเราใช้ในโพสต์นี้

ไฟล์ข้อมูลเป็นข้อมูลประวัติความถี่รายวัน มีสี่คอลัมน์ (productid, saledate, cityและ totalsales). เราใช้ Canvas เพื่อสร้างแบบจำลอง ML ที่ใช้ในการพยากรณ์ totalsales for productid ในเมืองใดเมืองหนึ่ง

โพสต์นี้จัดทำขึ้นเพื่อแสดงกิจกรรมและความรับผิดชอบสำหรับวิศวกรข้อมูลและนักวิเคราะห์ธุรกิจเพื่อสร้างการคาดการณ์ยอดขายผลิตภัณฑ์

วิศวกรข้อมูล: แยก แปลง และโหลดชุดข้อมูลจาก SAP ไปยัง Amazon S3 ด้วย Amazon AppFlow

งานแรกที่คุณดำเนินการในฐานะวิศวกรข้อมูลคือการเรียกใช้งานการแยก การแปลง และโหลด (ETL) ในข้อมูลการขายในอดีตจาก SAP ECC ไปยังบัคเก็ต S3 ซึ่งนักวิเคราะห์ธุรกิจใช้เป็นชุดข้อมูลต้นทางสำหรับแบบจำลองการคาดการณ์ของพวกเขา สำหรับสิ่งนี้ เราใช้ Amazon AppFlow เพราะมีฟีเจอร์ที่พร้อมใช้งานทันที ตัวเชื่อมต่อ SAP OData สำหรับ ETL (ดังแสดงในแผนภาพต่อไปนี้) ด้วย UI แบบง่ายในการตั้งค่าทุกอย่างที่จำเป็นในการกำหนดค่าการเชื่อมต่อจาก SAP ECC ไปยังบัคเก็ต S3

เบื้องต้น

ต่อไปนี้คือข้อกำหนดในการผสานรวม Amazon AppFlow กับ SAP:

• SAP NetWeaver Stack เวอร์ชัน 7.40 SP02 ขึ้นไป
• เปิดใช้งานบริการแค็ตตาล็อก (OData v2.0/v2.0) ใน SAP Gateway สำหรับการค้นพบบริการ
• รองรับการแบ่งหน้าฝั่งไคลเอ็นต์และตัวเลือกการสืบค้นสำหรับ SAP OData Service
• HTTPS เปิดใช้งานการเชื่อมต่อกับ SAP

การยืนยันตัวตน

Amazon AppFlow รองรับกลไกการตรวจสอบสิทธิ์สองแบบเพื่อเชื่อมต่อกับ SAP:

• ขั้นพื้นฐาน – รับรองความถูกต้องโดยใช้ชื่อผู้ใช้และรหัสผ่าน SAP OData
• OAuth2.0 – ใช้การกำหนดค่า OAuth 2.0 กับผู้ให้บริการข้อมูลประจำตัว ต้องเปิดใช้งาน OAuth 2.0 สำหรับบริการ OData v2.0/v2.0

การเชื่อมต่อ

Amazon AppFlow สามารถเชื่อมต่อกับ SAP ECC โดยใช้อินเทอร์เฟซ SAP OData สาธารณะหรือการเชื่อมต่อส่วนตัว การเชื่อมต่อส่วนตัวช่วยปรับปรุงความเป็นส่วนตัวและความปลอดภัยของข้อมูลโดยการถ่ายโอนข้อมูลผ่านเครือข่าย AWS ส่วนตัวแทนอินเทอร์เน็ตสาธารณะ การเชื่อมต่อส่วนตัวใช้บริการจุดสิ้นสุด VPC สำหรับอินสแตนซ์ SAP OData ที่ทำงานใน VPC บริการตำแหน่งข้อมูล VPC ต้องมีหลักบริการ Amazon AppFlow appflow.amazonaws.com เป็นเงินต้นที่อนุญาตและต้องมีอย่างน้อยมากกว่า 50% ของ Availability Zone ในภูมิภาค AWS

ตั้งค่าโฟลว์ใน Amazon AppFlow

เรากำหนดค่าโฟลว์ใหม่ใน Amazon AppFlow เพื่อเรียกใช้งาน ETL จากข้อมูลจาก SAP ไปยังบัคเก็ต S3 โฟลว์นี้อนุญาตให้กำหนดค่าของ SAP OData Connector เป็นแหล่งที่มา, บัคเก็ต S3 เป็นปลายทาง, การเลือกอ็อบเจ็กต์ OData, การแมปข้อมูล, การตรวจสอบความถูกต้องของข้อมูล และการกรองข้อมูล

1. กำหนดค่า SAP OData Connector เป็นแหล่งข้อมูลโดยระบุข้อมูลต่อไปนี้:
   1. URL โฮสต์แอปพลิเคชัน
   2. เส้นทางบริการแอปพลิเคชัน (เส้นทางแค็ตตาล็อก)
   3. หมายเลขพอร์ต
   4. หมายเลขลูกค้า
   5. ภาษาเข้าสู่ระบบ
   6. ประเภทการเชื่อมต่อ (ลิงค์ส่วนตัวหรือสาธารณะ)
   7. โหมดการตรวจสอบสิทธิ์
   8. ชื่อการเชื่อมต่อสำหรับการกำหนดค่า
      
2. หลังจากที่คุณตั้งค่าคอนฟิกแหล่งที่มา เลือกออบเจ็กต์ OData และออบเจ็กต์ย่อยสำหรับใบสั่งขาย
   โดยทั่วไป ข้อมูลการขายจาก SAP จะถูกส่งออกที่ความถี่ที่แน่นอน เช่น รายเดือนหรือรายไตรมาสสำหรับขนาดเต็ม สำหรับโพสต์นี้ ให้เลือกตัวเลือกวัตถุย่อยสำหรับการส่งออกขนาดเต็ม
   
3. เลือกบัคเก็ต S3 เป็นปลายทาง
   โฟลว์ส่งออกข้อมูลไปยังที่เก็บข้อมูลนี้
   
4. สำหรับ การตั้งค่ารูปแบบข้อมูลให้เลือก รูปแบบ CSV.
5. สำหรับ การตั้งค่าการถ่ายโอนข้อมูลให้เลือก รวมระเบียนทั้งหมด.
6. สำหรับ การตั้งค่าชื่อไฟล์ให้เลือก เพิ่มการประทับเวลาให้กับชื่อไฟล์.
7. สำหรับ การกำหนดลักษณะโครงสร้างโฟลเดอร์ให้เลือก ไม่มีโฟลเดอร์ประทับเวลา.
   การกำหนดค่าการรวมเรกคอร์ดจะส่งออกข้อมูลการขายขนาดเต็มจาก SAP ที่รวมกันเป็นไฟล์เดียว ชื่อไฟล์ลงท้ายด้วยการประทับเวลาในรูปแบบ YYYY-MM-DDTHH:mm:ss ในโฟลเดอร์เดียว (ชื่อโฟลว์) ภายในบัคเก็ต S3 Canvas นำเข้าข้อมูลจากไฟล์เดียวนี้สำหรับการฝึกแบบจำลองและการคาดการณ์
   
8. กำหนดค่าการแมปข้อมูลและการตรวจสอบความถูกต้องเพื่อจับคู่ฟิลด์ข้อมูลต้นทางกับฟิลด์ข้อมูลปลายทาง และเปิดใช้งานกฎการตรวจสอบข้อมูลตามความจำเป็น
   
9. คุณยังตั้งค่าคอนฟิกเงื่อนไขการกรองข้อมูลเพื่อกรองเรกคอร์ดเฉพาะหากความต้องการของคุณต้องการ
   
10. กำหนดค่าทริกเกอร์โฟลว์ของคุณเพื่อตัดสินใจว่าโฟลว์รันด้วยตนเองตามความต้องการหรือโดยอัตโนมัติตามกำหนดการ
    เมื่อกำหนดค่าสำหรับกำหนดการ ความถี่จะขึ้นอยู่กับความถี่ที่จำเป็นต้องสร้างการคาดการณ์ (โดยทั่วไปจะเป็นรายเดือน รายไตรมาส หรือครึ่งปี)
    หลังจากกำหนดค่าโฟลว์แล้ว นักวิเคราะห์ธุรกิจสามารถเรียกใช้ตามต้องการหรือตามกำหนดการเพื่อดำเนินงาน ETL กับข้อมูลใบสั่งขายจาก SAP ไปยังบัคเก็ต S3
11. นอกจากการกำหนดค่า Amazon AppFlow แล้ว วิศวกรข้อมูลยังต้องกำหนดค่าและ AWS Identity และการจัดการการเข้าถึง บทบาท (IAM) สำหรับ Canvas เพื่อให้สามารถเข้าถึงบริการอื่นๆ ของ AWS สำหรับคำแนะนำ โปรดดูที่ ให้สิทธิ์ผู้ใช้ของคุณในการคาดการณ์อนุกรมเวลา.

นักวิเคราะห์ธุรกิจ: ใช้ข้อมูลการขายในอดีตเพื่อฝึกแบบจำลองการคาดการณ์

มาเปลี่ยนเกียร์และย้ายไปที่ฝั่งนักวิเคราะห์ธุรกิจกัน ในฐานะนักวิเคราะห์ธุรกิจ เรากำลังมองหาบริการแบบชี้และคลิกที่ทำให้ง่ายต่อการสร้างโมเดล ML และสร้างการคาดคะเนที่แม่นยำโดยไม่ต้องเขียนโค้ดแม้แต่บรรทัดเดียวหรือมีความเชี่ยวชาญด้าน ML Canvas เหมาะกับความต้องการในฐานะโซลูชัน ML แบบไม่มีโค้ด

อันดับแรก ตรวจสอบให้แน่ใจว่าบทบาท IAM ของคุณได้รับการกำหนดค่าเพื่อให้ Canvas สามารถเข้าถึงบริการอื่นๆ ของ AWS ได้ สำหรับข้อมูลเพิ่มเติม โปรดดูที่ ให้สิทธิ์ผู้ใช้ของคุณในการคาดการณ์อนุกรมเวลาหรือคุณสามารถขอความช่วยเหลือจากทีม Cloud Engineering ของคุณ

เมื่อวิศวกรข้อมูลตั้งค่าการกำหนดค่า ETL แบบอิง Amazon AppFlow เสร็จแล้ว ข้อมูลการขายที่ผ่านมาจะพร้อมใช้งานสำหรับคุณในบัคเก็ต S3

ตอนนี้คุณพร้อมที่จะฝึกโมเดลด้วย Canvas แล้ว! โดยทั่วไปแล้วจะมีสี่ขั้นตอน ได้แก่ การนำเข้าข้อมูลเข้าสู่บริการ การกำหนดค่าการฝึกแบบจำลองโดยการเลือกประเภทแบบจำลองที่เหมาะสม การฝึกแบบจำลอง และสุดท้าย การสร้างการคาดการณ์โดยใช้แบบจำลอง

นำเข้าข้อมูลใน Canvas

ขั้นแรก ให้เปิดแอพ Canvas จาก อเมซอน SageMaker คอนโซลหรือจากการเข้าถึงการลงชื่อเพียงครั้งเดียวของคุณ หากคุณไม่ทราบวิธีดำเนินการดังกล่าว โปรดติดต่อผู้ดูแลระบบเพื่อขอคำแนะนำตลอดขั้นตอนการตั้งค่า Canvas ตรวจสอบให้แน่ใจว่าคุณเข้าถึงบริการในภูมิภาคเดียวกับบัคเก็ต S3 ที่มีชุดข้อมูลประวัติจาก SAP คุณควรเห็นหน้าจอดังต่อไปนี้

จากนั้นทำตามขั้นตอนต่อไปนี้:

1. ใน Canvas เลือก ชุดข้อมูล ในบานหน้าต่างนำทาง
2. Choose นำเข้า เพื่อเริ่มนำเข้าข้อมูลจากบัคเก็ต S3
   
3. บนหน้าจอนำเข้า เลือกไฟล์ข้อมูลหรือวัตถุจากบัคเก็ต S3 เพื่อนำเข้าข้อมูลการฝึก
   

คุณสามารถนำเข้าชุดข้อมูลหลายชุดใน Canvas นอกจากนี้ยังรองรับการสร้างการรวมระหว่างชุดข้อมูลด้วยการเลือก เข้าร่วม dataซึ่งมีประโยชน์อย่างยิ่งเมื่อข้อมูลการฝึกกระจายไปหลายไฟล์

กำหนดค่าและฝึกโมเดล

หลังจากที่คุณนำเข้าข้อมูลแล้ว ให้ทำตามขั้นตอนต่อไปนี้:

1. Choose Models ในบานหน้าต่างนำทาง
2. Choose รุ่นใหม่ เพื่อเริ่มการตั้งค่าคอนฟิกสำหรับการฝึกโมเดลการคาดการณ์
   
3. สำหรับรุ่นใหม่ ให้ตั้งชื่อที่เหมาะสม เช่น product_sales_forecast_model.
4. เลือกชุดข้อมูลการขายแล้วเลือก เลือกชุดข้อมูล.
   
   หลังจากเลือกชุดข้อมูลแล้ว คุณสามารถดูสถิติข้อมูลและกำหนดค่าการฝึกแบบจำลองบนแท็บสร้างได้
   
5. เลือก ยอดขายทั้งหมด เป็นคอลัมน์เป้าหมายสำหรับการทำนาย
   ท่านสามารถเข้าดู พยากรณ์อนุกรมเวลา จะถูกเลือกโดยอัตโนมัติเป็นประเภทรุ่น
6. Choose กำหนดค่า.
   
7. ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร การกำหนดค่าการคาดการณ์อนุกรมเวลา ส่วนเลือก Productid for คอลัมน์ ID รายการ.
8. Choose เมือง for คอลัมน์กลุ่ม.
9. Choose วันที่ขาย for คอลัมน์ประทับเวลา.
10. สำหรับ วันป้อน 120.
11. Choose ลด.
    สิ่งนี้กำหนดค่าแบบจำลองเพื่อทำการคาดการณ์สำหรับ totalsales เป็นเวลา 120 วันโดยใช้ saledate อิงจากข้อมูลในอดีตซึ่งสามารถสืบค้นได้ productid และ city.
    
12. เมื่อการกำหนดค่าการฝึกแบบจำลองเสร็จสมบูรณ์ ให้เลือก บิลด์มาตรฐาน เพื่อเริ่มการฝึกโมเดล

พื้นที่ ดูตัวอย่างรุ่น ไม่มีตัวเลือกสำหรับประเภทแบบจำลองการคาดการณ์อนุกรมเวลา คุณสามารถตรวจสอบเวลาโดยประมาณสำหรับการฝึกแบบจำลองได้ที่ วิเคราะห์ แถบ

การฝึกโมเดลอาจใช้เวลา 1-4 ชั่วโมง ขึ้นอยู่กับขนาดข้อมูล เมื่อแบบจำลองพร้อมแล้ว คุณสามารถใช้แบบจำลองนั้นเพื่อสร้างการคาดการณ์ได้

สร้างการคาดการณ์

เมื่อการฝึกแบบจำลองเสร็จสิ้น จะแสดงความแม่นยำในการทำนายของแบบจำลองบน วิเคราะห์ แท็บ ตัวอย่างเช่น ในตัวอย่างนี้ แสดงความแม่นยำในการทำนายเป็น 92.87%

การคาดการณ์ถูกสร้างขึ้นบน ทำนาย แท็บ คุณสามารถสร้างการคาดการณ์สำหรับรายการทั้งหมดหรือรายการเดียวที่เลือก นอกจากนี้ยังแสดงช่วงวันที่ที่สามารถสร้างการคาดการณ์ได้

ตัวอย่างเช่น เลือก รายการเดียว ตัวเลือก เลือก P-2 for ชิ้น และ กีโต for บัญชีกลุ่ม เพื่อสร้างการคาดการณ์สำหรับผลิตภัณฑ์ P-2 สำหรับเมือง Quito สำหรับช่วงวันที่ 2017-08-15 00:00:00 จนถึง 2017-12-13 00:00:00 น.

การคาดการณ์ที่สร้างขึ้นจะแสดงการคาดการณ์โดยเฉลี่ยตลอดจนขอบเขตบนและล่างของการคาดการณ์ ขอบเขตการคาดการณ์ช่วยกำหนดค่าแนวทางเชิงรุกหรือสมดุลสำหรับการจัดการการคาดการณ์

คุณยังสามารถดาวน์โหลดการคาดการณ์ที่สร้างขึ้นเป็นไฟล์ CSV หรือรูปภาพ โดยทั่วไปแล้ว ไฟล์ CSV การคาดการณ์ที่สร้างขึ้นใช้เพื่อทำงานแบบออฟไลน์กับข้อมูลการคาดการณ์

ขณะนี้มีการสร้างการคาดการณ์สำหรับข้อมูลอนุกรมเวลา เมื่อมีข้อมูลพื้นฐานใหม่สำหรับการคาดการณ์ คุณสามารถเปลี่ยนชุดข้อมูลใน Canvas เพื่อฝึกแบบจำลองการคาดการณ์ใหม่โดยใช้ข้อมูลพื้นฐานใหม่

คุณสามารถฝึกแบบจำลองได้หลายครั้งเมื่อมีการเปลี่ยนแปลงข้อมูลการฝึก

สรุป

ในโพสต์นี้ คุณได้เรียนรู้วิธีที่ Amazon AppFlow SAP OData Connector ส่งออกข้อมูลใบสั่งขายจากระบบ SAP ไปยังบัคเก็ต S3 และวิธีใช้ Canvas เพื่อสร้างแบบจำลองสำหรับการคาดการณ์

คุณสามารถใช้ Canvas สำหรับสถานการณ์ข้อมูลอนุกรมเวลาของ SAP เช่น การคาดการณ์ค่าใช้จ่ายหรือรายได้ กระบวนการสร้างการคาดการณ์ทั้งหมดขับเคลื่อนด้วยการตั้งค่าคอนฟิก ผู้จัดการฝ่ายขายและตัวแทนสามารถสร้างการคาดการณ์การขายซ้ำๆ ต่อเดือนหรือต่อไตรมาสด้วยชุดข้อมูลที่รีเฟรชอย่างรวดเร็ว ตรงไปตรงมา และใช้งานง่ายโดยไม่ต้องเขียนโค้ดแม้แต่บรรทัดเดียว ซึ่งช่วยปรับปรุงประสิทธิภาพการทำงานและช่วยให้สามารถวางแผนและตัดสินใจได้อย่างรวดเร็ว

ในการเริ่มต้นใช้งาน เรียนรู้เพิ่มเติมเกี่ยวกับ Canvas และ Amazon AppFlow โดยใช้แหล่งข้อมูลต่อไปนี้:

• คู่มือนักพัฒนา Amazon SageMaker Canvas
• ประกาศเปิดตัว Amazon SageMaker Canvas – ภาพที่ไม่มีความสามารถในการเรียนรู้ด้วยเครื่องโค้ดสำหรับนักวิเคราะห์ธุรกิจ
• ดึงข้อมูลจาก SAP ERP และ BW ด้วย Amazon AppFlow
• การกำหนดค่าตัวเชื่อมต่อ SAP OData

เกี่ยวกับผู้เขียน

บราเจนดรา ซิงห์ เป็นสถาปนิกโซลูชันใน Amazon Web Services ที่ทำงานร่วมกับลูกค้าระดับองค์กร เขามีพื้นฐานด้านนักพัฒนาซอฟต์แวร์ที่แข็งแกร่งและเป็นคนที่กระตือรือร้นในด้านข้อมูลและโซลูชันการเรียนรู้ของเครื่อง

ดาวิเด้ กัลลิเตลลี่ เป็น Specialist Solutions Architect สำหรับ AI/ML ในภูมิภาค EMEA เขาอยู่ในบรัสเซลส์และทำงานอย่างใกล้ชิดกับลูกค้าทั่วเบเนลักซ์ เขาเป็นนักพัฒนาตั้งแต่ยังเด็ก เริ่มเขียนโค้ดเมื่ออายุ 7 ขวบ เขาเริ่มเรียน AI/ML ที่มหาวิทยาลัย และตกหลุมรักมันตั้งแต่นั้นเป็นต้นมา

• คอยน์สมาร์ท การแลกเปลี่ยน Bitcoin และ Crypto ที่ดีที่สุดในยุโรป
• เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าฟรี
• คริปโตฮอว์ก เรดาร์ Altcoin ทดลองฟรี.
• ที่มา: https://aws.amazon.com/blogs/machine-learning/extract-insights-from-sap-erp-with-no-code-ml-solutions-with-amazon-appflow-and-amazon-sagemaker- ผ้าใบ/