Anonim

Samlet set er den statistiske analyse af data ikke et nyt anvendelsesområde i SAP-miljøet. Statistiske analyser understøttes allerede af forskellige andre SAP-produkter - SAP Data Mining, SAP Business Planning and Consolidation, SAP SCM osv. SAP Predictive Analyse er imidlertid mere omfattende og følger en anden tilgang. Softwareleverandøren leverer således en desktop-applikation, der registrerer skjult information fra historiske data og dermed muliggør hurtige resultater. Det understøtter hele den statistiske analyseproces.

SAP har valgt flere statistiske algoritmer, der kan tilføje værdi til organisationer og implementere dem i SAP Predictive Analyse. Eksempel på anvendelse er:

  • Apriori (associerings) algoritmer : Identifikation af kombinationer mellem poster. Nyttigt til analyse af transaktionsdata for at bestemme, hvilke produkter der købes sammen for at identificere cross-marketing potentiale.

  • K-Means (Clustering) -algoritmer : Identificer grupper af poster baseret på forskellige attributter. Kan f.eks. Bruges til at kategorisere kunder. Dette skal hjælpe med til at individualisere kundens tilgang.

  • Tidsserierealgoritmer : Forudsigelse af fremtidige værdier baseret på historiske data, tendenser og sæsonbestemmelse. Nyttig til at forudsige salg i fremtiden, baseret på historiske salgsdata under hensyntagen til eksisterende værdier, tendenser og sæsonbestemmelse.

  • Ældre algoritmer: Identifikation af anomalier i data. Kan bruges til identifikation af svindel, risikovurderinger osv.

  • Regressionsanalyser : identifikation af forhold mellem forskellige variabler. Kan bruges til at bestemme graden af ​​forhold og forudsige andre værdier - ved hjælp af forholdet niveau.

Dette er kun et par valgte applikationseksempler. Derudover kan de statistiske metoder bruges i andre applikationer og bør også skabe konkurrencefordele her.

Image
Foto: Camelot IT Lab

Oversigt over processen med statistisk analyse

Hele den statistiske analyseproces består af forskellige trin, der er lige vægtet i deres betydning. Som sædvanligt starter processen med forretningskrav. Eksempler er:

  • Prognosesalg for det næste kvartal under hensyntagen til historisk salg, sæsonbestemthed, tendenser osv.

  • Identifikation af produkter solgt sammen.

  • Kategorisering af kunder for at adressere dem individuelt.

Det næste trin er at kontrollere, hvilke basisdata (datatilgang), der allerede er tilgængelige (for eksempel historiske transaktioner, stamdata med attributter, ustrukturerede data fra sociale netværk osv.). Dette trin sammen med kravene fra virksomheden er forudsætningen for at vælge den passende statistiske metode. For at forenkle datatilgang samles SAP Predictive Analyse med andre SAP-produkter, hvilket gør det nemt at bruge SAP-baserede data.

spoods.de

Dette efterfølges af modelleringen eller med andre ord valg af den statistiske metode, konfiguration og tilpasning af parametrene. Dette gøres normalt i iterative trin. For at vælge en statistisk funktion og stole på resultaterne er det nødvendigt at justere parametrene flere gange, kontrollere testresultaterne hver gang. Modellering udføres normalt med eksempeldata for at opnå tilstrækkelig ydelse.

Det næste trin er at udføre beregningerne på rigtige data. Brugt sammen med SAP HANA, sikrer SAP Predictive Analyse høj ydeevne. Dette sikres af in-memory-teknologien, der bruges i HANA. Da SAP Predictive Analyse bruger funktionerne i SAP HANA Predictive Analysis Library (PAL), kan de statistiske beregninger udføres på SAP HANA-serveren.

I det sidste trin vises resultaterne grafisk og distribueres. SAP Predictive Analysis har integreret SAP Lumiras funktioner, der muliggør en tiltalende grafisk visualisering. Derudover kan dataene også bruges i de andre SAP BusinessObjects BI-værktøjer.