Utilisation du compas SAP Analytics Cloud

Qu'est-ce que le compas SAP Analytics Cloud ? Le compas est une fonctionnalité native de SAP Analytics Cloud qui permet de simuler l'impact probable généré par les incertitudes du pilote. Il utilise la relation définie entre l'inducteur et la cible dans le modèle SAP Analytics Cloud. Avec le compas, vous êtes en mesure d'effectuer une modélisation de scénario de différentes hypothèses et de comparer les résultats probables.

Le compas SAP Analytics Cloud n'utilise pas l'IA pour exécuter des simulations. Au lieu de cela, il utilise la fonctionnalité de simulation Monte Carlo pour vous permettre de simuler et d'analyser les résultats possibles lorsque vous êtes confronté à des incertitudes dans les performances des chauffeurs et de simuler des stratégies possibles pour contrer les incertitudes.

Cette vidéo présente certaines des fonctionnalités clés de la boussole. Il explique comment lancer une simulation à partir d'une présentation, configurer les plages de valeurs pour les inducteurs sélectionnés, exécuter un scénario de simulation et interpréter les résultats. Nous vous montrons également comment créer des inducteurs restreints pour la simulation multidimensionnelle, comparer des scénarios et publier un scénario privé.

Quelles sortes de sujets pouvons-nous étudier avec une simulation du compas ? Le compas SAP Analytics Cloud peut être utilisé pour fournir des réponses lorsque vous souhaitez connaître l'impact probable des incertitudes sur les performances des chauffeurs, ainsi que des stratégies qui peuvent être utilisées pour atténuer les incertitudes.

Les simulations du compas sont utiles pour comprendre, par exemple, le contexte de risque pendant :

• Paramétrage de la cible
• Révisions du budget
• Planification stratégique
• Planification du personnel

Qu'est-ce qu'une simulation de Monte-Carlo exactement ? La méthode de simulation de Monte-Carlo n'utilise pas l'IA, mais plutôt une technique mathématique pour calculer les résultats probables d'événements incertains. Il s'agit d'utiliser un grand nombre de calculs répétés combinés à des entrées échantillonnées aléatoirement pour simuler la plage d'impact probable.

Une simulation Monte Carlo est bien adaptée pour estimer l'impact lorsque la performance du pilote peut être attendue dans une certaine plage, mais lorsqu'il n'y a pas encore de indication de la valeur finale. Par exemple, il pourrait fournir des informations sur le résultat d'exploitation probable lorsque l'inflation attendue fluctue, ou sur les flux de trésorerie possibles lorsqu'il existe différentes stratégies d'investissement, chacune ayant son propre spectre de coûts possibles. Les analyses générées permettent de comprendre le risque résultant des certitudes des inducteurs composés.

Nous allons utiliser l'acte de lancer des dés pour illustrer le fonctionnement de la simulation de Monte-Carlo.

Imaginez que vous jetez 3 dés 100 fois pour explorer les sommes les plus probables réalisables. Après chaque toss, vous notez la valeur qui est roulée pour chaque dé et l'agrégation pour les 3 dés. À la fin de 100 points, vous disposez d'une liste qui vous indique la fréquence à laquelle un résultat d'agrégation particulier s'affiche, que vous utilisez pour tracer dans un graphique afin de visualiser la valeur par rapport à la fréquence relative d'apparition.

Examinons de plus près le diagramme suivant, qui illustre le processus simplifié décrit ci-dessus.

1. Définir les données et le conducteur : comme nous avons trois dés, nous avons 3 pilotes avec des incertitudes ; la plage de valeurs entre 1 et 6 pour chaque matrice (D1, D2 et D3).
2. Échantillonnage et calcul aléatoires : L'acte même de lancer les dés est en fait un échantillonnage aléatoire d'une valeur comprise entre 1 et 6 pour chaque dé. Lorsque cela est fait pour tous les dés, l'agrégation D1 + D2 + D3 peut être calculée. Ce processus peut être répété pour un nombre élevé d'essais afin d'observer la fréquence des résultats obtenus, qui dans cet example est 100 fois.
3. Création de liste : Les résultats obtenus peuvent être triés dans une liste pour préparer le calcul de la fréquence et le tracé d'un graphe.
4. Tracé : la valeur d'agrégation obtenue est tracée en fonction de sa fréquence relative d'apparition (qui peut être comprise comme la probabilité en %) pour une meilleure consommation de l'analyse générée. La distribution de probabilité des résultats agrégés est facilement comprise - lancer 3 dés aboutira très probablement à une somme de 10 ou 11, alors que la somme de 3 ou 18 est très improbable. Ici, nous avons la réponse à la question initiale concernant les résultats les plus probables lorsque vous jetez 3 dés.

La ou les réponses obtenues peuvent varier si vous effectuez une nouvelle simulation avec 100 autres itérations, car nous traitons la probabilité statistique. Mais si elle est exécutée avec un nombre d'itérations de calcul plus élevé, par exemple 1000, 10 000 ou plus, les résultats de la distribution de probabilité entre deux simulations diminueront considérablement.

Avec la capacité de calculer les résultats probables face aux incertitudes, la simulation de Monte-Carlo est une méthode valorisée lorsqu'il s'agit de simulations d'entreprise.

Le compas SAP Analytics Cloud a approfondi la simulation Monte Carlo en activant l'automatisation dans toutes les étapes de processus. Avec cette automatisation, les utilisateurs utilisant la boussole pour explorer l'impact des incertitudes des conducteurs n'ont pas besoin de connaissance préalable de la méthode de simulation Monte Carlo pour profiter de ses avantages.

• Échantillonnage et calcul aléatoires : L'échantillonnage aléatoire est pris en charge par le système. Tout ce qui est requis de la part de l'utilisateur est l'entrée pour la Configuration de la valeur et la Distribution.

  Le type de répartition pour la répartition de l'échantillonnage aléatoire est défini sur Répartition normale par défaut. Cela signifie, en résumé, que lors de l'échantillonnage aléatoire, les valeurs autour du milieu sont plus susceptibles d'être choisies que celles proches des limites de la plage (c'est-à-dire que 68 % du résultat tomberont dans 1 écart type, 95 % dans 2 écarts types et 99,7 % dans 3 écarts types). Les utilisateurs peuvent sélectionner Distribution uniforme s'ils souhaitent que toutes les valeurs partagent les mêmes chances d'être échantillonnées.

• Création et traçage de listes : la création et le traçage de listes sont entièrement automatisés par le système. Le graphique tracé permet de personnaliser les limites du percentile pour les cas optimistes, pessimistes et réalistes, et la coloration, en fonction des différentes préférences de consommation.

Examinons maintenant de plus près une simulation du compas SAP Analytics Cloud.

La cible est la mesure ou le compte dont vous souhaitez explorer l'impact.

Les inducteurs sont des membres de compte feuille (sans formule), des mesures de base ou leurs combinaisons qui contribuent tous au calcul de la cible.

Les inducteurs disponibles sont automatiquement identifiés et extraits de la cible dans les simulations du compas. En simulant directement un modèle SAP Analytics Cloud, la définition du modèle est utilisée pour la simulation et l'utilisateur final n'a pas besoin de dupliquer manuellement les données et la formule de calcul.

À l'aide d'un exemple, examinons de plus près la manière dont les inducteurs sont extraits d'une cible.

Un modèle a les relations mathématiques suivantes :

Ainsi, si vous sélectionnez A comme cible de votre simulation, E, F, C1 et C2 sont identifiés comme inducteurs.

La relation mathématique entre la cible et les inducteurs peut être additionnée dans la formule suivante : A = E * F + (C1 + C2)

Dans la colonne Distribution, les utilisateurs peuvent sélectionner le type de distribution de probabilité qui définit les valeurs possibles des inducteurs. La distribution normale est définie par défaut, mais les utilisateurs peuvent également sélectionner Distribution uniforme si nécessaire.

Distribution normale :

Pour une distribution normale, environ 99,7 % des données se situent dans trois écarts types de la moyenne.

Les valeurs qu'un utilisateur insère dans la configuration des valeurs sont converties en écart moyen et en écart-type, les deux paramètres d'une distribution normale.

• Moyenne : moyenne des valeurs minimale et maximale ajoutées par les utilisateurs.
• Écart-type : les utilisateurs de la plage peuvent être approximés pour couvrir six écarts types, de sorte que l'écart-type estimé est calculé en divisant la plage par 6.

Utilisons l'exemple d'une plage de configurations de valeurs pour un inducteur compris entre 10 et 70. La moyenne est 40 et l'écart-type est 10. Ainsi, parmi les valeurs d'inducteurs aléatoires générées pour chaque inducteur :

• Environ 68 % seront compris entre 30 et 50, ou un écart type (+/- 1) de la moyenne.
• Environ 95 % seront compris entre 20 et 60, ou deux écarts types (+/- 2 écarts types) de la moyenne.
• Environ 99,7 % seront compris entre 10 et 70 ou trois écarts types (+/- 3 écarts types) de la moyenne.

Si un utilisateur sélectionne Distribution uniforme, toutes les valeurs de la plage de valeurs (telles que définies dans sa Configuration de la valeur) sont également susceptibles de se produire pour un inducteur.

À chaque fois que vous effectuez un échantillonnage aléatoire ou une itération de simulation, des valeurs aléatoires spécifiques pour les inducteurs sont générées en fonction des paramètres de caractère aléatoire et ces valeurs seront utilisées pour le calcul de la cible pour chaque itération de simulation. De cette façon, un ensemble de valeurs cibles ou de résultats de simulation sera généré.

Les utilisateurs peuvent choisir entre trois modes de précision, chacun avec un nombre préconfiguré d'itérations de simulation Monte Carlo.

1. Aperçu : L'échantillonnage aléatoire de la simulation de Monte-Carlo se fera 1000 fois. Il s'agit du mode le plus rapide mais avec la plus faible précision.
2. Précision moyenne : L'échantillonnage aléatoire de la simulation de Monte-Carlo se fera 10 000 fois. Il s'agit d'un mode qui établit un équilibre entre vitesse et précision.
3. Haute précision : L'échantillonnage aléatoire de la simulation de Monte-Carlo se fera 100 000 fois. Il s'agit du mode le plus lent mais avec la plus grande précision.

Lorsque le graphique des résultats de simulation pour une cible est généré, il apparaît dans le panneau de sortie à droite des inducteurs.

Dans le graphique des résultats de simulation, toutes les classes sont tracées sur l'axe x et les probabilités sur l'axe y. Cela constitue la base du graphique, affichant une approximation de la distribution de probabilité des résultats de la simulation. Une ligne est ensuite superposée sur l'histogramme pour produire la courbe de distribution de probabilité dans le graphique.

Dans le graphique des résultats de simulation, deux valeurs limites sont visualisées par deux lignes verticales traversant la courbe de distribution de probabilité. Les résultats de la simulation sont divisés en trois cas, chacun avec une valeur de pourcentage, indiquant la probabilité qu'une valeur cible soit comprise dans ce cas. Ce pourcentage représente également la part des résultats de simulation dans le cas.

1. Cas pessimiste : l'aire sous la courbe entre la valeur minimale et la première valeur cible limite. Par défaut, cette valeur est définie sur 5 %, ce qui représente les 5 % les plus bas des résultats de simulation.
2. Cas réaliste : L'aire sous la courbe entre deux valeurs limites. Par défaut, cette valeur est définie sur 90 %, ce qui représente les 90 % les plus bas des résultats de simulation.
3. Cas optimiste : L'aire sous la courbe entre la deuxième valeur limite et la valeur maximale. Par défaut, cette valeur est définie sur 5 %, ce qui représente les 5 % les plus bas des résultats de simulation.

Dans les options du cas, vous pouvez remplacer la valeur en pourcentage par chaque cas. Si vous modifiez les valeurs en pourcentage pour les trois cas, deux valeurs limites qui divisent la plage de valeurs cible sont calculées et définies en conséquence.

Nous vous encourageons à terminer le sujet Simulation des données avec SAP Analytics Compass dans le cours Exploitation des fonctionnalités avancées dans SAP Analytics Cloud pour la planification, où le processus de création d'une simulation du compas SAP Analytics Cloud est traité en détail.

Des informations supplémentaires sont disponibles sur le SAP Help Portal.

Les utilisateurs peuvent éventuellement rencontrer quelques problèmes lors de l'utilisation du compas SAP Analytics Cloud. Par exemple :

1. Types d'agrégation, d'exception à l'agrégation et de désagrégation non pris en charge dans le modèle.
2. Type d'agrégation défini sur Étiquette de texte pour les nœuds de hiérarchie à l'origine d'une liste d'inducteurs vide dans un scénario privé.
3. Problème avec la fonction Taux de croissance annuel moyen (CAGR) dans les calculs de simulation.
4. Problèmes avec les fonctions itérées et similaires.
5. Ressources système insuffisantes.

Pour afficher l'explication, les causes et les étapes de correction des erreurs, accédez à la section Correction des problèmes dans le compas sur le SAP Help Portal.