Uso de la brújula de SAP Analytics Cloud

¿Qué es la brújula de SAP Analytics Cloud? Compass es una función nativa de SAP Analytics Cloud que permite la simulación del impacto probable provocado por las incertidumbres del conductor. Utiliza la relación definida entre el controlador y el destino dentro del modelo de SAP Analytics Cloud. Con la brújula, puede realizar el modelado de escenarios de diferentes suposiciones y comparar los resultados probables.

La brújula de SAP Analytics Cloud no utiliza IA para ejecutar simulaciones; en su lugar, utiliza la funcionalidad de simulación Monte Carlo para permitirle simular y analizar posibles resultados cuando se enfrenta a incertidumbres en el rendimiento de los impulsores, así como simular posibles estrategias para contrarrestar las incertidumbres.

Este vídeo trata sobre algunas de las funciones clave de la brújula. Cubre cómo iniciar una simulación a partir de una historia, configurar los rangos de valores para los controladores seleccionados, ejecutar un escenario de simulación e interpretar los resultados. También le mostramos cómo crear controladores restringidos para la simulación multidimensional, comparar escenarios y publicar un escenario privado.

¿Qué tipo de temas podemos investigar con una simulación de brújula? La brújula de SAP Analytics Cloud se puede utilizar para proporcionar respuestas cuando desee conocer el probable impacto de las incertidumbres en el rendimiento del impulsor, así como estrategias que se pueden utilizar para mitigar las incertidumbres.

Las simulaciones de brújula son útiles para comprender, por ejemplo, el contexto de riesgo durante:

• Parametrización de destino
• Revisiones de presupuesto
• Planificación estratégica
• Planificación de la fuerza laboral

¿Qué es exactamente una simulación Monte Carlo? El método de simulación Monte Carlo no utiliza IA, sino que es, en cambio, una técnica matemática para calcular los resultados probables de eventos inciertos. Implica el uso de un alto número de cálculos repetidos combinados con entradas muestreadas aleatoriamente para simular el rango de impacto probable.

Una simulación Monte Carlo es adecuada para estimar el impacto cuando se puede esperar que el rendimiento del controlador esté dentro de un rango determinado, pero cuando aún no se sabe cuál será el valor final. Por ejemplo, podría proporcionar información sobre los ingresos operativos probables cuando la inflación esperada está fluctuando, o el posible flujo de caja cuando hay diferentes estrategias de inversión, cada una con su propio espectro de posibles costes. Los análisis generados permiten comprender el riesgo resultante de las certezas del impulsor compuesto.

Utilizaremos el acto de lanzar dados para ilustrar cómo funciona la simulación Monte Carlo.

Imagina que estás lanzando 3 dados 100 veces para explorar las sumas más probables alcanzables. Después de cada lanzamiento, anote el valor que se coloca para cada dado y la agregación para los 3 dados. Al final de 100 lanzamientos, tiene una lista que le muestra la frecuencia con la que aparece un resultado de agregación en particular, que utiliza para trazar en un gráfico para visualizar el valor frente a la frecuencia relativa de apariencia.

Veamos con más detalle el siguiente diagrama, que ilustra el proceso simplificado descrito anteriormente.

1. Definir datos y conductor: Como tenemos tres dados, tenemos 3 controladores con incertidumbres; el rango de valores entre 1 y 6 para cada dado (D1, D2 y D3).
2. Muestreo y cálculo aleatorios: El acto mismo de lanzar los dados es en realidad un muestreo aleatorio de un valor entre 1 y 6 para cada dado. Cuando esto se hace para todos los dados, se puede calcular la agregación D1 + D2 + D3. Este proceso puede repetirse para un alto número de ensayos para observar la frecuencia de resultados alcanzados, que en este ejemplo, es 100 veces.
3. Creación de lista: los resultados obtenidos se pueden ordenar en una lista como preparación para el cálculo de la frecuencia y el trazado de un gráfico.
4. Plotting: El valor de agregación alcanzado se traza en función de su frecuencia relativa de aparición (que puede entenderse como la probabilidad en %) para un mejor consumo de la información generada. La distribución de probabilidad de los resultados agregados se entiende fácilmente - lanzar 3 dados muy probablemente dará como resultado una suma de 10 u 11, mientras que la suma de 3 o 18 es muy improbable. Aquí, tenemos la respuesta a la pregunta inicial con respecto a los resultados más probables al lanzar 3 dados.

La(s) respuesta(s) obtenida(s) podría(n) variar si realiza una nueva simulación con otras 100 iteraciones, ya que estamos tratando con probabilidad estadística. Sin embargo, si se realiza con un número mayor de iteraciones de cálculo, por ejemplo, 1000, 10 000 o más, los resultados de la distribución de probabilidad entre dos simulaciones se reducirán significativamente.

Con la capacidad de calcular los resultados probables cuando se enfrentan a incertidumbres, la simulación Monte Carlo es un método valioso cuando se trata de simulaciones de negocio.

La brújula de SAP Analytics Cloud ha llevado la simulación Monte Carlo un paso más allá permitiendo la automatización en todos los pasos del proceso. Con esta automatización, los usuarios que utilizan la brújula para explorar el impacto de las incertidumbres de los impulsores no necesitan conocimientos previos del método de simulación Monte Carlo para disfrutar de sus beneficios.

• Muestreo y cálculo aleatorios: el sistema se encarga del muestreo aleatorio. Todo lo que se requiere del usuario es la entrada para la Configuración de valores y la Distribución.

  El tipo de distribución para la distribución de muestreo aleatorio se fija en Distribución normal por defecto. Esto significa, en resumen, que durante el muestreo aleatorio, es más probable que se elijan valores alrededor del medio que aquellos cerca de los límites del rango (es decir, el 68% del resultado estará dentro de 1 desviación estándar, el 95% dentro de 2 desviaciones estándar y el 99,7% dentro de 3 desviaciones estándar). Los usuarios pueden seleccionar Distribución uniforme si desean que todos los valores compartan las mismas posibilidades de que se muestren.

• Creación y trazado de listas: el sistema automatiza completamente la creación y el trazado de listas. El gráfico trazado permite la personalización de los límites del percentil para casos optimistas, pesimistas y realistas, y la coloración, para adaptarse a las diferentes preferencias de consumo.

Ahora, echemos un vistazo más de cerca a una simulación de brújula de SAP Analytics Cloud.

El objetivo es el indicador o la cuenta de la que desea explorar el impacto.

Los determinantes son miembros de cuenta de hoja (sin fórmula), indicadores base o sus combinaciones que contribuyen al cálculo del objetivo.

Los drivers disponibles se identifican automáticamente y se extraen del destino en simulaciones de brújula. Al simular directamente un modelo de SAP Analytics Cloud, la definición del modelo se utiliza para la simulación y no es necesario que el usuario final duplique manualmente los datos y la fórmula de cálculo.

Utilizando un ejemplo, echemos un vistazo más de cerca a cómo se extraen los impulsores de un destino.

Un modelo tiene las siguientes relaciones matemáticas:

Por lo tanto, si selecciona A como destino de su simulación, E, F, C1 y C2 se identifican como drivers.

La relación matemática entre el objetivo y los controladores se puede resumir en la siguiente fórmula: A = E * F + (C1 + C2)

En la columna Distribución, los usuarios pueden seleccionar el tipo de distribución de probabilidad que define los valores posibles de los determinantes. La distribución normal se fija por defecto; sin embargo, los usuarios también pueden seleccionar Distribución uniforme si es necesario.

Distribución normal:

Para una distribución normal, aproximadamente el 99,7% de los datos se encuentra dentro de tres desviaciones estándar de la media.

Los valores que un usuario inserta en la configuración de valores se convierten a la desviación media y estándar, los dos parámetros de una distribución normal.

• Media: el promedio de los valores mínimo y máximo agregados por los usuarios.
• Desviación estándar: El rango que especifican los usuarios se puede aproximar para cubrir seis desviaciones estándar, por lo que la desviación estándar estimada se calcula dividiendo el rango por 6.

Veamos el ejemplo de un rango de configuración de valores para un controlador de 10 a 70. La media es 40 y la desviación estándar es 10. Por lo tanto, de los valores de determinante aleatorios generados para cada determinante:

• Aproximadamente el 68% caerá dentro de 30 y 50, o una desviación estándar (+/- 1 desviación estándar) de la media.
• Aproximadamente el 95% caerá dentro de 20 y 60, o dos desviaciones estándar (+/- 2 desviaciones estándar) de la media.
• Aproximadamente el 99,7% caerá dentro de 10 y 70, o dentro de tres desviaciones estándar (+/- 3 desviaciones estándar) de la media.

Si un usuario selecciona Distribución uniforme, todos los valores en el rango de valores (como se define en su Configuración de valores) tienen la misma probabilidad de que se produzcan para un determinante.

Para cada tiempo de muestreo aleatorio o iteración de simulación, se generan valores aleatorios específicos para determinantes en función de las opciones de aleatoriedad, y estos valores se utilizarán para el cálculo del objetivo para cada iteración de simulación. De este modo, se generará un conjunto de valores de destino o resultados de simulación.

Los usuarios pueden elegir entre tres modos de precisión, cada uno con un número preconfigurado de iteraciones de simulación Monte Carlo.

1. Vista previa: El muestreo aleatorio de la simulación Monte Carlo se realizará 1.000 veces. Este es el modo más rápido, pero tiene la precisión más baja.
2. Precisión media: El muestreo aleatorio de la simulación Monte Carlo se realizará 10.000 veces. Este es un modo que alcanza un equilibrio entre velocidad y precisión.
3. Alta precisión: El muestreo aleatorio de la simulación Monte Carlo se realizará 100.000 veces. Este es el modo más lento, pero tiene la mayor precisión.

Cuando se genera el gráfico de resultados de simulación para un destino, aparece en el panel de salida a la derecha de los controladores.

En el gráfico de resultados de simulación, todos los contenedores se trazan en el eje x y las probabilidades en el eje y. Esto forma la base para el gráfico, mostrando una aproximación de la distribución de probabilidad de los resultados de la simulación. A continuación, se superpone una línea en el histograma para producir la curva de distribución de probabilidad en el gráfico.

En el gráfico de resultados de simulación, dos valores límite se visualizan mediante dos líneas verticales que atraviesan la curva de distribución de probabilidad. Los resultados de la simulación se dividen en tres casos, cada uno con un valor porcentual, que indica la probabilidad de que un valor de destino caiga dentro de ese caso. Este porcentaje también representa la cuota de resultados de simulación en el caso.

1. Caso pesimista: el área bajo la curva entre el valor mínimo y el primer valor límite objetivo. Por defecto, se fija en 5%, que representa el 5% más bajo de los resultados de simulación.
2. Caso realista: El área bajo la curva entre dos valores límite. De forma predeterminada, se fija en el 90%, lo que representa el 90% más bajo de los resultados de la simulación.
3. Caso optimista: el área bajo la curva entre el segundo valor límite y el valor máximo. Por defecto, se fija en 5%, que representa el 5% más bajo de los resultados de simulación.

En las Opciones de caso, puede modificar el valor porcentual a cada caso. Si modifica los valores porcentuales para los tres casos, se calculan dos valores límite que dividen el rango de valores de destino y se fijan en consecuencia.

Le animamos a completar la lección Simular datos con SAP Analytics Compass en el curso Aprovechamiento de funciones avanzadas en SAP Analytics Cloud for Planning, donde el proceso para crear una simulación de brújula de SAP Analytics Cloud se trata en detalle.

Encontrará información adicional en SAP Help Portal.

Hay algunos problemas que los usuarios pueden enfrentar al utilizar la brújula de SAP Analytics Cloud. Por ejemplo:

1. Tipos de agregación, agregación de excepción y desagregación no admitidos en el modelo.
2. Tipo de agregación fijado en Etiqueta de texto para nodos de jerarquía que provoca que la lista de determinantes esté vacía en un escenario privado.
3. Problema con la función Tasa de crecimiento anual compuesto (CAGR) en los cálculos de simulación.
4. Problemas con funciones iteradas y similares.
5. Recursos de sistema insuficientes.

Para ver la explicación, las causas y los pasos de resolución de problemas, vaya a la sección Solucionar problemas en la brújula de SAP Help Portal.