ایمیزون ایپ فلو اور ایمیزون سیج میکر کینوس کے ساتھ بغیر کوڈ ایم ایل حل کے ساتھ SAP ERP سے بصیرتیں نکالیں۔

کنزیومر پیکڈ گڈز، مینوفیکچرنگ، اور ریٹیل جیسی صنعتوں میں صارفین ہمیشہ ڈیٹا سے پیدا ہونے والی بصیرت اور تجزیات کے ذریعے اپنے آپریشنل عمل کو بااختیار بنانے کے طریقے تلاش کرتے رہتے ہیں۔ فروخت کی پیشن گوئی جیسے کام براہ راست خام مال کی منصوبہ بندی، حصولی، مینوفیکچرنگ، ڈسٹری بیوشن، اور ان باؤنڈ/آؤٹ باؤنڈ لاجسٹکس جیسے کاموں کو متاثر کرتے ہیں، اور یہ ایک ہی گودام سے لے کر بڑے پیمانے پر پیداواری سہولیات تک کئی سطحوں کے اثرات مرتب کر سکتا ہے۔

سیلز کے نمائندے اور مینیجرز مستقبل کی فروخت کے رجحانات کے بارے میں باخبر پیش گوئیاں کرنے کے لیے تاریخی سیلز ڈیٹا کا استعمال کرتے ہیں۔ صارفین سامان کی تیاری، فروخت اور تقسیم کے لیے منصوبہ بندی کا انتظام کرنے کے لیے SAP ERP سینٹرل کمپوننٹ (ECC) کا استعمال کرتے ہیں۔ SAP ECC کے اندر سیلز اینڈ ڈسٹری بیوشن (SD) ماڈیول سیلز آرڈرز کو منظم کرنے میں مدد کرتا ہے۔ SAP سسٹمز تاریخی سیلز ڈیٹا کا بنیادی ذریعہ ہیں۔

سیلز کے نمائندوں اور مینیجرز کو ڈومین کا علم اور ان کے سیلز ڈیٹا کی گہرائی سے سمجھ ہے۔ تاہم، ان کے پاس مشین لرننگ (ML) ماڈلز بنانے کے لیے ڈیٹا سائنس اور پروگرامنگ کی مہارتوں کی کمی ہے جو فروخت کی پیشن گوئی پیدا کر سکتے ہیں۔ وہ کوڈ کی ایک لائن لکھے بغیر ML ماڈل بنانے کے لیے بدیہی، استعمال میں آسان ٹولز تلاش کرتے ہیں۔

تنظیموں کی اس چستی اور تاثیر کو حاصل کرنے میں مدد کرنے کے لیے جو کاروباری تجزیہ کار تلاش کرتے ہیں، ہم متعارف ایمیزون سیج میکر کینوس، ایک بغیر کوڈ ML حل جو آپ کو ML حل کی ترسیل کو گھنٹوں یا دنوں تک تیز کرنے میں مدد کرتا ہے۔ کینوس تجزیہ کاروں کو ڈیٹا لیکس، ڈیٹا گوداموں اور آپریشنل ڈیٹا اسٹورز میں دستیاب ڈیٹا کو آسانی سے استعمال کرنے کے قابل بناتا ہے۔ ایم ایل ماڈلز کی تعمیر؛ اور ان کا استعمال انٹرایکٹو انداز میں پیشین گوئیاں کرنے اور بلک ڈیٹاسیٹس پر بیچ اسکورنگ کے لیے کریں—سب کچھ کوڈ کی ایک لائن لکھے بغیر۔

اس پوسٹ میں، ہم دکھاتے ہیں کہ کینوس کا استعمال کرتے ہوئے بنائے گئے ایم ایل ماڈل کا استعمال کرتے ہوئے سیلز کی پیشن گوئی پیدا کرنے کے لیے SAP ECC سے سیلز آرڈر کا ڈیٹا کیسے لایا جائے۔

حل جائزہ

SAP سیلز ڈیٹا کا استعمال کرتے ہوئے فروخت کی پیشن گوئیاں پیدا کرنے کے لیے، ہمیں دو شخصیات کے اشتراک کی ضرورت ہے: ڈیٹا انجینئرز اور کاروباری تجزیہ کار (سیلز کے نمائندے اور مینیجرز)۔ ڈیٹا انجینئرز SAP سسٹم سے ڈیٹا ایکسپورٹ کو ترتیب دینے کے ذمہ دار ہیں۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) کا استعمال کرتے ہوئے ایمیزون ایپ فلو، جس کے بعد کاروباری تجزیہ کار S3 بالٹی میں SAP ڈیٹا کو ریفریش کرنے کے لیے یا تو آن ڈیمانڈ یا خودکار طور پر (شیڈول پر مبنی) چلا سکتے ہیں۔ اس کے بعد کاروباری تجزیہ کار کینوس کا استعمال کرتے ہوئے برآمد شدہ ڈیٹا کے ساتھ پیشن گوئی پیدا کرنے کے ذمہ دار ہیں۔ درج ذیل خاکہ اس ورک فلو کو واضح کرتا ہے۔

اس پوسٹ کے لیے، ہم SAP استعمال کرتے ہیں۔ نیٹ ویور انٹرپرائز پروکیورمنٹ ماڈل (EPM) نمونہ ڈیٹا کے لیے۔ EPM عام طور پر SAP میں مظاہرے اور جانچ کے مقاصد کے لیے استعمال ہوتا ہے۔ یہ عام کاروباری عمل کے ماڈل کا استعمال کرتا ہے اور ایک اچھی طرح سے متعین کاروباری منطق کو سپورٹ کرنے کے لیے بزنس آبجیکٹ (BO) پیراڈائم کی پیروی کرتا ہے۔ ہم نے SAP ٹرانزیکشن SEPM_DG (ڈیٹا جنریٹر) کا استعمال تقریباً 80,000 تاریخی سیلز آرڈرز بنانے کے لیے کیا اور پروڈکٹ ID، سیلز کی تاریخ، اور شہر کے لحاظ سے ڈیٹا کو اکٹھا کرنے کے لیے ایک HANA CDS ویو بنایا، جیسا کہ درج ذیل کوڈ میں دکھایا گیا ہے:

@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

اگلے حصے میں، ہم SAP OData سروسز کو ABAP ڈھانچے کے طور پر استعمال کرتے ہوئے اس نظریے کو بے نقاب کرتے ہیں، جو ہمیں Amazon AppFlow کے ساتھ ڈیٹا نکالنے کی اجازت دیتا ہے۔

مندرجہ ذیل جدول SAP سے نمائندہ تاریخی فروخت کا ڈیٹا دکھاتا ہے، جسے ہم اس پوسٹ میں استعمال کرتے ہیں۔

ڈیٹا فائل روزانہ فریکوئنسی تاریخی ڈیٹا ہے۔ اس کے چار کالم ہیں (productid, saledate, city، اور totalsales)۔ ہم ایک ایم ایل ماڈل بنانے کے لیے کینوس کا استعمال کرتے ہیں جو پیشن گوئی کے لیے استعمال ہوتا ہے۔ totalsales لیے productid ایک خاص شہر میں.

اس پوسٹ کو ڈیٹا انجینئرز اور کاروباری تجزیہ کاروں دونوں کی سرگرمیوں اور ذمہ داریوں کو دکھانے کے لیے ترتیب دیا گیا ہے تاکہ مصنوعات کی فروخت کی پیشن گوئیاں تیار کی جا سکیں۔

ڈیٹا انجینئر: Amazon AppFlow کے ساتھ SAP سے Amazon S3 تک ڈیٹاسیٹ کو نکالیں، تبدیل کریں اور لوڈ کریں۔

ڈیٹا انجینئر کے طور پر آپ جو پہلا کام انجام دیتے ہیں وہ ہے SAP ECC سے S3 بالٹی میں تاریخی سیلز ڈیٹا پر ایکسٹریکٹ، ٹرانسفارم، اور لوڈ (ETL) جاب چلانا، جسے کاروباری تجزیہ کار اپنے پیشن گوئی کے ماڈل کے لیے ماخذ ڈیٹا سیٹ کے طور پر استعمال کرتا ہے۔ اس کے لیے، ہم Amazon AppFlow استعمال کرتے ہیں، کیونکہ یہ ایک آؤٹ آف دی باکس فراہم کرتا ہے۔ SAP OData کنیکٹر ETL کے لیے (جیسا کہ درج ذیل خاکہ میں دکھایا گیا ہے)، SAP ECC سے S3 بالٹی تک کنکشن کنفیگر کرنے کے لیے درکار ہر چیز کو ترتیب دینے کے لیے ایک سادہ UI کے ساتھ۔

شرائط

Amazon AppFlow کو SAP کے ساتھ مربوط کرنے کے لیے درج ذیل تقاضے ہیں:

• SAP NetWeaver Stack ورژن 7.40 SP02 یا اس سے اوپر
• سروس کی دریافت کے لیے SAP گیٹ وے میں کیٹلاگ سروس (OData v2.0/v2.0) فعال ہے
• کلائنٹ سائڈ صفحہ بندی اور SAP OData سروس کے لیے استفسار کے اختیارات کے لیے معاونت
• HTTPS فعال کنکشن SAP سے

کی توثیق

Amazon AppFlow SAP سے جڑنے کے لیے دو تصدیقی میکانزم کی حمایت کرتا ہے:

• بنیادی - SAP OData صارف کا نام اور پاس ورڈ استعمال کرتے ہوئے تصدیق کرتا ہے۔
• OAuth 2.0 - شناخت فراہم کنندہ کے ساتھ OAuth 2.0 کنفیگریشن استعمال کرتا ہے۔ OData v2.0/v2.0 سروسز کے لیے OAuth 2.0 کا فعال ہونا ضروری ہے۔

کنکشن

Amazon AppFlow عوامی SAP OData انٹرفیس یا نجی کنکشن کا استعمال کرتے ہوئے SAP ECC سے جڑ سکتا ہے۔ نجی کنکشن عوامی انٹرنیٹ کے بجائے نجی AWS نیٹ ورک کے ذریعے ڈیٹا کی منتقلی کے ذریعے ڈیٹا کی رازداری اور سلامتی کو بہتر بناتا ہے۔ ایک نجی کنکشن VPC میں چلنے والے SAP OData مثال کے لیے VPC اینڈ پوائنٹ سروس کا استعمال کرتا ہے۔ VPC اینڈ پوائنٹ سروس میں Amazon AppFlow سروس کا پرنسپل ہونا ضروری ہے۔ appflow.amazonaws.com ایک اجازت یافتہ پرنسپل کے طور پر اور AWS ریجن میں کم از کم 50% سے زیادہ دستیابی زونز میں دستیاب ہونا چاہیے۔

Amazon AppFlow میں ایک فلو ترتیب دیں۔

ہم SAP سے S3 بالٹی تک ڈیٹا پر ETL جاب چلانے کے لیے Amazon AppFlow میں ایک نیا فلو ترتیب دیتے ہیں۔ یہ بہاؤ SAP OData Connector کو بطور ماخذ، S3 بالٹی کو منزل کے طور پر، OData آبجیکٹ کا انتخاب، ڈیٹا میپنگ، ڈیٹا کی توثیق، اور ڈیٹا فلٹرنگ کی اجازت دیتا ہے۔

1. درج ذیل معلومات فراہم کر کے SAP OData Connector کو ڈیٹا سورس کے طور پر ترتیب دیں۔
   1. ایپلیکیشن ہوسٹ URL
   2. ایپلیکیشن سروس پاتھ (کیٹلاگ پاتھ)
   3. پورٹ نمبر
   4. کلائنٹ نمبر
   5. لاگ ان زبان
   6. کنکشن کی قسم (نجی لنک یا عوامی)
   7. توثیق کا موڈ
   8. کنفیگریشن کے لیے کنکشن کا نام
      
2. ماخذ کو کنفیگر کرنے کے بعد، سیلز آرڈرز کے لیے OData آبجیکٹ اور سب آبجیکٹ کا انتخاب کریں۔
   عام طور پر، SAP سے سیلز ڈیٹا ایک مخصوص فریکوئنسی پر ایکسپورٹ کیا جاتا ہے، جیسے مکمل سائز کے لیے ماہانہ یا سہ ماہی۔ اس پوسٹ کے لیے، فل سائز ایکسپورٹ کے لیے سب آبجیکٹ کا آپشن منتخب کریں۔
   
3. منزل کے طور پر S3 بالٹی کا انتخاب کریں۔
   بہاؤ اس بالٹی میں ڈیٹا برآمد کرتا ہے۔
   
4. کے لئے ڈیٹا فارمیٹ کی ترجیحمنتخب CSV فارمیٹ.
5. کے لئے ڈیٹا کی منتقلی کی ترجیحمنتخب تمام ریکارڈ جمع کریں۔.
6. کے لئے فائل نام کی ترجیحمنتخب فائل کے نام میں ٹائم اسٹیمپ شامل کریں۔.
7. کے لئے فولڈر کی ساخت کی ترجیحمنتخب کوئی ٹائم اسٹیمپ والا فولڈر نہیں۔.
   ریکارڈ ایگریگیشن کنفیگریشن ایک فائل میں مل کر SAP سے پورے سائز کے سیلز ڈیٹا کو ایکسپورٹ کرتی ہے۔ فائل کا نام YYYY-MM-DDTHH:mm:ss فارمیٹ میں S3 بالٹی کے اندر ایک فولڈر (بہاؤ کا نام) میں ٹائم اسٹیمپ کے ساتھ ختم ہوتا ہے۔ کینوس ماڈل کی تربیت اور پیشین گوئی کے لیے اس واحد فائل سے ڈیٹا درآمد کرتا ہے۔
   
8. ماخذ ڈیٹا فیلڈز کو ڈیسٹینیشن ڈیٹا فیلڈز میں میپ کرنے کے لیے ڈیٹا میپنگ اور توثیق کو ترتیب دیں، اور ضرورت کے مطابق ڈیٹا کی توثیق کے قواعد کو فعال کریں۔
   
9. اگر آپ کی ضرورت کی ضرورت ہو تو آپ مخصوص ریکارڈز کو فلٹر کرنے کے لیے ڈیٹا فلٹرنگ کی شرائط کو بھی ترتیب دیتے ہیں۔
   
10. یہ فیصلہ کرنے کے لیے اپنے فلو ٹرگر کو کنفیگر کریں کہ آیا فلو ڈیمانڈ پر دستی طور پر چلتا ہے یا خود بخود شیڈول کی بنیاد پر۔
    جب کسی شیڈول کے لیے ترتیب دیا جاتا ہے، تو فریکوئنسی اس بات پر مبنی ہوتی ہے کہ کتنی بار پیشن گوئی پیدا کرنے کی ضرورت ہے (عام طور پر ماہانہ، سہ ماہی، یا ششماہی)۔
    بہاؤ کو ترتیب دینے کے بعد، کاروباری تجزیہ کار اسے SAP سے S3 بالٹی تک سیلز آرڈر ڈیٹا پر ETL کام انجام دینے کے لیے ڈیمانڈ یا شیڈول کی بنیاد پر چلا سکتے ہیں۔
11. Amazon AppFlow کنفیگریشن کے علاوہ، ڈیٹا انجینئرز کو بھی کنفیگر کرنے کی ضرورت ہے۔ AWS شناخت اور رسائی کا انتظام کینوس کے لیے (IAM) کا کردار تاکہ یہ دیگر AWS سروسز تک رسائی حاصل کر سکے۔ ہدایات کے لیے، رجوع کریں۔ اپنے صارفین کو ٹائم سیریز کی پیشن گوئی کرنے کی اجازت دیں۔.

کاروباری تجزیہ کار: پیشن گوئی کے ماڈل کو تربیت دینے کے لیے تاریخی فروخت کا ڈیٹا استعمال کریں۔

آئیے گیئرز کو تبدیل کرتے ہیں اور کاروباری تجزیہ کار کی طرف چلتے ہیں۔ ایک کاروباری تجزیہ کار کے طور پر، ہم ایک بصری، پوائنٹ اور کلک سروس کی تلاش کر رہے ہیں جو ML ماڈلز بنانا اور کوڈ کی ایک لائن لکھے بغیر یا ML مہارت کے بغیر درست پیشین گوئیاں پیدا کرنا آسان بناتی ہے۔ کینوس بغیر کوڈ کے ایم ایل حل کی ضرورت کو پورا کرتا ہے۔

سب سے پہلے، یہ یقینی بنائیں کہ آپ کا IAM رول اس طرح ترتیب دیا گیا ہے کہ کینوس دیگر AWS سروسز تک رسائی حاصل کر سکے۔ مزید معلومات کے لیے رجوع کریں۔ اپنے صارفین کو ٹائم سیریز کی پیشن گوئی کرنے کی اجازت دیں۔، یا آپ اپنی کلاؤڈ انجینئرنگ ٹیم سے مدد طلب کر سکتے ہیں۔

جب ڈیٹا انجینئر Amazon AppFlow پر مبنی ETL کنفیگریشن کو سیٹ اپ کر لیتا ہے، تو تاریخی سیلز ڈیٹا آپ کے لیے S3 بالٹی میں دستیاب ہوتا ہے۔

اب آپ کینوس کے ساتھ ماڈل کو تربیت دینے کے لیے تیار ہیں! اس میں عام طور پر چار مراحل شامل ہوتے ہیں: سروس میں ڈیٹا درآمد کرنا، مناسب ماڈل کی قسم کو منتخب کرکے ماڈل ٹریننگ کو ترتیب دینا، ماڈل کو تربیت دینا، اور آخر میں ماڈل کا استعمال کرتے ہوئے پیشن گوئیاں پیدا کرنا۔

کینوس میں ڈیٹا درآمد کریں۔

سب سے پہلے، سے کینوس ایپ لانچ کریں۔ ایمیزون سیج میکر کنسول یا آپ کی واحد سائن آن رسائی سے۔ اگر آپ نہیں جانتے کہ اسے کیسے کرنا ہے تو اپنے منتظم سے رابطہ کریں تاکہ وہ کینوس ترتیب دینے کے عمل میں آپ کی رہنمائی کر سکیں۔ اس بات کو یقینی بنائیں کہ آپ اسی علاقے میں سروس تک رسائی حاصل کرتے ہیں جہاں S3 بالٹی SAP سے تاریخی ڈیٹا سیٹ پر مشتمل ہے۔ آپ کو مندرجہ ذیل کی طرح ایک اسکرین دیکھنا چاہئے۔

پھر درج ذیل مراحل کو مکمل کریں:

1. کینوس میں، منتخب کریں۔ ڈیٹا سیٹ نیوی گیشن پین میں.
2. میں سے انتخاب کریں درآمد کریں S3 بالٹی سے ڈیٹا کی درآمد شروع کرنے کے لیے۔
   
3. امپورٹ اسکرین پر، ٹریننگ ڈیٹا درآمد کرنے کے لیے S3 بالٹی سے ڈیٹا فائل یا آبجیکٹ کا انتخاب کریں۔
   

آپ کینوس میں متعدد ڈیٹاسیٹس درآمد کر سکتے ہیں۔ یہ منتخب کرکے ڈیٹاسیٹس کے درمیان جوائن بنانے میں بھی معاونت کرتا ہے۔ ڈیٹا میں شامل ہوں۔، جو خاص طور پر مفید ہے جب تربیت کا ڈیٹا متعدد فائلوں میں پھیلا ہوا ہو۔

ماڈل کو ترتیب دیں اور تربیت دیں۔

ڈیٹا درآمد کرنے کے بعد، درج ذیل مراحل کو مکمل کریں:

1. میں سے انتخاب کریں ماڈل نیوی گیشن پین میں.
2. میں سے انتخاب کریں نئے ماڈل پیشن گوئی کے ماڈل کی تربیت کے لیے ترتیب شروع کرنے کے لیے۔
   
3. نئے ماڈل کے لیے، اسے کوئی مناسب نام دیں، جیسے product_sales_forecast_model.
4. سیلز ڈیٹاسیٹ کو منتخب کریں اور منتخب کریں۔ ڈیٹاسیٹ منتخب کریں.
   
   ڈیٹا سیٹ کے منتخب ہونے کے بعد، آپ ڈیٹا کے اعدادوشمار دیکھ سکتے ہیں اور بلڈ ٹیب پر ماڈل ٹریننگ کو ترتیب دے سکتے ہیں۔
   
5. منتخب کریں کل فروخت پیشین گوئی کے لیے ہدف کالم کے طور پر۔
   آپ دیکھ سکتے ہیں ٹائم سیریز کی پیشن گوئی ماڈل کی قسم کے طور پر خود بخود منتخب کیا جاتا ہے۔
6. میں سے انتخاب کریں سیٹ کریں.
   
7. میں ٹائم سیریز کی پیشن گوئی کی ترتیب سیکشن کا انتخاب کریں، پیداواری لیے آئٹم ID کالم.
8. میں سے انتخاب کریں شہر لیے گروپ کالم.
9. میں سے انتخاب کریں saledate لیے ٹائم اسٹیمپ کالم.
10. کے لئے دن، داخل کریں 120.
11. میں سے انتخاب کریں محفوظ کریں.
    یہ پیشن گوئی کرنے کے لیے ماڈل کو ترتیب دیتا ہے۔ totalsales استعمال کرتے ہوئے 120 دنوں کے لئے saledate تاریخی ڈیٹا کی بنیاد پر، جس کے لیے استفسار کیا جا سکتا ہے۔ productid اور city.
    
12. جب ماڈل ٹریننگ کنفیگریشن مکمل ہو جائے تو منتخب کریں۔ معیاری تعمیر ماڈل ٹریننگ شروع کرنے کے لیے۔

۔ پیش نظارہ ماڈل ٹائم سیریز کی پیشن گوئی کرنے والے ماڈل کی قسم کے لیے آپشن دستیاب نہیں ہے۔ آپ ماڈل ٹریننگ کے لیے متوقع وقت کا جائزہ لے سکتے ہیں۔ تجزیہ ٹیب.

ڈیٹا کے سائز کے لحاظ سے ماڈل ٹریننگ کو مکمل ہونے میں 1-4 گھنٹے لگ سکتے ہیں۔ ماڈل تیار ہونے پر، آپ اسے پیشن گوئی پیدا کرنے کے لیے استعمال کر سکتے ہیں۔

پیشن گوئی پیدا کریں۔

جب ماڈل ٹریننگ مکمل ہو جاتی ہے، تو یہ ماڈل کی پیشین گوئی کی درستگی کو دکھاتا ہے۔ تجزیہ ٹیب مثال کے طور پر، اس مثال میں، یہ پیشین گوئی کی درستگی کو 92.87% دکھاتا ہے۔

پیشن گوئی پر پیدا کیا جاتا ہے پیش گوئ کرنا۔ ٹیب آپ تمام آئٹمز یا کسی ایک منتخب کردہ آئٹم کے لیے پیشن گوئی پیدا کر سکتے ہیں۔ یہ تاریخ کی حد بھی دکھاتا ہے جس کے لیے پیشن گوئی تیار کی جا سکتی ہے۔

مثال کے طور پر، منتخب کریں سنگل آئٹم اختیار منتخب کریں P 2 لیے آئٹم اور Quito لیے گروپ تاریخ کی حد 2-2017-08 15:00:00 سے لے کر 00-2017-12 13:00:00 تک شہر کوئٹو کے لیے پروڈکٹ P-00 کے لیے پیشین گوئی پیدا کرنے کے لیے۔

تیار کردہ پیشن گوئی اوسط پیشن گوئی کے ساتھ ساتھ پیشن گوئی کی اوپری اور نچلی حد کو بھی دکھاتی ہے۔ پیشن گوئی کی حدیں پیشن گوئی سے نمٹنے کے لیے ایک جارحانہ یا متوازن نقطہ نظر کو ترتیب دینے میں مدد کرتی ہیں۔

آپ تیار کردہ پیشن گوئی کو CSV فائل یا تصویر کے طور پر بھی ڈاؤن لوڈ کر سکتے ہیں۔ تیار کردہ پیشن گوئی CSV فائل عام طور پر پیشن گوئی کے ڈیٹا کے ساتھ آف لائن کام کرنے کے لیے استعمال ہوتی ہے۔

پیشن گوئی اب ٹائم سیریز کے ڈیٹا کے لیے تیار کی گئی ہے۔ جب پیشن گوئی کے لیے ڈیٹا کی ایک نئی بیس لائن دستیاب ہو جاتی ہے، تو آپ نئی بیس لائن کا استعمال کرتے ہوئے پیشن گوئی کے ماڈل کو دوبارہ تربیت دینے کے لیے کینوس میں ڈیٹا سیٹ کو تبدیل کر سکتے ہیں۔

جب ٹریننگ ڈیٹا تبدیل ہوتا ہے تو آپ ماڈل کو متعدد بار دوبارہ تربیت دے سکتے ہیں۔

نتیجہ

اس پوسٹ میں، آپ نے سیکھا کہ کس طرح Amazon AppFlow SAP OData Connector SAP سسٹم سے سیلز آرڈر ڈیٹا کو S3 بالٹی میں برآمد کرتا ہے اور پھر پیشن گوئی کے لیے ماڈل بنانے کے لیے کینوس کا استعمال کیسے کریں۔

آپ کینوس کو کسی بھی SAP ٹائم سیریز کے ڈیٹا کے منظرناموں کے لیے استعمال کر سکتے ہیں، جیسے کہ اخراجات یا آمدنی کی پیشن گوئی۔ پیشن گوئی کی تیاری کا پورا عمل ترتیب پر مبنی ہے۔ سیلز مینیجرز اور نمائندے کوڈ کی ایک لائن لکھے بغیر ایک تیز، سیدھے اور بدیہی طریقے سے ڈیٹا کے تازہ کردہ سیٹ کے ساتھ فی ماہ یا فی سہ ماہی بار بار فروخت کی پیشن گوئیاں پیدا کر سکتے ہیں۔ یہ پیداواری صلاحیت کو بہتر بنانے میں مدد کرتا ہے اور فوری منصوبہ بندی اور فیصلوں کو قابل بناتا ہے۔

شروع کرنے کے لیے، درج ذیل وسائل کا استعمال کرتے ہوئے Canvas اور Amazon AppFlow کے بارے میں مزید جانیں:

• ایمیزون سیج میکر کینوس ڈویلپر گائیڈ
• ایمیزون سیج میکر کینوس کا اعلان کرنا - کاروباری تجزیہ کاروں کے لیے ایک بصری، بغیر کوڈ مشین لرننگ کی صلاحیت
• Amazon AppFlow کے ساتھ SAP ERP اور BW سے ڈیٹا نکالیں۔
• SAP OData کنیکٹر کنفیگریشن

مصنفین کے بارے میں

برجیندر سنگھ ایمیزون ویب سروسز میں حل آرکیٹیکٹ ہے جو انٹرپرائز صارفین کے ساتھ کام کر رہا ہے۔ اس کے پاس مضبوط ڈویلپر پس منظر ہے اور وہ ڈیٹا اور مشین لرننگ سلوشنز کے لیے ایک گہری پرجوش ہے۔

ڈیوڈ گیلیٹیلی EMEA خطے میں AI/ML کے لیے ایک ماہر حل آرکیٹیکٹ ہے۔ وہ برسلز میں مقیم ہے اور پورے بینیلکس میں صارفین کے ساتھ مل کر کام کرتا ہے۔ وہ اس وقت سے ایک ڈویلپر رہا ہے جب وہ بہت چھوٹا تھا، اس نے 7 سال کی عمر میں کوڈ بنانا شروع کیا۔ اس نے یونیورسٹی میں AI/ML سیکھنا شروع کیا، اور تب سے اسے اس سے پیار ہو گیا۔

• سکے سمارٹ۔ یورپ کا بہترین بٹ کوائن اور کرپٹو ایکسچینج۔
• پلیٹو بلاک چین۔ Web3 Metaverse انٹیلی جنس۔ علم میں اضافہ۔ مفت رسائی۔
• کرپٹو ہاک۔ Altcoin ریڈار. مفت جانچ.
• ماخذ: https://aws.amazon.com/blogs/machine-learning/extract-insights-from-sap-erp-with-no-code-ml-solutions-with-amazon-appflow-and-amazon-sagemaker- کینوس/