Descripción de la formación del modelo de análisis predictivo - Ventas (2YJ)

El análisis predictivo tiene como objetivo pronosticar eventos futuros utilizando métodos basados en datos. Este enfoque conduce a decisiones más precisas en comparación con aquellas basadas solo en la intuición. El campo combina varias técnicas estadísticas, incluido el modelado, el aprendizaje automático y la minería de datos. Estos métodos analizan datos actuales e históricos para realizar predicciones sobre eventos futuros o desconocidos.

Los modelos predictivos normalmente reciben entradas en forma de conjunto de datos, que consta de datos transaccionales o un conjunto de variables. La salida, conocida como variable dependiente o de destino, es lo que el modelo pretende predecir. Las entradas, llamadas variables independientes o explicativas, se utilizan para realizar estas predicciones. Antes de desarrollar un modelo predictivo, a menudo es necesario explorar y preparar datos, teniendo en cuenta tanto las variables de destino como las explicativas.

SAP S/4HANA Cloud proporciona las siguientes aplicaciones predictivas para Ventas:

• Tasas de conversión de ofertas - Válidas/No completadas: Esta aplicación le ayuda a ver hasta qué punto sus ofertas de venta se convierten en pedidos reales. Muestra el porcentaje de valores de oferta que se convierten en ventas. Si es un representante o gerente de ventas, puede utilizarlo para verificar cuántas de sus ofertas se están convirtiendo en pedidos antes de que venzan. La aplicación también utiliza machine learning para predecir futuras conversiones de cotizaciones, lo que le permite comparar lo que realmente está sucediendo con lo que podría suceder a continuación.

  Encontrará la documentación de referencia de la aplicación en la Biblioteca de aplicaciones SAP Fiori en Tasas de conversión de oferta - Válidas / No completadas.

• Rendimiento de ventas – Predicciones: Esta aplicación le permite comparar sus resultados de ventas reales, como el volumen total de ventas, con predicciones realizadas por el sistema. Puede seleccionar un plan de ventas que ya haya creado para ver lo cerca que está de alcanzar sus objetivos de ventas. La aplicación utiliza herramientas de predicción inteligente para proporcionarle información sobre el rendimiento actual y qué esperar en un futuro próximo.

  Encontrará la documentación de referencia de la aplicación en la Biblioteca de aplicaciones de SAP Fiori en Rendimiento de ventas – Predicciones.

• Retraso en la entrega previsto: esta aplicación ayuda a los representantes de ventas a detectar posibles retrasos en los pedidos de cliente pendientes antes de que ocurran. Predice cuándo las entregas pueden llegar tarde a los clientes. Al mostrarle estos problemas potenciales con antelación, puede tomar medidas para evitar retrasos. Por ejemplo, puede ver rápidamente los problemas y empezar a solucionarlos de inmediato.

  La aplicación analiza dos cosas principales:

  1. Cuando la entrega se puede crear más tarde de lo planificado.
  2. El tiempo que puede llevar procesar la entrega.

  De este modo, puede adelantarse a los problemas y mantener felices a sus clientes.

  Encontrará la documentación de referencia de la aplicación en la biblioteca de aplicaciones de SAP Fiori en Retraso en la entrega previsto.

Cada aplicación predictiva se basa en un modelo predictivo. Antes de utilizar un modelo predictivo en SAP S/4HANA Cloud, debe formarlo correctamente. Así es como:

1. Recopilar datos históricos: asegúrese de que SAP S/4HANA Cloud contenga una buena cantidad de datos transaccionales pasados. En función del modelo, por ejemplo, Ofertas de ventas, Pedidos, Entregas.
2. Forme el modelo:
   • Abra la aplicación Gestión de escenarios inteligentes.
   • Encuentre su escenario específico
   • Iniciar el proceso de formación
3. Verifique los resultados:
   • Si la formación es correcta, verá una nueva versión de modelo con el estado "LISTO".
   • El sistema calcula los indicadores de calidad durante la formación.
4. Evaluar el modelo:
   • Observe los indicadores de calidad
   • Decida si el modelo es lo suficientemente bueno como para utilizarlo
5. Volver a entrenar si es necesario:
   • Si la calidad no es satisfactoria, vuelva a entrenar el modelo
6. Active el modelo:
   • Seleccione la mejor versión de su modelo.
   • Actívelo.
7. Utilice el modelo:
   • Una vez activo, puede utilizar el modelo en su aplicación predictiva.

Recuerde:

• Cada aplicación predictiva tiene su propio escenario y modelo.
• Debe formar y activar un modelo antes de utilizarlo en una aplicación.
• Puede tener varias versiones de un modelo, pero solo puede activar la mejor.

Si sigue estos pasos, podrá preparar y utilizar modelos predictivos en SAP S/4HANA Cloud de forma eficaz.

El rendimiento de un modelo predictivo puede variar en función de los datos del conjunto de datos de entrada. Por ejemplo, depende de la calidad de los datos, la cantidad, la relevancia, la distribución, la ingeniería de características, los niveles de ruido, los cambios temporales y los métodos de procesamiento previo.

SAP S/4HANA Cloud forma un modelo predictivo basado en la base de datos del sistema actual (ofertas de ventas, pedidos, entregas, documentos de facturación). Durante la formación, el sistema mide algunos indicadores de calidad para establecer el rendimiento de las predicciones futuras.

Analicemos los indicadores de calidad propuestos:

1. Poder predictivo: el poder predictivo muestra el funcionamiento de un modelo predictivo. Nos indica lo bueno que es el modelo para explicar lo que estamos intentando predecir cuando se utiliza en los datos en los que lo entrenamos.
   • Rangos de 0% a 100%:
     • Poder predictivo ≈ 0%: Modelo aleatorio puro
     • Poder predictivo ≈ 100% : Modelo ideal perfecto
   • El indicador es específico de SAP, pero está estrictamente relacionado con los indicadores de calidad de modelo estándar de uso general.
2. Confianza de predicción: muestra la solidez de un modelo. Mide lo bien que el modelo puede mantener su precisión y rendimiento cuando se utiliza en datos nuevos.
   • Rangos de 0% a 100%
   • Umbral recomendado: Confianza de predicción ≥ 95% antes de utilizar el modelo para predicciones.
3. AUC (Área bajo curva): muestra cómo un modelo de clasificación puede distinguir la diferencia entre las diferentes clases. Los valores AUC más altos significan que el modelo es más preciso.

   Rangos de 0% a 100%

   Nota

   Modelo de clasificación: un modelo de clasificación es un tipo de modelo de aprendizaje automático que está diseñado para categorizar o etiquetar puntos de datos en diferentes grupos o clases.

   Imagina que tienes un montón de correos electrónicos y quieres ordenarlos en "spam" y "no spam". Un modelo de clasificación puede aprender de ejemplos de spam y correos electrónicos no spam y luego predecir si los nuevos correos electrónicos son spam o no.

   En términos sencillos:

   • Un modelo de clasificación aprende de los datos existentes (datos de formación).
   • Identifica patrones y los utiliza para categorizar nuevos datos en clases predefinidas (como "sí" o "no", "spam" o "no spam").

   Por lo tanto, un modelo de clasificación le ayuda a clasificar automáticamente las posiciones en función de los patrones que ha aprendido.

Esta funcionalidad predictiva se activa utilizando una versión activa del modelo predeterminado, que se encuentra en el escenario predictivo predefinido para las tasas de conversión de oferta (SLSQTANPREDICTION).

Las versiones se crean formando el modelo con diferentes conjuntos de datos mediante la aplicación Modelos predictivos. Una vez formada, aplique la versión que desee fijándola como la versión activa.

Puede enumerar ofertas con detalles como el cliente, el valor neto, las tasas de conversión reales y previstas, el porcentaje de tiempo transcurrido durante el período de validez y los días restantes antes del vencimiento.

Puede visualizar los valores netos en su moneda preferida. Para la conversión de moneda, se introduce por defecto el tipo de cambio M (cotización media). Puede actualizar los tipos de cambio de sus monedas transaccionales a su moneda de visualización con la aplicación Actualizar tipos de cambio.

Puede comparar las tasas de conversión reales y previstas dinámicamente al desglosar por diferentes dimensiones.

Para ver la tasa de conversión prevista, debe mostrar el mosaico mini (oculto por defecto) que muestra la tasa prevista. Seleccione Mostrar minigráficos.

Puede comparar el valor convertido con la predicción por diferentes dimensiones.

Para obtener más información, puede acceder a la documentación de la aplicación de referencia en Biblioteca de referencia de aplicaciones SAP Fiori: Tipos de conversión de oferta.

Esta aplicación le permite comparar su rendimiento de ventas actual con predicciones y objetivos de ventas basados en modelos. Al analizar estas comparaciones, puede obtener información valiosa sobre su rendimiento de ventas y tomar decisiones basadas en datos.

1. Comparar volumen de ventas real y previsto
2. Analizar el logro de los objetivos de ventas utilizando planes de ventas existentes
3. Visualizar comparaciones en varias dimensiones (por ejemplo, organización de ventas, cliente, material)
4. Comparar los valores reales del año actual y del año anterior mes a mes
5. Guardar y gestionar opciones de filtro como variantes

• Actualmente, la aplicación solo admite el volumen de ventas como KPI de rendimiento.
• El volumen de ventas se define como el total de ventas facturadas durante un período especificado, basado en posiciones de factura no canceladas o posiciones de nota de cargo.

Para visualizar valores previstos, active la predicción en la aplicación Gestión de escenarios inteligentes:

1. Busque el escenario predefinido para el volumen de ventas (SALESVOLUME001).
2. Cree versiones formando el modelo predeterminado con diferentes conjuntos de datos.
3. Active una versión de modelo con una calidad de predicción satisfactoria.

1. Utilice datos empresariales relevantes y actuales.
2. Garantizar un volumen de datos suficiente (recomendado: al menos 2000 registros por formación)
3. Entrenar y activar el modelo al menos una vez al mes
4. Realizar capacitación durante horas no laborables

Para obtener más información, puede acceder a la Biblioteca de referencia de aplicaciones SAP Fiori en Rendimiento de ventas – Predicciones.