Ambalajlı tüketici ürünleri, imalat ve perakende gibi sektörlerdeki müşteriler, her zaman operasyonel süreçlerini, verilerden oluşturulan içgörüler ve analitiklerle zenginleştirerek güçlendirmenin yollarını arıyor. Satış tahmini gibi görevler, hammadde planlama, tedarik, üretim, dağıtım ve gelen/giden lojistik gibi operasyonları doğrudan etkiler ve tek bir depodan büyük ölçekli üretim tesislerine kadar birçok düzeyde etkiye sahip olabilir.
Satış temsilcileri ve yöneticiler, gelecekteki satış eğilimleri hakkında bilinçli tahminler yapmak için geçmiş satış verilerini kullanır. Müşteriler, malların üretimi, satışı ve dağıtımı için planlamayı yönetmek için SAP ERP Central Component'i (ECC) kullanır. SAP ECC içindeki satış ve dağıtım (SD) modülü, satış siparişlerinin yönetilmesine yardımcı olur. SAP sistemleri, geçmiş satış verilerinin birincil kaynağıdır.
Satış temsilcileri ve yöneticiler, satış verilerinin alan bilgisine ve derinlemesine anlayışına sahiptir. Ancak, satış tahminleri oluşturabilen makine öğrenimi (ML) modelleri oluşturmak için veri bilimi ve programlama becerilerinden yoksundurlar. Tek bir kod satırı yazmadan ML modelleri oluşturmak için sezgisel, kullanımı kolay araçlar ararlar.
Kuruluşların iş analistlerinin aradığı çevikliği ve etkinliği elde etmesine yardımcı olmak için, tanıttı Amazon SageMaker TuvalML çözümlerinin teslimini saatlere veya günlere kadar hızlandırmanıza yardımcı olan kodsuz bir ML çözümü. Canvas, analistlerin veri göllerinde, veri ambarlarında ve operasyonel veri depolarında mevcut verileri kolayca kullanmasını sağlar; ML modelleri oluşturmak; ve bunları tek bir kod satırı yazmadan etkileşimli olarak tahminler yapmak ve toplu veri kümelerinde toplu puanlama yapmak için kullanın.
Bu gönderide, Canvas kullanılarak oluşturulmuş bir ML modeli kullanılarak satış tahminleri oluşturmak için SAP ECC'den satış siparişi verilerinin nasıl getirileceğini gösteriyoruz.
Çözüme genel bakış
SAP satış verilerini kullanarak satış tahminleri oluşturmak için iki kişinin işbirliğine ihtiyacımız var: veri mühendisleri ve iş analistleri (satış temsilcileri ve yöneticiler). Veri mühendisleri, SAP sisteminden veri dışa aktarımını yapılandırmaktan sorumludur. Amazon Basit Depolama Hizmeti (Amazon S3) kullanarak Amazon Uygulama Akışı, hangi iş analistlerinin S3 kovasındaki SAP verilerini yenilemek için isteğe bağlı veya otomatik olarak (programa dayalı) çalıştırabileceği. İş analistleri daha sonra Canvas kullanarak dışa aktarılan verilerle tahminler oluşturmaktan sorumludur. Aşağıdaki diyagram bu iş akışını göstermektedir.
Bu gönderi için SAP kullanıyoruz NetWeaver Kurumsal Tedarik Modeli (EPM) örnek veriler için. EPM, SAP'de genellikle gösterim ve test amaçlı kullanılır. Ortak iş süreci modelini kullanır ve iyi tanımlanmış bir iş mantığını desteklemek için iş nesnesi (BO) paradigmasını takip eder. Yaklaşık 80,000 geçmiş satış siparişi oluşturmak için SAP işlemini SEPM_DG (veri oluşturucu) kullandık ve aşağıdaki kodda gösterildiği gibi verileri ürün kimliğine, satış tarihine ve şehre göre toplamak için bir HANA CDS görünümü oluşturduk:
Bir sonraki bölümde, verileri Amazon AppFlow ile çıkarmamızı sağlayan ABAP yapısı olarak SAP OData hizmetlerini kullanarak bu görünümü ortaya koyuyoruz.
Aşağıdaki tablo, bu gönderide kullandığımız SAP'nin temsili geçmiş satış verilerini göstermektedir.
ürün kimliği | indirim tarihi | Şehir | toplam satış |
P-4 | 2013-01-02 00:00:00 | Quito | 1922.00 |
P-5 | 2013-01-02 00:00:00 | Santo Domingo | 1903.00 |
Veri dosyası, günlük frekans geçmiş verileridir. Dört sütunu vardır (productid
, saledate
, city
, ve totalsales
). Tahmin için kullanılan bir ML modeli oluşturmak için Canvas'ı kullanıyoruz totalsales
için productid
belirli bir şehirde.
Bu gönderi, hem veri mühendislerinin hem de iş analistlerinin ürün satış tahminleri oluşturma konusundaki faaliyetlerini ve sorumluluklarını göstermek için düzenlenmiştir.
Veri mühendisi: Amazon AppFlow ile veri kümesini SAP'den Amazon S3'e çıkarın, dönüştürün ve yükleyin
Veri mühendisi olarak gerçekleştirdiğiniz ilk görev, iş analistinin tahmin modelleri için kaynak veri kümesi olarak kullandığı SAP ECC'den bir S3 kovasına geçmiş satış verileri üzerinde bir ayıklama, dönüştürme ve yükleme (ETL) işi çalıştırmaktır. Bunun için Amazon AppFlow kullanıyoruz çünkü kullanıma hazır SAP OData Bağlayıcı ETL için (aşağıdaki şemada gösterildiği gibi), SAP ECC'den S3 kovasına bağlantıyı yapılandırmak için gereken her şeyi ayarlamak için basit bir kullanıcı arayüzü ile.
Önkoşullar
Amazon AppFlow'u SAP ile entegre etmek için gereksinimler şunlardır:
- SAP NetWeaver Stack sürüm 7.40 SP02 veya üzeri
- Hizmet keşfi için SAP Gateway'de etkinleştirilen katalog hizmeti (OData v2.0/v2.0)
- SAP OData Service için istemci tarafı sayfalandırma ve sorgu seçenekleri desteği
- SAP'ye HTTPS etkin bağlantı
Doğrulama
Amazon AppFlow, SAP'ye bağlanmak için iki kimlik doğrulama mekanizmasını destekler:
- Basic – SAP OData kullanıcı adı ve parolasını kullanarak kimlik doğrulaması yapar.
- OAuth 2.0 – Bir kimlik sağlayıcı ile OAuth 2.0 yapılandırmasını kullanır. OData v2.0/v2.0 hizmetleri için OAuth 2.0 etkinleştirilmelidir.
Bağlantısı
Amazon AppFlow, genel bir SAP OData arabirimi veya özel bir bağlantı kullanarak SAP ECC'ye bağlanabilir. Özel bağlantı, verileri genel internet yerine özel AWS ağı üzerinden aktararak veri gizliliğini ve güvenliğini artırır. Özel bir bağlantı, bir VPC'de çalışan SAP OData örneği için VPC uç nokta hizmetini kullanır. VPC uç nokta hizmeti, Amazon AppFlow hizmet sorumlusuna sahip olmalıdır appflow.amazonaws.com
izin verilen bir asıl olarak ve bir AWS Bölgesindeki Erişilebilirlik Alanlarının en az %50'sinden fazlasında mevcut olmalıdır.
Amazon AppFlow'da bir akış ayarlayın
SAP'den bir S3 kovasına veri üzerinde bir ETL işi çalıştırmak için Amazon AppFlow'da yeni bir akış yapılandırıyoruz. Bu akış, kaynak olarak SAP OData Connector, hedef olarak S3 kovası, OData nesne seçimi, veri eşleme, veri doğrulama ve veri filtrelemeye olanak tanır.
- Aşağıdaki bilgileri sağlayarak SAP OData Connector'ı veri kaynağı olarak yapılandırın:
- Kaynağı yapılandırdıktan sonra, satış siparişleri için OData nesnesini ve alt nesnesini seçin.
Genellikle, SAP'den gelen satış verileri, tam boyut için aylık veya üç aylık gibi belirli bir sıklıkta dışa aktarılır. Bu gönderi için, tam boyutlu dışa aktarma için alt nesne seçeneğini belirleyin.
- Hedef olarak S3 paketini seçin.
Akış, verileri bu kovaya aktarır.
- İçin Veri biçimi tercihiseçin CSV biçimi.
- İçin Veri aktarımı tercihiseçin Tüm kayıtları topla.
- İçin Dosya adı tercihiseçin Dosya adına bir zaman damgası ekleyin.
- İçin Klasör yapısı tercihiseçin Zaman damgalı klasör yok.
Kayıt toplama yapılandırması, tek bir dosyada birleştirilmiş tam boyutlu satış verilerini SAP'den dışa aktarır. Dosya adı, S3 klasöründeki tek bir klasörde (akış adı) YYYY-AA-GGGTH:dd:ss biçiminde bir zaman damgasıyla biter. Canvas, model eğitimi ve tahmin için bu tek dosyadan verileri içe aktarır.
- Kaynak veri alanlarını hedef veri alanlarıyla eşleştirmek için veri eşleme ve doğrulamaları yapılandırın ve gerektiğinde veri doğrulama kurallarını etkinleştirin.
- Gereksiniminiz gerektiriyorsa belirli kayıtları filtrelemek için veri filtreleme koşullarını da yapılandırırsınız.
- Akışın isteğe bağlı olarak manuel olarak mı yoksa bir zamanlamaya göre otomatik olarak mı çalışacağına karar vermek için akış tetikleyicinizi yapılandırın.
Bir çizelge için yapılandırıldığında, sıklık, tahminin ne sıklıkla oluşturulması gerektiğine bağlıdır (genellikle aylık, üç aylık veya altı aylık).
Akış yapılandırıldıktan sonra, iş analistleri onu talep üzerine veya SAP'den bir S3 kovasına satış siparişi verileri üzerinde bir ETL işi gerçekleştirme planına göre çalıştırabilir. - Amazon AppFlow yapılandırmasına ek olarak, veri mühendislerinin ayrıca bir AWS Kimlik ve Erişim Yönetimi Diğer AWS hizmetlerine erişebilmesi için Canvas için (IAM) rolü. Talimatlar için bkz. Kullanıcılarınıza zaman serisi tahmini yapma izinleri verin.
İş analisti: Bir tahmin modelini eğitmek için geçmiş satış verilerini kullanın
Şimdi vites değiştirelim ve iş analisti tarafına geçelim. Bir iş analisti olarak, tek bir kod satırı yazmadan veya makine öğrenimi uzmanlığına sahip olmadan makine öğrenimi modelleri oluşturmayı ve doğru tahminler oluşturmayı kolaylaştıran görsel, tıkla ve tıkla hizmeti arıyoruz. Canvas, kod gerektirmeyen ML çözümü olarak gereksinime uygundur.
İlk olarak, IAM rolünüzün Canvas'ın diğer AWS hizmetlerine erişebileceği şekilde yapılandırıldığından emin olun. Daha fazla bilgi için bkz. Kullanıcılarınıza zaman serisi tahmini yapma izinleri verinveya Bulut Mühendisliği ekibinizden yardım isteyebilirsiniz.
Veri mühendisi, Amazon AppFlow tabanlı ETL yapılandırmasını ayarlamayı bitirdiğinde, geçmiş satış verileri sizin için bir S3 klasöründe sunulur.
Artık Canvas ile bir modeli eğitmeye hazırsınız! Bu genellikle dört adımı içerir: verileri hizmete aktarma, uygun model türünü seçerek model eğitimini yapılandırma, modeli eğitme ve son olarak modeli kullanarak tahminler oluşturma.
Kanvas'ta verileri içe aktarma
İlk olarak, Canvas uygulamasını şuradan başlatın: Amazon Adaçayı Yapıcı konsoldan veya çoklu oturum açma erişiminizden. Bunu nasıl yapacağınızı bilmiyorsanız, Canvas'ı kurma sürecinde size yol göstermesi için yöneticinize başvurun. SAP'den geçmiş veri kümesini içeren S3 paketiyle aynı Bölgede hizmete eriştiğinizden emin olun. Aşağıdaki gibi bir ekran görmelisiniz.
Ardından aşağıdaki adımları tamamlayın:
- Canvas'ta, seçin Veri Setleri Gezinti bölmesinde.
- Klinik ithalat S3 kovasından verileri içe aktarmaya başlamak için.
- İçe aktarma ekranında, eğitim verilerini içe aktarmak için S3 klasöründen veri dosyasını veya nesneyi seçin.
Canvas'ta birden çok veri kümesini içe aktarabilirsiniz. Ayrıca, seçerek veri kümeleri arasında birleşim oluşturmayı da destekler. Verileri birleştir, eğitim verileri birden çok dosyaya yayıldığında özellikle yararlıdır.
Modeli yapılandırın ve eğitin
Verileri içe aktardıktan sonra aşağıdaki adımları tamamlayın:
- Klinik Modeller Gezinti bölmesinde.
- Klinik Yeni model tahmin modelini eğitmek için yapılandırmayı başlatmak için.
- Yeni model için ona uygun bir ad verin, örneğin
product_sales_forecast_model
. - Satış veri kümesini seçin ve Veri kümesini seçin.
Veri kümesi seçildikten sonra, Oluştur sekmesinde veri istatistiklerini görebilir ve model eğitimini yapılandırabilirsiniz.
- seç toplam satış tahmin için hedef sütun olarak.
Görebilirsiniz Zaman serisi tahmini model tipi olarak otomatik olarak seçilir. - Klinik yapılandırma.
- içinde Zaman serisi tahmin yapılandırması bölümü, seçim ürün kimliği için Öğe kimliği sütunu.
- Klinik Şehir için Grup sütunu.
- Klinik indirim tarihi için Zaman damgası sütunu.
- İçin Günler, girmek
120
. - Klinik İndirim.
Bu, modeli aşağıdakiler için tahminler yapacak şekilde yapılandırır:totalsales
120 gün boyuncasaledate
sorgulanabilen tarihsel verilere dayalıdır.productid
vecity
.
- Model eğitimi yapılandırması tamamlandığında, öğesini seçin. Standart Yapı Model eğitimini başlatmak için.
The Önizleme modeli seçenek, zaman serisi tahmin modeli tipi için mevcut değildir. Model eğitimi için tahmini süreyi adresinden inceleyebilirsiniz. Çözümlemek sekmesi.
Model eğitiminin tamamlanması, veri boyutuna bağlı olarak 1-4 saat sürebilir. Model hazır olduğunda, onu tahmin oluşturmak için kullanabilirsiniz.
Tahmin oluştur
Model eğitimi tamamlandığında, modelin tahmin doğruluğunu ekranda gösterir. Çözümlemek sekme. Örneğin bu örnekte tahmin doğruluğunu %92.87 olarak göstermektedir.
Tahmin şurada oluşturulur: Tahmin sekme. Tüm öğeler veya seçili tek bir öğe için tahminler oluşturabilirsiniz. Ayrıca, tahminin oluşturulabileceği tarih aralığını da gösterir.
Örnek olarak, Tek öğe seçeneği. Seçiniz P-2 için + ve Quito için grup Quito şehri için 2-2017-08 15:00:00 ile 00-2017-12 13:00:00 tarih aralığı için P-00 ürünü için bir tahmin oluşturmak için.
Oluşturulan tahmin, ortalama tahminin yanı sıra tahminin üst ve alt sınırlarını da gösterir. Tahmin sınırları, tahmin işleme için agresif veya dengeli bir yaklaşımın yapılandırılmasına yardımcı olur.
Oluşturulan tahmini bir CSV dosyası veya görüntüsü olarak da indirebilirsiniz. Oluşturulan tahmin CSV dosyası genellikle tahmin verileriyle çevrimdışı çalışmak için kullanılır.
Tahmin şimdi zaman serisi verileri için oluşturulur. Tahmin için yeni bir veri temel çizgisi kullanılabilir olduğunda, yeni temeli kullanarak tahmin modelini yeniden eğitmek için Canvas'taki veri kümesini değiştirebilirsiniz.
Eğitim verileri değiştikçe modeli birden çok kez yeniden eğitebilirsiniz.
Sonuç
Bu gönderide, Amazon AppFlow SAP OData Connector'ın satış siparişi verilerini SAP sisteminden bir S3 kovasına nasıl dışa aktardığını ve ardından tahmin için bir model oluşturmak için Canvas'ı nasıl kullanacağınızı öğrendiniz.
Gider veya gelir tahmini gibi herhangi bir SAP zaman serisi veri senaryosu için Canvas'ı kullanabilirsiniz. Tüm tahmin oluşturma süreci yapılandırma odaklıdır. Satış yöneticileri ve temsilcileri, tek bir kod satırı yazmadan hızlı, basit ve sezgisel bir şekilde yenilenen bir veri seti ile ayda veya üç ayda bir satış tahminleri oluşturabilir. Bu, üretkenliği artırmaya yardımcı olur ve hızlı planlama ve kararlar alınmasını sağlar.
Başlamak için aşağıdaki kaynakları kullanarak Canvas ve Amazon AppFlow hakkında daha fazla bilgi edinin:
- Amazon SageMaker Canvas Geliştirici Kılavuzu
- Amazon SageMaker Canvas – İş Analistleri için Görsel, Kodsuz Makine Öğrenimi Yeteneği Duyurusu
- Amazon AppFlow ile SAP ERP ve BW'den veri çıkarın
- SAP OData Bağlayıcısı yapılandırması
Yazarlar Hakkında
Brajendra Singh kurumsal müşterilerle çalışan Amazon Web Services çözüm mimarıdır. Güçlü bir geliştirici geçmişine sahiptir ve veri ve makine öğrenimi çözümlerine meraklıdır.
Davide Gallitelli EMEA bölgesinde AI/ML için Uzman Çözüm Mimarıdır. Merkezi Brüksel'dedir ve Benelüks genelindeki müşterilerle yakın işbirliği içinde çalışmaktadır. Çok küçük yaşlardan beri geliştiricidir, 7 yaşında kodlamaya başlar. Üniversitede AI/ML öğrenmeye başladı ve o zamandan beri ona aşık oldu.
- Akıllı para. Avrupa'nın En İyi Bitcoin ve Kripto Borsası.
- Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. SERBEST ERİŞİM.
- KriptoHawk. Altcoin Radarı. Ücretsiz deneme.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/extract-insights-from-sap-erp-with-no-code-ml-solutions-with-amazon-appflow-and-amazon-sagemaker- tuval/
- '
- "
- 000
- 100
- 7
- a
- Hakkımızda
- hızlandırmak
- erişim
- doğru
- Başarmak
- karşısında
- faaliyetler
- ilave
- etkiler
- Türkiye
- veriyor
- her zaman
- Amazon
- Amazon Web Servisleri
- analist
- analytics
- uygulamayı yükleyeceğiz
- yaklaşım
- uygun
- etrafında
- kimliğini doğrular
- Doğrulama
- otomatik olarak
- kullanılabilirliği
- mevcut
- ortalama
- AWS
- arka fon
- Temel
- Çünkü
- arasında
- sınır
- getirmek
- Brüksel
- inşa etmek
- iş
- tuval
- merkezi
- belli
- değişiklik
- Klinik
- Şehir
- bulut
- kod
- işbirliği
- Sütun
- kombine
- ortak
- tamamlamak
- bileşen
- koşullar
- yapılandırma
- Sosyal medya
- bağ
- konsolos
- tüketici
- UAF ile
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- Oluşturma
- Müşteriler
- günlük
- veri
- veri gizliliği
- Veri Gizliliği ve Güvenliği
- veri bilimi
- kararlar
- teslim
- Talep
- talepleri
- bağlı
- hedef
- Geliştirici
- direkt olarak
- dağıtım
- domain
- aşağı
- indir
- tahrik
- kolayca
- etki
- güçlendirmek
- etkinleştirmek
- sağlar
- Son nokta
- uçları
- mühendis
- Mühendislik
- Mühendisler
- Keşfet
- kuruluş
- tahmini
- her şey
- örnek
- Uzmanlık
- HIZLI
- Alanlar
- süzme
- Nihayet
- Ad
- akış
- takip etme
- şu
- biçim
- itibaren
- tam
- gelecek
- geçit
- genellikle
- oluşturmak
- üreten
- nesil
- jeneratör
- mal
- grup
- rehberlik
- kullanma
- sahip olan
- yükseklik
- yardım et
- yardımcı olur
- tarihsel
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTTPS
- Kimlik
- görüntü
- darbe
- ithal
- iyileştirmek
- Endüstri
- bilgi
- bilgi
- anlayışlar
- örnek
- entegre
- arayüzey
- Internet
- sezgisel
- IT
- İş
- kaydol
- Katıldı
- anahtar
- Bilmek
- bilgi
- etiket
- başlatmak
- ÖĞRENİN
- öğrendim
- öğrenme
- seviyeleri
- çizgi
- LINK
- yük
- lojistik
- bakıyor
- Aşk
- makine
- makine öğrenme
- yapmak
- YAPAR
- yönetmek
- Yöneticileri
- el ile
- üretim
- harita
- haritalama
- malzeme
- olabilir
- ML
- model
- modelleri
- Ay
- aylık
- Daha
- hareket
- çoklu
- Navigasyon
- ihtiyaçlar
- ağ
- çevrimdışı
- Operasyon
- seçenek
- Opsiyonlar
- sipariş
- emir
- organizasyonlar
- Düzenlenmiş
- Diğer
- paradigma
- belirli
- özellikle
- Şifre
- planlama
- tahmin
- Tahminler
- Önizleme
- birincil
- Anapara
- gizlilik
- Gizlilik ve Güvenlik
- özel
- süreç
- Süreçler
- PLATFORM
- üretim
- verimlilik
- Programlama
- sağlayan
- sağlar
- sağlama
- halka açık
- yayınlamak
- amaçlı
- Çeyrek
- Hızlı
- menzil
- Çiğ
- kayıt
- kayıtlar
- bölge
- temsilci
- gereklidir
- Yer Alan Kurallar
- Kaynaklar
- sorumlulukları
- sorumlu
- perakende
- gelir
- yorum
- Rol
- kurallar
- koşmak
- koşu
- satış
- satış
- aynı
- özsu
- Bilim
- puanlama
- Ekran
- güvenlik
- seçilmiş
- seçim
- Dizi
- hizmet
- Hizmetler
- set
- ayar
- gösterilen
- Basit
- beri
- tek
- beden
- becerileri
- So
- katı
- çözüm
- Çözümler
- uzman
- özel
- yayılma
- yığın
- başlama
- başladı
- istatistik
- hafızası
- mağaza
- güçlü
- destek
- Destekler
- anahtar
- sistem
- Sistemler
- Hedef
- görevleri
- takım
- Test yapmak
- The
- Kaynak
- İçinden
- boyunca
- zaman
- zamanlar
- araçlar
- Eğitim
- işlem
- transfer
- aktarma
- Dönüştürmek
- Trendler
- tipik
- ui
- anlayış
- üniversite
- us
- kullanım
- kullanıcılar
- onaylama
- versiyon
- Görüntüle
- yolları
- ağ
- web hizmetleri
- iyi tanımlanmış
- olup olmadığını
- içinde
- olmadan
- İş
- çalışma
- çalışır
- yazı yazıyor
- genç