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 causé par les incertitudes des inducteurs. Il utilise la relation définie entre l'inducteur et la cible dans le modèle SAP Analytics Cloud. Le compas vous permet 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 face aux incertitudes sur les performances des chauffeurs et de simuler les stratégies possibles pour contrer les incertitudes.

Pour une introduction étendue dans le compas SAP Analytics Cloud, consultez le sujet Simulation des données avec le compas SAP Analytics Cloud dans le cours Exploration de SAP Analytics Cloud.

Quels types de sujets pouvons-nous étudier avec une simulation de boussole ? 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 inducteurs, 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 :

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

Qu'est-ce qu'une simulation Monte Carlo ? La méthode de simulation Monte Carlo n'utilise pas l'IA, mais est 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 l'on peut s'attendre à ce que les performances du pilote se situent dans une certaine plage, mais lorsqu'il n'y a pas encore de précision sur la valeur finale. Par exemple, il pourrait fournir un aperçu du résultat d'exploitation probable lorsque l'inflation attendue fluctue, ou du flux de trésorerie possible lorsqu'il existe différentes stratégies d'investissement, chacune avec son propre spectre de coûts possibles. Les analyses générées permettent de comprendre le risque résultant des certitudes de l'inducteur composé.

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

Imaginez que vous jetez 3 dés 100 fois pour explorer les sommes les plus probables réalisables. Après chaque lancer, vous notez la valeur qui est roulée pour chaque dé et l'agrégation pour les 3 dés. Au bout de 100 jetons, vous disposez d'une liste qui affiche la fréquence d'affichage d'un résultat d'agrégation particulier, 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 données et inducteur : comme nous avons trois dés, nous avons 3 inducteurs avec des incertitudes ; la plage de valeurs est comprise entre 1 et 6 pour chaque dé (D1, D2 et D3).
2. Échantillonnage aléatoire et calcul : 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 procédé peut être répété pour un grand nombre d'essais afin d'observer la fréquence des résultats atteints, qui dans cet example est de 100 fois.
3. Création de liste : Les résultats obtenus peuvent être triés dans une liste comme préparation pour le calcul de la fréquence et le tracé d'un graphe.
4. Tracement : 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 compréhensible - lancer 3 dés aboutira très probablement à une somme de 10 ou 11, tandis que la somme de 3 ou 18 est très peu probable. Ici, nous avons la réponse à la question initiale concernant les résultats les plus probables en jetant 3 dés.

La ou les réponses obtenues pourraient varier si vous effectuez une nouvelle simulation avec 100 autres itérations, car nous traitons de la probabilité statistique. Mais si elle est effectuée avec un nombre plus élevé d'itérations de calcul, par exemple 1 000, 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 Monte Carlo est une méthode valorisée lorsqu'il s'agit de simulations d'entreprise.

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

• Échantillonnage aléatoire et calcul : l'échantillonnage aléatoire est pris en charge par le système. Seule l'entrée pour la configuration et la distribution de la valeur est requise de la part de l'utilisateur.

  Le type de distribution pour la distribution d'échantillonnage aléatoire est défini sur Distribution 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 seront compris 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 de liste et traçage : la création de liste et le traçage sont entièrement automatisés par le système. Le graphique tracé permet de personnaliser les limites du centile 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 il n'est pas nécessaire que l'utilisateur final duplique 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 ; cependant, 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 de valeur sont converties en moyenne et 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 spécifiés 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 configuration de valeur pour un inducteur de 10 à 70. La moyenne est de 40 et l'écart-type est de 10. Ainsi, des valeurs d'inducteur aléatoires générées pour chaque inducteur :

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

Pour chaque itération d'échantillonnage aléatoire ou 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 des résultats de simulation sont générés.

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 sera effectué 1 000 fois. C'est le mode le plus rapide mais qui a la précision la plus faible.
2. Moyenne précision : L'échantillonnage aléatoire de la simulation Monte Carlo se fera 10 000 fois. Il s'agit d'un mode marquant 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, tous les emplacements sont tracés sur l'axe x et les probabilités sur l'axe y. Cela constitue la base du graphique, montrant une approximation de la distribution de probabilité des résultats de 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 en pourcentage, indiquant la probabilité qu'une valeur cible tombe dans ce cas. Ce pourcentage représente également la part des résultats de simulation dans le cas.

1. Cas pessimiste : 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 : 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 modifier la valeur en pourcentage pour chaque cas. Si vous modifiez les valeurs de 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 la leçon Simulation de données avec le compas SAP Analytics 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 rencontrer quelques problèmes lors de l'utilisation du compas SAP Analytics Cloud. Par exemple :

1. Agrégation, exception à l'agrégation et types de désagrégation non pris en charge dans le modèle.
2. Type d'agrégation défini sur Étiquette de texte pour les nœuds de hiérarchie, ce qui entraîne 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 liés aux fonctions itératives 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 du SAP Help Portal.