Клієнти в таких галузях, як споживчі товари, виробництво та роздрібна торгівля, завжди шукають способи розширити свої робочі процеси, збагачуючи їх інформацією та аналітикою, отриманою на основі даних. Такі завдання, як прогнозування продажів, безпосередньо впливають на такі операції, як планування сировини, закупівлі, виробництво, розподіл і вхідну/вихідну логістику, і це може мати багато рівнів впливу, від одного складу до великомасштабних виробничих потужностей.
Торгові представники та менеджери використовують історичні дані про продажі, щоб робити обґрунтовані прогнози щодо майбутніх тенденцій продажів. Клієнти використовують центральний компонент SAP ERP (ECC) для управління плануванням виробництва, продажу та розподілу товарів. Модуль продажу та розподілу (SD) в SAP ECC допомагає керувати замовленнями на продаж. Системи SAP є основним джерелом історичних даних про продажі.
Торгові представники та менеджери мають знання предметної області та глибоке розуміння своїх даних про продажі. Однак їм не вистачає наукових даних і навичок програмування для створення моделей машинного навчання (ML), які можуть генерувати прогнози продажів. Вони шукають інтуїтивно зрозумілі, прості у використанні інструменти для створення моделей ML без написання жодного рядка коду.
Щоб допомогти організаціям досягти гнучкості та ефективності, яких прагнуть бізнес-аналітики, ми введені Canvas Amazon SageMaker, рішення ML без коду, яке допомагає прискорити доставку рішень ML до годин або днів. Canvas дозволяє аналітикам легко використовувати доступні дані в озерах даних, сховищах даних і сховищах операційних даних; побудувати моделі ML; і використовуйте їх, щоб робити прогнози в інтерактивному режимі та для групового оцінювання масових наборів даних — і все це без написання жодного рядка коду.
У цій публікації ми показуємо, як перенести дані замовлення на продаж із SAP ECC для створення прогнозів продажів за допомогою моделі ML, створеної за допомогою Canvas.
Огляд рішення
Щоб генерувати прогнози продажів за допомогою даних про продажі SAP, нам потрібна співпраця двох осіб: інженерів даних і бізнес-аналітиків (торгових представників і менеджерів). Інженери даних відповідають за налаштування експорту даних із системи SAP до Служба простого зберігання Amazon (Amazon S3) за допомогою Amazon App Flow, який бізнес-аналітики потім можуть запускати на вимогу або автоматично (за розкладом), щоб оновити дані SAP у сегменті S3. Потім бізнес-аналітики відповідають за створення прогнозів з експортованими даними за допомогою Canvas. Наступна діаграма ілюструє цей робочий процес.
Для цієї публікації ми використовуємо SAP Модель закупівель NetWeaver Enterprise (EPM) для вибіркових даних. EPM зазвичай використовується для демонстрації та тестування в SAP. Він використовує загальну модель бізнес-процесів і дотримується парадигми бізнес-об’єктів (BO) для підтримки чітко визначеної бізнес-логіки. Ми використали транзакцію SAP SEPM_DG (генератор даних) для створення близько 80,000 XNUMX історичних замовлень на продаж і створили представлення HANA CDS для зведення даних за ідентифікатором продукту, датою продажу та містом, як показано в наступному коді:
У наступному розділі ми представляємо це подання за допомогою служб SAP OData як структури ABAP, що дозволяє нам витягувати дані за допомогою Amazon AppFlow.
У наступній таблиці показано репрезентативні історичні дані про продажі від SAP, які ми використовуємо в цій публікації.
productid | розпродаж | місто | загальні продажі |
P-4 | 2013-01-02 00:00:00 | Кіто | 1922.00 |
P-5 | 2013-01-02 00:00:00 | Санто-Домінго | 1903.00 |
Файл даних – це щоденні історичні дані частоти. Має чотири колонки (productid
, saledate
, city
та totalsales
). Ми використовуємо Canvas для створення моделі ML, яка використовується для прогнозування totalsales
та цінності productid
в конкретному місті.
Ця публікація була організована, щоб показати діяльність і обов’язки як інженерів даних, так і бізнес-аналітиків для створення прогнозів продажів продукції.
Інженер даних: витягуйте, трансформуйте та завантажуйте набір даних із SAP в Amazon S3 за допомогою Amazon AppFlow
Перше завдання, яке ви виконуєте як інженер даних, — це запустити завдання вилучення, перетворення та завантаження (ETL) на історичних даних про продажі з SAP ECC у сегмент S3, який бізнес-аналітик використовує як вихідний набір даних для своєї моделі прогнозування. Для цього ми використовуємо Amazon AppFlow, оскільки він надає готовий продукт Конектор SAP OData для ETL (як показано на наступній діаграмі) із простим інтерфейсом користувача для налаштування всього необхідного для налаштування підключення від SAP ECC до сегмента S3.
Передумови
Нижче наведено вимоги для інтеграції Amazon AppFlow із SAP:
- SAP NetWeaver Stack версії 7.40 SP02 або вище
- Служба каталогу (OData v2.0/v2.0) увімкнена в SAP Gateway для виявлення служби
- Підтримка сторінки клієнта та параметрів запиту для SAP OData Service
- Підключення до SAP із підтримкою HTTPS
Authentication
Amazon AppFlow підтримує два механізми аутентифікації для підключення до SAP:
- базовий – Аутентифікація за допомогою імені користувача та пароля SAP OData.
- OAuth 2.0 – Використовує конфігурацію OAuth 2.0 з постачальником ідентифікаційних даних. Для служб OData v2.0/v2.0 має бути ввімкнено OAuth 2.0.
Connection
Amazon AppFlow може підключатися до SAP ECC за допомогою загальнодоступного інтерфейсу SAP OData або приватного підключення. Приватне з’єднання покращує конфіденційність і безпеку даних, передаючи дані через приватну мережу AWS замість загальнодоступного Інтернету. Приватне з’єднання використовує службу кінцевої точки VPC для екземпляра SAP OData, що працює у VPC. Служба кінцевої точки VPC повинна мати принципала служби Amazon AppFlow appflow.amazonaws.com
як дозволений принципал і має бути доступним принаймні в більш ніж 50% зон доступності в регіоні AWS.
Налаштуйте потік в Amazon AppFlow
Ми налаштовуємо новий потік в Amazon AppFlow для запуску завдання ETL для даних із SAP у сегмент S3. Цей потік дозволяє конфігурувати SAP OData Connector як джерело, сегмент S3 як місце призначення, вибір об’єкта OData, відображення даних, перевірку даних та фільтрацію даних.
- Налаштуйте SAP OData Connector як джерело даних, надавши таку інформацію:
- Після налаштування джерела виберіть об’єкт OData та підоб’єкт для замовлень на продаж.
Як правило, дані про продажі з SAP експортуються з певною періодичністю, наприклад щомісяця або щоквартально для повного розміру. Для цієї публікації виберіть параметр підоб’єкта для експорту в повний розмір.
- Виберіть відро S3 як пункт призначення.
Потік експортує дані до цього сегмента.
- для Налаштування формату данихвиберіть Формат CSV.
- для Налаштування передачі данихвиберіть Агрегувати всі записи.
- для Налаштування імені файлувиберіть Додайте позначку часу до імені файлу.
- для Налаштування структури папкивиберіть Немає папки з міткою часу.
Конфігурація агрегації записів експортує повнорозмірні дані про продажі з SAP, об’єднані в один файл. Ім’я файлу закінчується міткою часу у форматі РРРР-ММ-ДДТГ:мм:сс в одній папці (ім’я потоку) у сегменті S3. Canvas імпортує дані з цього єдиного файлу для навчання моделі та прогнозування.
- Налаштуйте зіставлення та перевірки даних, щоб зіставити поля вихідних даних із полями даних призначення, а також увімкніть правила перевірки даних, якщо потрібно.
- Ви також налаштовуєте умови фільтрації даних, щоб відфільтрувати певні записи, якщо цього вимагає ваша вимога.
- Налаштуйте тригер потоку, щоб вирішити, чи запускатиметься потік вручну на вимогу чи автоматично на основі розкладу.
Коли налаштовано для розкладу, частота залежить від того, як часто потрібно генерувати прогноз (зазвичай щомісяця, кварталу чи півріччя).
Після налаштування потоку бізнес-аналітики можуть запустити його на вимогу або на основі розкладу, щоб виконати завдання ETL з даними замовлення на продаж із SAP у сегмент S3. - На додаток до конфігурації Amazon AppFlow, розробникам даних також потрібно налаштувати Управління ідентифікацією та доступом AWS (IAM) для Canvas, щоб він міг отримати доступ до інших служб AWS. Інструкції див Надайте своїм користувачам дозвіл на прогнозування часових рядів.
Бізнес-аналітик: використовуйте історичні дані про продажі для навчання моделі прогнозування
Давайте поміняємось і перейдемо до бізнес-аналітика. Як бізнес-аналітик, ми шукаємо візуальну послугу «наведи і клацни», яка спрощує створення моделей ML та створення точних прогнозів без написання жодного рядка коду чи досвіду ML. Canvas відповідає вимогам як рішення ML без коду.
По-перше, переконайтеся, що ваша роль IAM налаштована таким чином, щоб Canvas мав доступ до інших служб AWS. Для отримання додаткової інформації див Надайте своїм користувачам дозвіл на прогнозування часових рядів, або ви можете звернутися за допомогою до своєї команди Cloud Engineering.
Коли інженер з даних завершить налаштування конфігурації ETL на основі Amazon AppFlow, історичні дані про продажі будуть доступні для вас у пакеті S3.
Тепер ви готові навчати модель за допомогою Canvas! Зазвичай це включає чотири кроки: імпорт даних у службу, налаштування навчання моделі шляхом вибору відповідного типу моделі, навчання моделі та, нарешті, створення прогнозів за допомогою моделі.
Імпорт даних у Canvas
Спочатку запустіть програму Canvas з Amazon SageMaker консолі або з доступу єдиного входу. Якщо ви не знаєте, як це зробити, зв’яжіться з адміністратором, щоб він провів вас у процесі налаштування Canvas. Переконайтеся, що ви отримуєте доступ до служби в тому самому регіоні, що й сегмент S3, що містить історичний набір даних від SAP. Ви повинні побачити такий екран.
Потім виконайте наступні кроки:
- У Canvas виберіть Набори даних у навігаційній панелі.
- Вибирати Імпортувати щоб почати імпорт даних із сегмента S3.
- На екрані імпорту виберіть файл даних або об’єкт із сегмента S3, щоб імпортувати навчальні дані.
У Canvas можна імпортувати кілька наборів даних. Він також підтримує створення з’єднань між наборами даних шляхом вибору Приєднати дані, що особливо корисно, коли навчальні дані розподіляються між кількома файлами.
Налаштуйте та навчіть модель
Після імпортування даних виконайте такі дії:
- Вибирати моделі у навігаційній панелі.
- Вибирати нова модель щоб почати конфігурацію для навчання моделі прогнозу.
- Для нової моделі дайте їй відповідну назву, наприклад
product_sales_forecast_model
. - Виберіть набір даних про продажі та виберіть Виберіть набір даних.
Після вибору набору даних ви можете переглянути статистику даних і налаштувати навчання моделі на вкладці «Побудова».
- Select загальні продажі як цільовий стовпець для передбачення.
Ви можете бачити, Прогнозування часових рядів автоматично вибирається як тип моделі. - Вибирати Конфігурувати.
- У Конфігурація прогнозування часових рядів розділ, вибрати productid та цінності Стовпець ідентифікатора елемента.
- Вибирати місто та цінності Групова колонка.
- Вибирати розпродаж та цінності Стовпець позначки часу.
- для Днів, введіть
120
. - Вибирати зберегти.
Це налаштовує модель для прогнозуванняtotalsales
протягом 120 днів використанняsaledate
на основі історичних даних, які можна отриматиproductid
таcity
.
- Коли конфігурація навчання моделі завершена, виберіть Стандартна збірка щоб почати навчання моделі.
Команда Модель попереднього перегляду Опція недоступна для типу моделі прогнозування часових рядів. Ви можете переглянути орієнтовний час навчання моделі на сторінці Аналізувати Вкладка.
Навчання моделі може зайняти 1–4 години, залежно від розміру даних. Коли модель буде готова, її можна використовувати для створення прогнозу.
Створіть прогноз
Коли навчання моделі завершено, воно показує точність передбачення моделі на Аналізувати табл. Наприклад, у цьому прикладі точність прогнозу становить 92.87%.
Прогноз формується на Прогнозуйте табл. Ви можете створювати прогнози для всіх елементів або окремого вибраного елемента. Він також показує діапазон дат, для якого можна створити прогноз.
Як приклад виберіть Одиничний предмет варіант Виберіть P-2 та цінності пункт та Кіто та цінності Group щоб створити прогноз для продукту P-2 для міста Кіто для діапазону дат 2017-08-15 00:00:00 до 2017-12-13 00:00:00.
Згенерований прогноз показує середній прогноз, а також верхню та нижню межі прогнозу. Межі прогнозу допомагають налаштувати агресивний або збалансований підхід до обробки прогнозу.
Ви також можете завантажити згенерований прогноз у вигляді файлу CSV або зображення. Згенерований CSV-файл прогнозу зазвичай використовується для роботи в автономному режимі з даними прогнозу.
Тепер для даних часового ряду формується прогноз. Коли нова базова лінія даних стане доступною для прогнозу, ви можете змінити набір даних у Canvas, щоб перенавчати модель прогнозу за допомогою нової базової лінії.
Ви можете перенавчати модель кілька разів у міру зміни навчальних даних.
Висновок
У цій публікації ви дізналися, як Amazon AppFlow SAP OData Connector експортує дані замовлень на продаж із системи SAP у сегмент S3, а потім як використовувати Canvas для побудови моделі для прогнозування.
Canvas можна використовувати для будь-яких сценаріїв даних часових рядів SAP, наприклад прогнозування витрат або доходу. Весь процес створення прогнозу залежить від конфігурації. Менеджери з продажу та представники можуть генерувати прогнози продажів кілька разів на місяць або на квартал з оновленим набором даних швидким, простим та інтуїтивно зрозумілим способом, не написавши жодного рядка коду. Це допомагає підвищити продуктивність і дозволяє швидко планувати та приймати рішення.
Щоб розпочати, дізнайтеся більше про Canvas і Amazon AppFlow, використовуючи такі ресурси:
- Посібник розробника Amazon SageMaker Canvas
- Анонс Amazon SageMaker Canvas – візуальна можливість машинного навчання без коду для бізнес-аналітиків
- Отримайте дані з SAP ERP і BW за допомогою Amazon AppFlow
- Конфігурація SAP OData Connector
Про авторів
Браджендра Сінгх є архітектором рішень у Amazon Web Services, який працює з корпоративними клієнтами. Він має сильний досвід розробників і є великим ентузіастом даних і рішень машинного навчання.
Давіде Галлітеллі є спеціалістом архітектора рішень для AI/ML у регіоні EMEA. Він базується в Брюсселі і тісно співпрацює з клієнтами по всьому Бенілюксу. Він був розробником з самого дитинства, почавши кодувати у віці 7 років. Він почав вивчати AI/ML в університеті і з тих пір закохався в нього.
- Coinsmart. Найкраща в Європі біржа біткойн та криптовалют.
- Платоблокчейн. Web3 Metaverse Intelligence. Розширені знання. БЕЗКОШТОВНИЙ ДОСТУП.
- CryptoHawk. Альткойн Радар. Безкоштовне випробування.
- Джерело: https://aws.amazon.com/blogs/machine-learning/extract-insights-from-sap-erp-with-no-code-ml-solutions-with-amazon-appflow-and-amazon-sagemaker- полотно/
- '
- "
- 000
- 100
- 7
- a
- МЕНЮ
- прискорювати
- доступ
- точний
- Achieve
- через
- діяльності
- доповнення
- впливати
- ВСІ
- дозволяє
- завжди
- Amazon
- Amazon Web Services
- аналітик
- аналітика
- додаток
- підхід
- відповідний
- навколо
- засвідчує автентифікацію
- Authentication
- автоматично
- наявність
- доступний
- середній
- AWS
- фон
- Базова лінія
- оскільки
- між
- border
- приносити
- Брюссель
- будувати
- бізнес
- полотно
- центральний
- певний
- зміна
- Вибирати
- Місто
- хмара
- код
- співробітництво
- Колонка
- комбінований
- загальний
- повний
- компонент
- Умови
- конфігурація
- З'єднуватися
- зв'язку
- Консоль
- споживач
- контакт
- створювати
- створений
- створення
- Клієнти
- щодня
- дані
- конфіденційність даних
- Конфіденційність та безпека даних
- наука про дані
- рішення
- доставка
- Попит
- запити
- Залежно
- призначення
- Розробник
- безпосередньо
- розподіл
- домен
- вниз
- скачати
- керований
- легко
- ефективність
- уповноважувати
- включіть
- дозволяє
- Кінцева точка
- закінчується
- інженер
- Машинобудування
- Інженери
- Що натомість? Створіть віртуальну версію себе у
- підприємство
- оцінка
- все
- приклад
- експертиза
- ШВИДКО
- Поля
- фільтрація
- в кінці кінців
- Перший
- потік
- після
- слідує
- формат
- від
- Повний
- майбутнє
- шлюз
- в цілому
- породжувати
- породжує
- покоління
- generator
- товари
- Group
- керівництво
- Обробка
- має
- висота
- допомога
- допомагає
- історичний
- Як
- How To
- Однак
- HTTPS
- Особистість
- зображення
- Impact
- імпорт
- удосконалювати
- промисловості
- інформація
- повідомив
- розуміння
- екземпляр
- інтегрувати
- інтерфейс
- інтернет
- інтуїтивний
- IT
- робота
- приєднатися
- з'єднання
- ключ
- Знати
- знання
- етикетка
- запуск
- УЧИТЬСЯ
- вчений
- вивчення
- рівні
- Лінія
- LINK
- загрузка
- логістика
- шукати
- любов
- машина
- навчання за допомогою машини
- зробити
- РОБОТИ
- управляти
- Менеджери
- вручну
- виробництво
- карта
- відображення
- матеріал
- може бути
- ML
- модель
- Моделі
- місяць
- щомісячно
- більше
- рухатися
- множинний
- навігація
- потреби
- мережу
- offline
- операції
- варіант
- Опції
- порядок
- замовлень
- організації
- Організований
- Інше
- парадигма
- приватність
- особливо
- Пароль
- планування
- прогноз
- Прогнози
- попередній перегляд
- первинний
- Головний
- недоторканність приватного життя
- Конфіденційність та безпека
- приватний
- процес
- процеси
- Product
- Production
- продуктивність
- Програмування
- Постачальник
- забезпечує
- забезпечення
- громадськість
- публікувати
- цілей
- Квартал
- Швидко
- діапазон
- Сировина
- запис
- облік
- регіон
- представник
- вимагається
- Вимога
- ресурси
- обов'язки
- відповідальний
- роздрібна торгівля
- revenue
- огляд
- Роль
- Правила
- прогін
- біг
- sale
- продажів
- то ж
- живиця
- наука
- рахунок
- Екран
- безпеку
- обраний
- вибір
- Серія
- обслуговування
- Послуги
- комплект
- установка
- показаний
- простий
- з
- один
- Розмір
- навички
- So
- solid
- рішення
- Рішення
- спеціаліст
- конкретний
- поширення
- стек
- старт
- почалася
- статистика
- зберігання
- магазинів
- сильний
- підтримка
- Опори
- перемикач
- система
- Systems
- Мета
- завдання
- команда
- Тестування
- Команда
- Джерело
- через
- по всьому
- час
- times
- інструменти
- Навчання
- угода
- переклад
- Передача
- Перетворення
- Тенденції
- типово
- ui
- розуміння
- університет
- us
- використання
- користувачі
- перевірка достовірності
- версія
- вид
- способи
- Web
- веб-сервіси
- добре визначений
- Чи
- в
- без
- Work
- робочий
- працює
- лист
- молодий
- вашу