Modelltraining für Predictive Analytics beschreiben – Verkauf (2YJ)

Predictive Analytics zielt darauf ab, zukünftige Ereignisse mithilfe datengesteuerter Methoden zu prognostizieren. Dieser Ansatz führt zu genaueren Entscheidungen im Vergleich zu solchen, die allein auf Intuition beruhen. Das Feld kombiniert verschiedene statistische Techniken wie Modellierung, maschinelles Lernen und Data Mining. Diese Methoden analysieren aktuelle und historische Daten, um Vorhersagen über zukünftige oder unbekannte Ereignisse zu treffen.

Prognosemodelle erhalten in der Regel Eingaben in Form eines Datensets, das aus Transaktionsdaten oder einer Reihe von Variablen besteht. Die Ausgabe, die als abhängige Variable oder Zielvariable bezeichnet wird, soll vom Modell vorhergesagt werden. Die Eingaben, die als unabhängige oder erklärende Variablen bezeichnet werden, werden verwendet, um diese Vorhersagen zu treffen. Vor der Entwicklung eines Prognosemodells ist es häufig erforderlich, Daten zu untersuchen und vorzubereiten, wobei sowohl die Zielvariablen als auch erklärende Variablen berücksichtigt werden.

SAP S/4HANA Cloud stellt die folgenden Vorhersage-Apps für den Verkauf bereit:

• Umwandlungsraten von Angeboten – Gültig/Nicht abgeschlossen: Mit dieser App können Sie sehen, wie gut Ihre Angebote in tatsächliche Aufträge umgewandelt werden. Sie zeigt den Prozentsatz der Angebotswerte an, die zu Verkäufen werden. Wenn Sie ein Vertriebsmitarbeiter oder -manager sind, können Sie dies verwenden, um zu prüfen, wie viele Ihrer Angebote zu Aufträgen werden, bevor sie ablaufen. Die App verwendet maschinelles Lernen auch, um zukünftige Angebotskonvertierungen vorherzusagen und so zu vergleichen, was wirklich mit dem passiert, was als Nächstes passieren könnte.

  Sie finden die App-Referenzdokumentation in der Bibliothek für SAP-Fiori-Apps unter Umwandlungsraten von Angeboten - Gültig/Nicht abgeschlossen.

• Vertriebsergebnisse – Prognosen: Mit dieser App können Sie Ihre tatsächlichen Verkaufsergebnisse, wie z. B. den Gesamtumsatz, mit den Vorhersagen des Systems vergleichen. Sie können einen Vertriebsplan auswählen, den Sie bereits angelegt haben, um zu sehen, wie nah Sie am Erreichen Ihrer Verkaufsziele sind. Die App verwendet intelligente Vorhersagetools, um Ihnen Einblicke darüber zu geben, wie gut Sie gerade abschneiden und was Sie in naher Zukunft erwarten können.

  Sie finden die App-Referenzdokumentation in der Bibliothek für SAP-Fiori-Apps unter Sales Performance – Predictions.

• Vorhergesagter Lieferverzug: Mit dieser App können Vertriebsmitarbeiter mögliche Verzögerungen in offenen Kundenaufträgen erkennen, bevor sie eintreten. Sie prognostiziert, wann Lieferungen zu spät an Kunden kommen können. Indem Sie Ihnen diese potenziellen Probleme frühzeitig zeigen, können Sie Maßnahmen ergreifen, um Verzögerungen zu vermeiden. Sie können beispielsweise Probleme schnell sehen und sofort mit der Behebung beginnen.

  In der App werden zwei Hauptaspekte betrachtet:

  1. Wenn die Lieferung möglicherweise später als geplant angelegt wird.
  2. Wie lange es dauern kann, die Lieferung zu bearbeiten.

  Auf diese Weise können Sie den Problemen immer einen Schritt voraus sein und Ihre Kunden zufriedenstellen.

  Sie finden die App-Referenzdokumentation in der Bibliothek für SAP-Fiori-Apps unter Vorhergesagter Lieferverzug.

Jede Predictive-App basiert auf einem Prognosemodell. Bevor Sie ein Prognosemodell in SAP S/4HANA Cloud verwenden können, müssen Sie es ordnungsgemäß trainieren. So gehen Sie vor:

1. Historische Daten sammeln: Stellen Sie sicher, dass SAP S/4HANA Cloud eine gute Menge vergangener Bewegungsdaten enthält. Basierend auf dem Modell, z.B. Angebote, Aufträge, Lieferungen.
2. Modell trainieren:
   • Öffnen Sie die App Intelligentes Szenario-Management.
   • Suchen Sie Ihr spezifisches Szenario
   • Trainingsprozess starten
3. Prüfen Sie die Ergebnisse:
   • Wenn das Training erfolgreich ist, wird eine neue Modellversion mit dem Status „BEREIT" angezeigt.
   • Das System berechnet Qualitätsindikatoren während des Trainings.
4. Modell auswerten:
   • Qualitätsindikatoren ansehen
   • Entscheiden Sie, ob das Modell gut genug ist, um es zu verwenden.
5. Bei Bedarf erneut trainieren:
   • Wenn die Qualität nicht zufriedenstellend ist, trainieren Sie das Modell erneut.
6. Aktivieren Sie das Modell:
   • Wählen Sie die beste Version Ihres Modells aus.
   • Aktivieren Sie es.
7. Verwenden Sie das Modell:
   • Sobald das Modell aktiv ist, können Sie es in Ihrer Predictive Application verwenden.

Beachten Sie Folgendes:

• Jede Prognose-App verfügt über ein eigenes Szenario und Modell.
• Sie müssen ein Modell trainieren und aktivieren, bevor Sie es in einer App verwenden können.
• Sie können mehrere Versionen eines Modells haben, aber nur die beste Version aktivieren.

Wenn Sie diese Schritte ausführen, können Sie Prognosemodelle in SAP S/4HANA Cloud effektiv vorbereiten und verwenden.

Die Performance eines Prognosemodells kann je nach den Daten im Eingabedatenset variieren. Sie hängt beispielsweise von Datenqualität, Quantität, Relevanz, Verteilung, Feature-Engineering, Geräuschpegel, zeitlichen Änderungen und Vorverarbeitungsmethoden ab.

SAP S/4HANA Cloud trainiert das Vorhersagemodell basierend auf der aktuellen Systemdatenbank (Angebote, Aufträge, Lieferungen, Fakturen). Während der Schulung misst das System einige Qualitätsindikatoren, um die Performance zukünftiger Prognosen zu ermitteln.

Sehen wir uns die vorgeschlagenen Qualitätsindikatoren an:

1. Prognostische Trennschärfe: Die prognostische Trennschärfe zeigt, wie gut ein Prognosemodell funktioniert. Sie sagt uns, wie gut das Modell darin ist, zu erklären, was wir vorhersagen möchten, wann es für die Daten verwendet wird, für die wir es trainiert haben.
   • Bereiche von 0% bis 100%:
     • Prognostische Trennschärfe ≈ 0 %: reines Zufallsmodell
     • Prognostische Trennschärfe ≈ 100% : Perfektes Idealmodell
   • Der Indikator ist spezifisch für SAP, bezieht sich jedoch strikt auf allgemeine Standardmodellqualitätsindikatoren.
2. Prognosekonfidenz: Zeigt an, wie robust ein Modell ist. Sie misst, wie gut das Modell seine Genauigkeit und Performance beibehalten kann, wenn es für neue Daten verwendet wird.
   • Bereich von 0% bis 100%
   • Empfohlener Schwellenwert: Prognosekonfidenz ≥ 95 % vor Verwendung des Modells für Prognosen.
3. AUC (Area Under Curve): Zeigt, wie gut ein Klassifikationsmodell den Unterschied zwischen verschiedenen Klassen erkennen kann. Höhere AUC-Werte bedeuten, dass das Modell genauer ist.

   Bereich von 0% bis 100%

   Notiz

   Klassifizierungsmodell: Ein Klassifizierungsmodell ist eine Art von Modell für maschinelles Lernen, das Datenpunkte in verschiedene Gruppen oder Klassen kategorisiert oder kennzeichnet.

   Stellen Sie sich vor, Sie haben eine Reihe von E-Mails und möchten sie in "Spam" und "nicht Spam" sortieren. Ein Klassifizierungsmodell kann von Beispielen für Spam und Nicht-Spam-E-Mails lernen und dann vorhersagen, ob neue E-Mails Spam sind oder nicht.

   Einfach ausgedrückt:

   • Ein Klassifizierungsmodell lernt aus vorhandenen Daten (Trainingsdaten).
   • Sie identifiziert Muster und verwendet sie, um neue Daten in vordefinierte Klassen (wie "ja" oder "nein", "spam" oder "nicht spam") zu kategorisieren.

   Ein Klassifizierungsmodell hilft Ihnen also dabei, Elemente basierend auf den erlernten Mustern automatisch zu sortieren oder zu klassifizieren.

Sie aktivieren diese Prognosefunktion, indem Sie eine aktive Version des Standardmodells verwenden, das sich im vordefinierten Prognoseszenario für Umwandlungsraten von Angeboten (SLSQTANPREDICTION) befindet.

Sie legen Versionen an, indem Sie das Modell mit verschiedenen Datensätzen mit der App Prognosemodelle trainieren. Nachdem sie trainiert wurde, wenden Sie die gewünschte Version an, indem Sie sie als aktive Version festlegen.

Sie können Angebote mit Details wie Kunde, Nettowert, tatsächliche und vorhergesagte Umwandlungsraten, Prozentsatz der verstrichenen Zeit über den Gültigkeitszeitraum und Resttage vor Ablauf auflisten.

Sie können die Nettowerte in Ihrer bevorzugten Währung anzeigen. Für die Währungsumrechnung ist der Kurstyp M (Mittelkurs) voreingestellt. Mit der App Umrechnungskurse pflegen können Sie Umrechnungskurse von Ihren Transaktionswährungen in Ihre Anzeigewährung pflegen.

Sie können die tatsächlichen und prognostizierten Umrechnungskurse dynamisch vergleichen, während Sie einen Drilldown nach verschiedenen Dimensionen durchführen.

Um die prognostizierte Umwandlungsrate anzuzeigen, müssen Sie die Mini-Kachel (standardmäßig ausgeblendet) einblenden, die die prognostizierte Rate anzeigt. Wählen Sie Mini-Diagramme anzeigen.

Sie können den umgerechneten Wert mit der Prognose nach verschiedenen Dimensionen vergleichen.

Weitere Informationen finden Sie in der Referenz-App-Dokumentation unter Referenzbibliothek für SAP-Fiori-Apps: Umwandlungsraten von Angeboten.

Mit dieser App können Sie Ihre aktuelle Vertriebsergebnisse mit modellbasierten Vorhersagen und Vertriebszielen vergleichen. Durch die Analyse dieser Vergleiche erhalten Sie wertvolle Einblicke in Ihre Vertriebsleistung und können datengestützte Entscheidungen treffen.

1. Vergleich des tatsächlichen und des prognostizierten Umsatzes
2. das Erreichen von Vertriebszielen mithilfe vorhandener Vertriebspläne analysieren
3. Vergleiche über verschiedene Dimensionen hinweg visualisieren (z. B. Verkaufsorganisation, Kunde, Material)
4. Istwerte laufendes Jahr und Vorjahr monatlich vergleichen
5. Filtereinstellungen als Varianten sichern und verwalten

• Derzeit unterstützt die App nur den Umsatz als Performance-KPI.
• Der Umsatz wird als fakturierter Gesamtumsatz in einem bestimmten Zeitraum definiert, der auf nicht stornierten Rechnungs- oder Lastschriftspositionen basiert.

Um Prognosewerte anzuzeigen, aktivieren Sie die Prognose in der App Intelligentes Szenario-Management:

1. Suchen Sie nach dem vordefinierten Szenario für den Umsatz (SALESVOLUME001).
2. Legen Sie Versionen an, indem Sie das Standardmodell mit verschiedenen Datensätzen trainieren.
3. Aktivieren Sie eine Modellversion mit zufriedenstellender Vorhersagequalität.

1. Verwenden Sie relevante und aktuelle Geschäftsdaten.
2. Sicherstellen eines ausreichenden Datenvolumens (empfohlen: mindestens 2000 Datensätze pro Schulung)
3. Trainieren und aktivieren Sie das Modell mindestens einmal im Monat.
4. Schulung während der Nichtarbeitszeit durchführen

Weitere Informationen finden Sie in der Referenzbibliothek für SAP-Fiori-Apps unter Sales Performance – Predictions.