予測分析は、データ駆動方式を使用して将来のイベントを予測することを目的としています。このアプローチは、直感のみに基づく意思決定と比較して、より正確な意思決定につながります。この項目は、モデリング、機械学習、データマイニングなどのさまざまな統計手法を組み合わせたものです。これらのメソッドでは、現在および履歴データを分析して、将来または不明なイベントに関する予測を行います。
予測モデリング
予測モデルは通常、トランザクションデータまたは変数のセットで構成されるデータセット形式で入力を受け取ります。出力は、従属変数またはターゲット変数と呼ばれ、モデルが予測を目的としています。これらの予測には、独立変数または説明変数と呼ばれる入力が使用されます。予測モデルを開発する前に、ターゲット変数と説明変数の両方を考慮して、データの探索と準備が必要になることがよくあります。
販売管理の予測アプリ
SAP S/4HANA Cloud には、販売用の以下の予測アプリが用意されています。
- 見積変換率 - 有効/未完了: このアプリは、販売見積が実際の受注にどの程度適応しているかを確認するのに役立ちます。販売になる見積値の割合 (%) が表示されます。営業担当者または販売責任者であれば、これを使用して見積が期限切れになる前の受注数を確認することができます。このアプリでは、機械学習を使用して将来の見積変換を予測し、実際に何が起こっているかを次に何が起こっているかを比較することもできます。
このアプリ参照文書は、SAP Fiori アプリライブラリの見積変換率 - 有効/未完了にあります。
- 販売実績 - 予測: このアプリでは、合計販売数量などの実際の販売結果をシステムによる予測と比較することができます。すでに登録した販売計画を選択して、販売目標に到達するまでの進捗状況を確認することができます。このアプリでは、スマート予測ツールを使用して、現在のパフォーマンスがどの程度高く、近い将来に何を期待するかに関するインサイトが提供されます。
このアプリ参照文書は、SAP Fiori アプリライブラリ (Sales Performance - Predictions) にあります。
- 予測出荷遅延: このアプリでは、営業員が未処理受注の遅延を発生前に特定することができます。得意先への納入が遅れる可能性を予測します。これらの潜在的な問題を早期に提示することで、遅延を回避するための措置を講じることができます。たとえば、問題をすばやく確認し、すぐに修正を開始することができます。
このアプリでは、主に以下の 2 つの事項が確認されます。
- 出荷が計画よりも遅く登録される場合。
- 出荷の処理にかかる時間。
これにより、問題を先取りし、顧客の満足度を維持することができます。
このアプリ参照文書は、SAP Fiori アプリライブラリの予測出荷遅延にあります。
SAP S/4HANA Cloud のモデルトレーニング: ステップバイステップガイド
すべての予測アプリは予測モデルに基づいています。SAP S/4HANA Cloud で予測モデルを使用する前に、予測モデルを適切にトレーニングする必要があります。方法は以下のとおりです。
- 履歴データ収集: SAP S/4HANA Cloud に大量の過去のトランザクションデータが含まれていることを確認します。モデル (販売見積、受注、出荷など) に基づきます。
- モデルのトレーニング:
- インテリジェントシナリオ管理アプリを開きます。
- 特定のシナリオを探す
- トレーニングプロセスの開始
- 結果を確認します。
- トレーニングが成功すると、"準備完了" ステータスの新規モデルバージョンが表示されます。
- トレーニング中に品質指標が計算されます。
- モデルの評価:
- 品質指標を確認する
- モデルが十分に使いこなせるかどうかを判断する
- 必要に応じて再トレーニング:
- 品質が十分でない場合は、モデルを再度トレーニングします。
- モデルを有効化します。
- モデルの最適なバージョンを選択します。
- 有効化します。
- モデルの使用:
- 有効になると、予測アプリケーションでモデルを使用できます。
注記:
- 各予測アプリには、独自のシナリオとモデルがあります。
- モデルをアプリで使用する前に、モデルのトレーニングと有効化を行う必要があります。
- 複数のバージョンのモデルを使用できますが、有効化できるのは最適なモデルのみです。
これらのステップに従うと、SAP S/4HANA Cloud で予測モデルを効果的に準備および使用することができます。
モデルパフォーマンス指標
予測モデルのパフォーマンスは、入力データセットのデータによって異なる場合があります。たとえば、データ品質、数量、関連性、分布、機能エンジニアリング、ノイズレベル、時間的変更、および前処理方法に依存します。
SAP S/4HANA Cloud では、現在のシステムデータベース (得意先見積、受注、出荷、請求伝票) に基づいて予測モデルがトレーニングされます。トレーニング中に、一部の品質指標が測定され、将来の予測のパフォーマンスが確立されます。
提案された品質指標を見てみましょう。
- 予測力: 予測力は、予測モデルの動作状況を示します。モデルが、トレーニングしたデータでいつ使用されたかを予測しようとしている内容について、モデルがどの程度的確に説明しているかが示されます。
- 0% から 100% までの範囲:
- 予測力 = 0%: 純粋なランダムモデル
- 予測力 = 100% : 完全理想モデル
- この区分は SAP 固有ですが、一般使用の標準モデル品質指標に厳密に関連します。
- 0% から 100% までの範囲:
- 予測信頼度: モデルの頑健性を示します。これにより、新しいデータでの使用時に、モデルがその精度とパフォーマンスをどの程度維持できるかが測定されます。
- 0% から 100% までの範囲
- 推奨しきい値: 予測にモデルを使用する前の予測信頼度 ≥ 95%。
- AUC (曲線下の面積): 分類モデルがさまざまなクラス間の差異をどの程度的確に判断できるかを示します。AUC 値が大きいほど、モデルの精度が向上します。
0% から 100% までの範囲
注記
分類モデル: 分類モデルは、データ要素をさまざまなグループまたはクラスに分類またはラベル付けするために設計されたタイプの機械学習モデルです。多数の電子メールがあり、それらを "スパム" と "スパムではない" にソートするとします。分類モデルは、スパムメールと非スパムメールの例から学習し、新規メールがスパムであるかどうかを予測することができます。
簡単に言うと、
- 分類モデルは既存のデータ (トレーニングデータ) から学習します。
- パターンを識別し、それらを使用して新しいデータを事前定義されたクラス ("はい"、"いいえ"、"スパム"、"スパムではない" など) に分類します。
そのため、分類モデルは、学習したパターンに基づいてアイテムを自動的にソートまたは分類するのに役立ちます。
