Diese Website verwendet Cookies um Dienste bereitzustellen und Zugriffe zu analysieren. Durch die weitere Nutzung dieser Website stimmen Sie unseren Cookie-Richtlinien zu. mehr erfahren

SAP Predictive Analytics

In diesem Blog-Beitrag soll es um die von SAP im Bereich „Predictive Analytics“ angebotenen Tools „SAP Predictive Analytics“ und „SAP Predictive Factory“ gehen.

Dabei werden wir uns nicht auf die praktische Anwendung konzentrieren, die den Rahmen eines einzelnen Blogbeitrags sprengen würde, sondern wollen einen kurzen Überblick über das erhältliche Angebot und möglichen Anwendungsfälle geben.

1. Was versteht man eigentlich unter Predictive Analytics?

Predictive Analytics ist heutzutage ein Thema dem man kaum entgehen kann – besonders dann, wenn man sich auch beruflich mit Daten und deren Analyse auseinandersetzen muss. Dabei ist es nicht immer einfach den Überblick zu behalten. Zusammen mit den ebenfalls sehr häufig verwendeten Begriffen „Data Science“, „Künstliche Intelligenz“ und „Machine Learning“ taucht „Predictive Analytics“ im Zusammenhang mit allen möglichen Themen auf, wobei der Zusammenhang teilweise nicht immer sofort offensichtlich ist. Aus diesem Grund wollen wir hier diese Begriffe zum besseren Verständnis noch einmal kurz erklären.

Der Begriff „Data Science“ ist ein sehr weit gefasster Oberbegriff, der Techniken aus den Feldern Mathematik, Statistik, Informatik und Signalverarbeitung beinhaltet. Grundsätzlich geht es bei „Data Science“ darum Muster innerhalb von strukturierten oder unstrukturierten Daten zu erkennen und darauf aufbauend Problemlösungen zu entwickeln.

„Predictive Analytics“ kann ähnlich wie „Machine Learning“ als Teilbereich von „Data Science“ angesehen werden. „Predictive Analytics“ setzt unterschiedliche statistische Techniken und Algorithmen (z.B. Regressionen, Zeitreihenanalyse etc.) ein, um Vorhersagen über zukünftige Entwicklungen zu treffen. Dabei werden die Algorithmen mithilfe von historischen Daten „trainiert“ sodass Muster und Trends innerhalb der Daten für die Vorhersagen genutzt werden können.

Es geht also grob gesagt darum die Frage was könnte passieren und welche Variablen beinflussen die Zielgrösse um die es geht.

2. Mögliche Anwendungsbereiche von Predictive Analytics

SAP Predictive Analytics - Die ROC-Kurve bildet die Richtig-Positiv-Rate und die Falsch-Positiv-Rate bei Änderung der Erkennungsschwelle abDie möglichen Anwendungsfälle von Predictive Analytics sind breit gefächert und beschränken sich nicht nur auf Grossunternehmen, die in bestimmten Bereichen mit besonders grossem Datenaufkommen (wie z.B. Finanzdienstleistungen und Versicherungen) tätig sind.

Die Einsatzmöglichkeiten umfassen unter anderem  „Predictive Maintenance“ um die Frequenz von Wartungsintervallen zu optimieren, Marktsegmentierungen zur Verbesserung von Werbemassnahmen, die Analyse von Gesundheitsdaten, Umsatzoptimierung und vieles mehr.

Viele Unternehmen verfügen, teilweise ohne es zu wissen, über einen Datenschatz, der mit Hilfe von „Predictive Analytics“ dazu genutzt werden kann die Informationsgrundlage auf deren Basis Entscheidungen getroffen werden massgeblich zu verbessern.

3. Warum wird Predictive Analytics nicht viel öfter eingesetzt?

Wie bereits erwähnt sind die Anwendungsmöglichkeiten von Predictive Analytics vielfältig und nicht auf eine gewisse Branche oder Firmengrösse beschränkt. Dennoch ist die Nutzung dieser Techniken nicht so weit verbreitet wie man aufgrund der Begeisterung in den Medien meinen sollte.

Die Gründe hierfür liegen darin, dass vielen Unternehmen Spezialisten auf diesem Gebiet fehlen und die Schwierigkeit Daten zu sammeln, zu ordnen und zu verarbeiten als aufwendig und komplex angesehen wird.

Dadurch verpassen viele Unternehmen die Möglichkeit aus den eigenen Daten nützliche Erkenntnisse über die eigenen Kunden und Geschäftsprozesse zu ziehen und so ihre Entscheidungsgrundlage zu verbessern.

4. Was sind die Hauptlösungen von SAP im Bereich Predictive Analytics?

Die wichtigsten Lösungen, die von SAP im Bereich Predictive Analytics angeboten werden sind das „SAP Predictive Analytics“ Paket, welches den „Data Manager“, „Automated Analytics“, „Expert Analytics“ und das sogenannte „Toolkit“ enthält, sowie „SAP Predictive Factory“. Während „SAP Predictive Analytics“ als Client-Tool installiert wird und die Modellierung und Datenaufbereitung ermöglicht, wird die SAP Predictive Factory auf einem Server konfiguriert und erlaubt es den Betrieb und die Aktualisierung erstellter Modelle zu automatisieren.

Zusätzlich gibt es innerhalb der „SAP Analytics Cloud“ die Möglichkeit „Predictive Scenarios“ zu erstellen wobei die bereitgestellten Funktionalitäten in etwa denen von „Automated Analytics“ innerhalb von „SAP Predictive Analytics“ entsprechen.

5. SAP Predictive Analytics

„SAP Predictive Analytics“ ist ein Client Tool mit umfassenden Möglichkeiten im Bereich Data Mining und Predictive Analytics. Dabei besteht „SAP Predictive Analytics“ aus insgesamt 4 verschiedenen Bereichen:

  1. Data Manager
  2. Automate Analytics (umfasst Modeler, Social und Recommondation)
  3. Expert Analytics
  4. Toolkit

Der „Data Manager“ dient dazu die benötigten Daten aufzubereiten und für die weiter Analyse/Verarbeitung zu modifizieren.

Dabei können unter anderem aus verschiedenen Tabellen und Datenquellen sogenannte „Analytical Records“ erstellt werden.

Diese bestehen zum einen aus den Attributen bzw. Merkmalen einer Population die zur Vorhersage herangezogen werden sowie aus den Entitäten selbst. Dabei können dynamische Zeitfenster eingestellt werden, sodass stets die aktuellsten Daten zum Training und der Überprüfung der Algorithmen herangezogen werden.

„Automated Analytics“ ermöglicht unter anderem die einfache Erstellung von Regressionen, Klassifikationen, Clustering, Zeitreihen-,  Assoziations- und Netzwerkanalysen. Dabei ist das User-Interface ist so gestaltet, dass sich auch Business User leicht zurechtfinden und ohne grössere Statistik- und Programmierkentnisse mit wenigen Clicks eigene Vorhersageodelle erstellen können.

„Expert Analytics“ eignet sich besonders für erfahrene Datenanalysten die mit den mathematischen Grundlagen der Modelle vertraut sind. Mit Hilfe von „Expert Analytics“ lassen sich auch komplexe Abläufe passgenau modellieren um speziellen Anforderungen und Problemen gerecht zu werden.

Mit dem sogenannten „Toolkit“ können bestehende Datensets geöffnet und inspiziert werden. Ausserdem werden hier die deskriptiven Statistiken berechnet werden um einen besseren Überblick bezüglich der spezifischen Eigenschaften eines Datensets zu gewinnen.

6. SAP Predictive Factory

SAP Predictive Analytics - Zeitreihenanalyse mit VorhersageÄhnlich wie „SAP Predictive Analytics“ erlaubt auch die „SAP Predictive Factory“ die Erstellung von Vorhersagemodellen auf Basis von Regression, Klassifikation und Zeitreihenanalysen.

Das Hauptanwendungsgebiet von „SAP Predictive Analytics“ ist jedoch die Operationalisierung von zuvor erstellten Vorhersagemodellen (entweder mit „SAP Predictive Analytics“ oder aber mit derPredictive Factory selbst).

Operationalisierung bedeutet hier, dass Vorhersagemodelle automatisch zu bestimmten Zeitpunkten auf die aktuellsten Daten angewendet und die Ergebnisse anschliessend in eine Datenbank zurückgeschrieben werden.

Zusätzlich kann die Performance der Modelle sowie mögliche Änderungen innerhalb der zugrundeliegenden Datenstruktur überwacht werden. Werden Abweichungen festgestellt wird das Modell automatisch auf Grundlage aktueller Daten neu „trainiert“ und angewendet.

Durch die Automatisierung dieser Schritte entfällt ein beträchtlicher Anteil des Aufwandes, der bei der Nutzung von Vorhersagemodellen auftritt, wodurch mehr Ressourcen für andere Aufgaben frei werden.

7. SAP Analytics Cloud

Die „SAP Analytics Cloud“ ist eine Business Intelligence (BI) Lösung der SAP. Neben der Erstellung von Dashboards und der Planungs-/Budgetfunktionalität ist „Predictive Analytics“ der dritte Anwendungsbereich von „SAP Analytics Cloud“.

Dabei können ähnlich wie bei „Automated Analytics“ recht einfach sogenannte „Predictive Scenarios“ erstellt werden. Die so erstellten Modelle können anschliessend auch in wie bereits zuvor beschrieben in der „SAP Predictive Factory“ operationalisiert werden.

8. Wie weiter:

Wir hoffen, dass dieser Blog-Beitrag Ihnene einen kleinen Überblick über das Angebot von SAP im Bereich Predictive analytics geben konnte.

Weitere Informationen finden Sie hier:  SAP Predictive Factory

Möchten Sie wissen ob SAP Predictive Analytics und SAP Predictive Factory Ihre Anforderungen erfüllen?

Melden Sie sich einfach bei uns unter info@plus-it.ch. Wir freuen uns.

 

Predictive Analytics in der SAP Analytics Cloud

In diesem Blog-Beitrag soll es um die Predictive-Funktionalitäten innerhalb der SAP Analytics Cloud gehen.

Dabei möchten wir uns sowohl mit dem eigentlichen Erstellen von Vorhersagemodellen in der SAC als auch mit den zahlreichen Hilfsfunktionen, die das Leben der Nutzer erleichtern beschäftigen und diese kurz erklären.

1. Übersicht der verfügbaren Predictive Features in der SAC

Die Schlagwörter Predictive Analytics, Data Science und Machine Learning sind heutzutage in aller Munde. Aus Gründen der Übersichtlichkeit werden wir diese Begriffe in diesem Beitrag nicht erklären. Wenn Sie sich einen kurzen Überblick zu dem Thema verschaffen möchten, empfehlen wir Ihnen unseren Artikel SAP Predictive Analytics, der sich mit der on-premise Lösung von SAP beschäftigt

Die Predictive Features in der SAC lassen sich grundsätzlich in zwei Kategorien aufteilen: Smart Predict ermöglicht es dem Benutzer eigene Vorhersagemodelle zu trainieren und deckt das klassische Verständnis von Predictive Analytics ab. Zusätzlich sind in der SAC eine Reihe von Features integriert, die den Benutzer mit wenigen Klicks zusätzliche Informationen liefern. Diese Zusatzfunktionen kann man unter dem Begriff Augmented Analytics zusammenfassen.

In diesem Beitrag stellen wir zuerst die verschiedenen Augmented Analytics Features vor und erklären wie diese das Leben der SAC-Benutzer erleichtern können. Anschliessend beschäftigen wir uns mit den möglichen Vorhersagemodellen, die mit Smart Predict erstellt werden können. Zuletzt werden wir auch einen kurzen Blick auf die R-Integration in der SAC und die sich daraus ergebenden Möglichkeiten eingehen.

2. Search to Insight

Das erste Augmented Analytics Feature mit dem neue SAC Benutzer konfrontiert werden ist mit Sicherheit Search to Insight. Mit Search to Insight kann der Nutzer mit natürlicher Sprache Fragen bzw. Aufgaben an die SAC übergeben und erhält als Resultat eine Visualisierung. Diese Visualisierung kann dann auch direkt in eine bestehende Story integriert werden.

Gestartet wird Search to Insight entweder direkt auf der Landing Page über das Suchfeld, welches standardmässig hier erscheint, oder aber mit einem Klick auf die  kleine Glühbirne oben rechts:

Im folgenden Menü kann man das Modell, über dessen Daten man mehr erfahren möchte, aussuchen. Schränkt man das Datenmodell nicht ein, werden alle Modelle in der SAC in Betracht gezogen, was zu einer etwas längeren Verarbeitungszeit führt. Anschliessend kann man im Suchmenü direkt Augaben an die SAC übergeben. Zum Beispiel „Show revenue by month“. Während der Eingabe erhält man automatisch Vorschläge für mögliche Suchanfragen. Zu beachten ist hier, dass die SAC momentan nur Englisch „spricht“.

Die SAC generiert nun automatisch eine entsprechende Visualisierung, die eine Antwort auf die gestellte Anfrage gibt. Diese kann man entweder in eine SAC- Story integrieren oder aber direkt exportieren. Auf diese Weise lassen sich ohne grossen Aufwand schnell Erkenntnisse bezüglich eines beliebeigen in der SAC vorhandenen Datensets generieren.

3. Smart Insights

Mit Hilfe von Smart Insights kann ein Nutzer schnell und unkompliziert in einer Story Datenpunkte und deren Einflussfaktoren untersuchen. Mit wenigen Klicks können so Fragen wie zum Beispiel „Welche Berechnungen resultieren in diesem Ergebnis?“oder aber „Was für Faktoren beeinflussen den Umsatz meines Unternehmens?“ analysiert werden.

Dabei muss man selbst keinerlei Codierung oder Zusatzarbeit übernehmen. Alle notwendigen Schritte werden automatisch innerhalb der SAC auf die Unternehmensdaten angewendet und man kann sofort mit den Ergebnissen weiterarbeiten.

4. Predictive Forecasting

Genauso wie Smart Insights ist auch Predictive Forecasting eine Funktionalität, die sich einfach und schnell aus einer bestehenden Story heraus starten lässt. Dabei lassen sich auf einfache Weise Zeitreihen-Analysen durchführen. Weitergehende mathematische Kenntnisse sind nicht notwendig. Man wählt schlicht die relevante Datenreihe aus, bestimmt den Vorhersagehorizont und lässt die SAC die Arbeit machen.

Mit minimalem Aufwand lassen sich so zum Beispiel Fragen wie „Wie wird sich mein Umsatz in den nächsten 12 Monaten entwickeln?“ beantworten. Um die Funktionalität zu nutzen, genügt es…

5. Smart Discovery

Die Funktionalität von Smart Discovery geht über diejenige der bisher beschriebenen Features hinaus. Search to Insight, Smart Insights und Predictive Forecasting liefern in erster Linie schnelle Antworten, in begrenztem Umfang, auf bestimmte Fragen. Auch Smart Discovery liefert schnelle Antworten und benötigt kein technisches Fachwissen des Nutzers bei der Erstellung. Allerdings sind die Ergebnisse wesentlich ausführlicher als bei den anderen Methoden.

In einer beliebigen Story kann man Smart Discovery in der Menüleiste unter Tools finden und starten. Befindet man sich in einer Story ohne datenmodell, so muss man dieses logischerweise noch bestimmen, damit die statistischen Analysen durchgeführt werden können.

 

6. Smart Predict

Smart Predict ist das Herzstück der SAC Predictive Funktionalitäten. Während die bisher vorgestellten Features eher Hilfsfunktionen sind, mit denen ad-hoc wertvolle Erkenntnisse gewonnen werden können, kann der Nutzer mit Smart Predict auch eigene Vorhersagemodelle erstellen und trainieren.

Dabei stehen grundsätzlich drei verschiedene Algorythmen zur Verfügung: Regression, Klassifikation und Zeitreihenanalyse.

7. R

Wem die Möglichkeiten zur Erstellung von Vorhersagemodellen, die standardmässig direkt in der SAC integriert sind, nicht genügen, wird sich wahrscheinlich für die R-Integration in der SAC interessieren. R ist eine speziell für mathematische und statistische Zwecke entwickelte Programmiersprache. Sie ist im Bereich der Datenanalyse und -Visualisierung inzwischen weit verbreitet und kann auch in der SAC für diese Zwecke genutzt werden.

Nachdem der Administrator die Verwendung von R-Modellen innerhalb der SAC aktiviert hat, können sowohl in Stories, als auch in Analytical Applications sogenannte R-Widgets hinzugefügt werden. In diesen R-Widgets kann man anschliessend aus einem SAC-Modell die Bestandteile des R-dataframes, der von dem Widget genutzt wird, definiert werden.

 

Was versteht man eigentlich unter Predictive Analytics?

Predictive Analytics ist heutzutage ein Thema dem man kaum entgehen kann – besonders dann, wenn man sich auch beruflich mit Daten und deren Analyse auseinandersetzen muss. Dabei ist es nicht immer einfach den Überblick zu behalten. Zusammen mit den ebenfalls sehr häufig verwendeten Begriffen „Data Science“, „Künstliche Intelligenz“ und „Machine Learning“ taucht „Predictive Analytics“ im Zusammenhang mit allen möglichen Themen auf, wobei der Zusammenhang teilweise nicht immer sofort offensichtlich ist. Aus diesem Grund wollen wir hier diese Begriffe zum besseren Verständnis noch einmal kurz erklären.

Der Begriff „Data Science“ ist ein sehr weit gefasster Oberbegriff, der Techniken aus den Feldern Mathematik, Statistik, Informatik und Signalverarbeitung beinhaltet. Grundsätzlich geht es bei „Data Science“ darum Muster innerhalb von strukturierten oder unstrukturierten Daten zu erkennen und darauf aufbauend Problemlösungen zu entwickeln.

„Predictive Analytics“ kann ähnlich wie „Machine Learning“ als Teilbereich von „Data Science“ angesehen werden. „Predictive Analytics“ setzt unterschiedliche statistische Techniken und Algorithmen (z.B. Regressionen, Zeitreihenanalyse etc.) ein, um Vorhersagen über zukünftige Entwicklungen zu treffen. Dabei werden die Algorithmen mithilfe von historischen Daten „trainiert“ sodass Muster und Trends innerhalb der Daten für die Vorhersagen genutzt werden können.

Es geht also grob gesagt darum die Frage was könnte passieren und welche Variablen beinflussen die Zielgrösse um die es geht.

2. Mögliche Anwendungsbereiche von Predictive Analytics

Die möglichen Anwendungsfälle von Predictive Analytics sind breit gefächert und beschränken sich nicht nur auf Grossunternehmen, die in bestimmten Bereichen mit besonders grossem Datenaufkommen (wie z.B. Finanzdienstleistungen und Versicherungen) tätig sind.

Die Einsatzmöglichkeiten umfassen unter anderem  „Predictive Maintenance“ um die Frequenz von Wartungsintervallen zu optimieren, Marktsegmentierungen zur Verbesserung von Werbemassnahmen, die Analyse von Gesundheitsdaten, Umsatzoptimierung und vieles mehr.

Viele Unternehmen verfügen, teilweise ohne es zu wissen, über einen Datenschatz, der mit Hilfe von „Predictive Analytics“ dazu genutzt werden kann die Informationsgrundlage auf deren Basis Entscheidungen getroffen werden massgeblich zu verbessern.

 

8. Wie weiter:

Wir hoffen, dass dieser Blog-Beitrag Ihnene einen kleinen Überblick über das Angebot von SAP im Bereich Predictive analytics geben konnte.

Weitere Informationen finden Sie hier:  SAP Predictive Factory

Möchten Sie wissen ob SAP Predictive Analytics und SAP Predictive Factory Ihre Anforderungen erfüllen?

Melden Sie sich einfach bei uns unter info@plus-it.ch. Wir freuen uns.