Los modelos de predicción están en tendencia a nivel mundial y ahora se utilizan más que nunca. Si está buscando aprovechar esta tecnología para comprender mejor sus datos, no se preocupe, nuestros expertos están aquí para brindarle asistencia, ya sea un cliente existente de SAP HANA o si planea mudarse a SAP HANA pronto.
Podemos desarrollar capas analíticas avanzadas, y gracias a las bibliotecas predictivas integradas, también somos capaces de producir soluciones complejas de aprendizaje automático según sus necesidades. Además, si tiene un sistema de planificación de recursos empresariales (ERP, por sus siglas en inglés), podemos conectarnos a su sistema existente para extraer datos de él, aprovechar las capacidades en memoria y ayudarlo a descubrir nuevos conocimientos.Enterprise Resource Planning (ERP)
1. Introducción a la biblioteca predictiva automatizada de SAP HANA
Algunos de los escenarios más populares para los modelos predictivos incluyen la detección de fraudes, la evaluación de la calidad del producto, el diagnóstico médico, la planificación de campañas de marketing y una amplia gama de otros, según la industria.
Independientemente del sector en el que esté operando, le mostraremos cómo puede comenzar con modelos predictivos con su base de datos SAP HANA existente. SAP proporciona el paquete APL (Automated Predictive Library) dentro de su SAP HANA. Con esta biblioteca, podemos construir una máquina de viaje en el tiempo y predecir resultados futuros basados en datos históricos.
El APL incluido con SAP HANA le permite crear estas soluciones de forma rápida y eficaz, con un esfuerzo mínimo y una flexibilidad significativa en los parámetros del usuario. Todo lo que se necesita es entrenar el modelo con datos existentes y aplicarlo a nuevas entradas.
2. Caso de uso: ¿obtengo ingresos de los visitantes de mi página de destino?
En este ejemplo, veremos una pregunta bastante simple. Esta empresa quiere saber si un determinado comportamiento (visitar una página de su sitio web) se correlaciona con una determinada acción (comprar en el sitio web).
El conjunto de datos utilizado consta de campos como los diferentes tipos de páginas visitadas por el visitante en esa sesión y el tiempo total empleado en cada una de estas categorías de página, además de algunas métricas adicionales medidas por "Google Analytics" para cada página del comercio electrónico. sitio.
Además, las dimensiones de tiempo, como qué mes es, si es fin de semana o no, y qué tan cerca está la visita de un día especial específico (por ejemplo, Navidad, Acción de Gracias, Día de San Valentín), junto con la información de ubicación, se tienen en cuenta.
El siguiente caso de uso nos lleva a una conclusión para cada tipo de comportamiento, ya sea que genere ingresos o no, expresado como "VERDADERO" o "FALSO" en la primera tabla a continuación. A continuación, el sistema puede predecir los resultados de las visitas futuras, basándose en los comportamientos observados según se informa en los datos históricos, lo que nos da las predicciones en la segunda tabla a continuación.
Conjunto de datos de entrenamiento:
Nuevas entradas con resultados previstos de APL:
3. Caso de uso: recomendaciones de productos
Otro ejemplo que podemos utilizar es el modelo de recomendación. El conjunto de datos de entrenamiento consta de artículos, cantidades y fechas comprados por diferentes clientes de una tienda minorista. El algoritmo de recomendación de APL verifica el conjunto de compras anteriores, así como las compras específicas del cliente, y recomienda otros artículos para cada cliente.
Como es un algoritmo flexible, podemos cambiar ciertos parámetros, como promocionar artículos más vendidos o de venta lenta, considerando la relación entre artículos (es decir, los clientes suelen comprar pantalones y camisas en la misma compra), o al incluir o excluir artículos ya comprados.
Conjunto de datos de entrenamiento:
Después del cálculo (con todos los parámetros y métricas predefinidos), se recomiendan los siguientes 5 elementos principales para nuestro cliente de ejemplo ("25680"). También es posible determinar el número de recomendaciones.
En lugar de dedicar mucho tiempo y esfuerzo a escribir grandes cantidades de código, con APL, este resultado es posible ejecutando solo unas pocas líneas de código (con tablas de parámetros preparadas) una sola vez. Entrenar el modelo con su conjunto de datos y aplicarlo a nuevas entradas lleva menos de un minuto
4. Conclusiones
In this blog article two use cases were implemented to showcase the machine learning capabilities that SAP HANA Database offers.
Aunque existen muchas soluciones diferentes en el mercado que ofrecen capacidades de aprendizaje automático, generalmente implican la integración de más de dos piezas de software y el movimiento de datos.
SAP HANA, con sus capacidades de aprendizaje automático integradas, permite a los usuarios finales aprovechar las capacidades de inteligencia artificial sin mover datos y sin integrar diferentes piezas de software; todo ya está ahí para usted.
Para obtener más información sobre cómo aprovechar el poder de APL y la base de datos de SAP HANA Database para crear y utilizar modelos predictivos en su organización, póngase en contacto con uno de nuestros expertos.