SAP Analytics Cloud Kompass verwenden

Was ist SAP Analytics Cloud Kompass? Kompass ist eine native SAP-Analytics-Cloud-Funktion, die die Simulation wahrscheinlicher Auswirkungen durch Treiberunsicherheiten ermöglicht. Sie verwendet die im SAP-Analytics-Cloud-Modell definierte Beziehung zwischen Treiber und Ziel. Mit Kompass können Sie eine Szenariomodellierung verschiedener Annahmen durchführen und die wahrscheinlichen Ergebnisse vergleichen.

Der SAP-Analytics-Cloud-Kompass verwendet keine KI, um Simulationen auszuführen. Stattdessen verwendet er Monte-Carlo-Simulationsfunktionen, mit denen Sie mögliche Ergebnisse simulieren und analysieren können, wenn Sie mit Unsicherheiten bei der Fahrerleistung konfrontiert sind, und um mögliche Strategien zu simulieren, um Unsicherheiten entgegenzuwirken.

Dieses Video behandelt einige der wichtigsten Funktionen von Kompass. Hier erfahren Sie, wie Sie eine Simulation aus einer Story starten, die Wertebereiche für ausgewählte Treiber einrichten, ein Simulationsszenario ausführen und die Ergebnisse interpretieren. Außerdem erfahren Sie, wie Sie eingeschränkte Treiber für mehrdimensionale Simulationen anlegen, Szenarios vergleichen und ein privates Szenario veröffentlichen.

Welche Themen können wir mit einer Kompasssimulation untersuchen? SAP Analytics Cloud Kompass kann verwendet werden, um Antworten zu geben, wenn Sie die wahrscheinlichen Auswirkungen von Unsicherheiten auf die Treiberleistung sowie Strategien kennen möchten, mit denen Sie die Unsicherheiten mindern können.

Kompasssimulationen sind hilfreich, um z.B. den Risikokontext in folgenden Fällen zu verstehen:

• Zieleinstellung
• Budgetprüfungen
• Strategische Planung
• Personaleinsatzplanung

Was genau ist eine Monte-Carlo-Simulation? Die Monte-Carlo-Simulationsmethode nutzt keine KI, sondern ist eine mathematische Methode, um die wahrscheinlichen Ergebnisse ungewisser Ereignisse zu berechnen. Dazu gehört die Verwendung einer großen Anzahl wiederholter Berechnungen in Kombination mit zufällig abgetasteten Eingaben, um den Bereich der wahrscheinlichen Auswirkungen zu simulieren.

Eine Monte-Carlo-Simulation ist gut geeignet, um die Auswirkungen abzuschätzen, wenn die Treiberleistung innerhalb eines bestimmten Bereichs liegen kann, aber noch keine Aussage darüber gemacht wird, was der endgültige Wert sein wird. Sie könnte beispielsweise Einblicke in das wahrscheinliche Betriebsergebnis liefern, wenn die erwartete Inflation schwankt, oder den möglichen Cashflow, wenn es verschiedene Anlagestrategien mit jeweils einem eigenen Spektrum möglicher Kosten gibt. Die generierten Erkenntnisse ermöglichen ein Verständnis des Risikos, das sich aus den zusammengesetzten Treibergewissheiten ergibt.

Wir werden den Akt des Tossing Würfels verwenden, um zu veranschaulichen, wie die Monte-Carlo-Simulation funktioniert.

Stellen Sie sich vor, Sie werfen 3 Würfel 100 Mal, um die wahrscheinlichsten erreichbaren Summen zu erkunden. Nach jedem Wurf notieren Sie den Wert, der für jede Stanze gewälzt wird, und die Aggregation für alle 3 Würfel. Am Ende von 100 Tosses finden Sie eine Liste, die anzeigt, wie oft ein bestimmtes Aggregationsergebnis angezeigt wird, mit dem Sie in einem Diagramm den Wert im Vergleich zur relativen Häufigkeit des Erscheinungsbilds darstellen.

Sehen wir uns das folgende Diagramm genauer an, das den oben beschriebenen vereinfachten Prozess veranschaulicht.

1. Daten und Treiber definieren: Da wir drei Würfel haben, haben wir 3 Treiber mit Unsicherheiten; der Wertebereich zwischen 1 und 6 für jede Matrize (D1, D2 und D3).
2. Zufällige Probenahme und Berechnung: Der eigentliche Akt des Tossing des Würfels ist tatsächlich eine zufällige Abtastung eines Werts zwischen 1 und 6 für jede Matrize. Wenn dies für alle Würfel erfolgt, kann die Aggregation D1 + D2 + D3 berechnet werden. Dieser Vorgang kann für eine hohe Anzahl von Versuchen wiederholt werden, um die Häufigkeit der erzielten Ergebnisse zu beobachten, was in diesem Beispiel das 100-fache beträgt.
3. Listenerstellung: Die erzielten Ergebnisse können in einer Liste als Vorbereitung für die Berechnung der Häufigkeit und der Darstellung eines Diagramms sortiert werden.
4. Plotting: Der erreichte Aggregationswert wird gegen seine relative Häufigkeit des Auftretens (die als Wahrscheinlichkeit in % zu verstehen ist) aufgetragen, um die erzeugte Erkenntnis besser nutzen zu können. Die Wahrscheinlichkeitsverteilung der aggregierten Ergebnisse ist leicht verständlich - das Tossing von 3 Würfeln führt höchstwahrscheinlich zu einer Summe von 10 oder 11, während die Summe von 3 oder 18 sehr unwahrscheinlich ist. Hier haben wir die Antwort auf die erste Frage nach den wahrscheinlichsten Ergebnissen, wenn wir 3 Würfel drehen.

Die Antwort(en) können variieren, wenn Sie eine neue Simulation mit weiteren 100 Iterationen durchführen, da es sich um eine statistische Wahrscheinlichkeit handelt. Wenn jedoch eine höhere Anzahl von Berechnungsiterationen ausgeführt wird, z.B. 1000, 10.000 oder mehr, werden die Ergebnisse der Wahrscheinlichkeitsverteilung zwischen zwei Simulationen erheblich reduziert.

Mit der Fähigkeit, die wahrscheinlichen Ergebnisse bei Unsicherheiten zu berechnen, ist die Monte-Carlo-Simulation eine bewertete Methode, wenn es um Geschäftssimulationen geht.

Der Kompass von SAP Analytics Cloud hat die Monte-Carlo-Simulation einen Schritt weiter ausgeführt, indem die Automatisierung in allen Prozessschritten aktiviert wurde. Mit dieser Automatisierung benötigen Benutzer, die Kompass verwenden, um die Auswirkungen von Treiberunsicherheiten zu untersuchen, keine Vorkenntnisse der Monte-Carlo-Simulationsmethode, um von ihren Vorteilen zu profitieren.

• Zufällige Probenahme und Berechnung: Die Zufallsstichprobe wird vom System durchgeführt. Alles, was vom Benutzer benötigt wird, ist die Eingabe für die Wertekonfiguration und -verteilung.

  Die Verteilungsart für die zufällige Stichprobenverteilung ist standardmäßig auf Normalverteilung gesetzt. Das bedeutet kurz, dass bei der Stichprobenentnahme Werte um die Mitte wahrscheinlicher gewählt werden als Werte in der Nähe der Bereichsgrenzen (d. h. 68 % des Ergebnisses fallen innerhalb einer Standardabweichung, 95 % innerhalb von 2 Standardabweichungen und 99,7 % innerhalb von 3 Standardabweichungen). Benutzer können Einheitliche Verteilung auswählen, wenn alle Werte dieselbe Wahrscheinlichkeit für eine Stichprobe haben sollen.

• Listenerstellung und -plotting: Listenerstellung und -plotting werden vollständig vom System automatisiert. Das aufgetragene Diagramm ermöglicht die Anpassung der Perzentilgrenzen für optimistische, pessimistische und realistische Fälle und die Färbung, an verschiedene Konsumpräferenzen.

Sehen wir uns nun eine Kompasssimulation für SAP Analytics Cloud an.

Das Ziel ist die Kennzahl oder das Konto, deren Auswirkungen Sie untersuchen möchten.

Treiber sind Blattkontoelemente (ohne Formel), Basiskennzahlen oder ihre Kombinationen, die alle zur Berechnung des Ziels beitragen.

Verfügbare Treiber werden automatisch identifiziert und in Kompasssimulationen aus dem Ziel extrahiert. Bei der Simulation direkt aus einem SAP-Analytics-Cloud-Modell wird die Modelldefinition für die Simulation verwendet, und der Endbenutzer muss Daten und Berechnungsformeln nicht manuell duplizieren.

Betrachten wir anhand eines Beispiels genauer, wie Treiber aus einem Ziel extrahiert werden.

Ein Modell hat folgende mathematische Beziehungen:

Wenn Sie also A als Ziel Ihrer Simulation auswählen, werden E, F, C1 und C2 als Treiber identifiziert.

Die mathematische Beziehung zwischen Ziel und Treibern kann in folgender Formel summiert werden: A = E * F + (C1 + C2)

In der Spalte Verteilung können Benutzer die Art der Wahrscheinlichkeitsverteilung auswählen, die die möglichen Werte von Treibern definiert. Normalverteilung ist als Standard festgelegt. Benutzer können jedoch bei Bedarf auch Einheitliche Verteilung auswählen.

Normalverteilung:

Bei einer Normalverteilung fallen etwa 99,7 % der Daten in drei Standardabweichungen des Mittelwerts.

Die Werte, die ein Benutzer in die Wertekonfiguration einfügt, werden in den Mittelwert und die Standardabweichung, die beiden Parameter einer Normalverteilung, umgerechnet.

• Mittelwert: Der Durchschnitt der von den Benutzern hinzugefügten Mindest- und Höchstwerte.
• Standardabweichung: Der vom Benutzer angegebene Bereich kann so angenähert werden, dass er sechs Standardabweichungen abdeckt, sodass die geschätzte Standardabweichung berechnet wird, indem der Bereich durch 6 dividiert wird.

Verwenden wir das Beispiel eines Wertekonfigurationsbereichs für einen Treiber von 10 bis 70. Der Mittelwert ist 40 und die Standardabweichung ist 10. Von den generierten randomisierten Treiberwerten für jeden Treiber:

• Etwa 68 % werden innerhalb von 30 und 50 liegen, oder eine Standardabweichung (+/- 1 Standardabweichung) des Mittelwerts.
• Etwa 95 % werden innerhalb von 20 und 60 liegen, oder zwei Standardabweichungen (+/- 2 Standardabweichungen) des Mittelwerts.
• Etwa 99,7 % werden innerhalb von 10 und 70 oder innerhalb von drei Standardabweichungen (+/- 3 Standardabweichungen) des Mittelwerts liegen.

Wenn ein Benutzer Einheitliche Verteilung auswählt, treten alle Werte im Wertebereich (wie in der Wertekonfiguration definiert) gleichermaßen wahrscheinlich für einen Treiber auf.

Für jeden Zeitpunkt der zufälligen Stichproben- oder Simulationsiteration werden bestimmte randomisierte Werte für Treiber basierend auf den Zufallseinstellungen generiert, und diese Werte werden für die Berechnung des Ziels für jede Simulationsiteration verwendet. Auf diese Weise wird eine Reihe von Zielwerten oder Simulationsergebnissen generiert.

Benutzer können zwischen drei Präzisionsmodi mit jeweils einer vorkonfigurierten Anzahl von Monte-Carlo-Simulationsiterationen wählen.

1. Vorschau: Die Zufallsstichprobe der Monte-Carlo-Simulation wird 1.000 Mal durchgeführt. Dies ist der schnellste Modus, hat aber die geringste Genauigkeit.
2. Mittlere Genauigkeit: Die Zufallsabtastung der Monte-Carlo-Simulation wird 10.000 Mal durchgeführt. Dies ist ein Modus, der ein Gleichgewicht zwischen Geschwindigkeit und Genauigkeit trifft.
3. Hohe Präzision: Die Zufallsabtastung der Monte-Carlo-Simulation wird 100.000 Mal durchgeführt. Dies ist der langsamste Modus, hat aber die höchste Genauigkeit.

Wenn das Simulationsergebnisdiagramm für ein Ziel generiert wird, wird es im Ausgabebereich rechts neben den Treibern angezeigt.

Im Simulationsergebnisdiagramm werden alle Bins auf der x-Achse und die Wahrscheinlichkeiten auf der Y-Achse aufgetragen. Dies bildet die Grundlage für das Diagramm und zeigt eine Näherung der Wahrscheinlichkeitsverteilung der Simulationsergebnisse an. Anschließend wird eine Linie auf das Histogramm gelegt, um die Wahrscheinlichkeitsverteilungskurve im Diagramm zu erzeugen.

Im Simulationsergebnisdiagramm werden zwei Randwerte durch zwei vertikale Linien visualisiert, die die Wahrscheinlichkeitsverteilungskurve durchdringen. Die Simulationsergebnisse werden in drei Fälle mit jeweils einem Prozentwert unterteilt, der die Wahrscheinlichkeit angibt, dass ein Zielwert in diesen Fall fällt. Dieser Prozentsatz stellt auch den Anteil der Simulationsergebnisse im Fall dar.

1. Pessimistischer Fall: Die Fläche unter der Kurve zwischen dem Mindestwert und dem ersten Grenzzielwert. Standardmäßig ist dieser Wert auf 5 % gesetzt, was den niedrigsten 5 % der Simulationsergebnisse entspricht.
2. Realistischer Fall: Die Fläche unter der Kurve zwischen zwei Grenzwerten. Standardmäßig ist dieser Wert auf 90 % gesetzt, was den niedrigsten 90 % der Simulationsergebnisse entspricht.
3. Optimistischer Fall: Die Fläche unter der Kurve zwischen dem zweiten Grenzwert und dem Maximalwert. Standardmäßig ist dieser Wert auf 5 % gesetzt, was den niedrigsten 5 % der Simulationsergebnisse entspricht.

In den Falleinstellungen können Sie den Prozentwert auf jeden Fall ändern. Wenn Sie die Prozentwerte für die drei Fälle ändern, werden zwei Grenzwerte berechnet und entsprechend festgelegt, die den Zielwertbereich teilen.

Wir empfehlen Ihnen, die Lektion „Daten mit SAP Analytics Compass simulieren" im Kurs „Erweiterte Funktionen in SAP Analytics Cloud für die Planung nutzen" abzuschließen, in der der Prozess zum Anlegen einer Kompasssimulation für SAP Analytics Cloud ausführlich behandelt wird.

Weitere Informationen finden Sie im SAP Help Portal.

Es gibt einige Probleme, mit denen Benutzer möglicherweise konfrontiert sind, wenn sie SAP Analytics Cloud Kompass verwenden. Beispiel:

1. Nicht unterstützte Aggregations-, Ausnahmeaggregations- und Disaggregationstypen im Modell.
2. Aggregationstyp für Hierarchieknoten auf Textbezeichner gesetzt, was zu einer leeren Treiberliste in einem privaten Szenario führt.
3. Problem mit der Funktion für die durchschnittliche jährliche Wachstumsrate (CAGR) in Simulationsberechnungen
4. Probleme mit Iterations- und ähnlichen Funktionen.
5. Unzureichende Systemressourcen.

Die Erläuterung, die Ursachen und die Schritte zur Fehlerbehebung finden Sie im SAP Help Portal im Abschnitt Fehlerbehebung im Kompass.