Prediction models are trending globally and are now more widely used than ever before. If you’re looking to take advantage of this technology to better understand your data, don’t worry, our experts are right here to support you, whether you are an existing SAP HANA customer or you are planning to move to SAP HANA soon.
We can develop advanced analytic layers, and thanks to the integrated predictive libraries we are also capable of producing complex machine learning solutions according to your needs. Also, if you have an Enterprise Resource Planning (ERP) system, we can connect to your existing system to extract data from it, take advantage of in-memory capabilities, and help you discover new insights.
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.
Whatever sector you’re operating in, we’ll show you how you can get started with predictive models with your existing SAP HANA database. SAP provides the APL (Automated Predictive Library) package within your SAP HANA. Using this library, we can build a time travel machine and predict future results based on historical data.
The APL included with SAP HANA enables you to build these solutions quickly and effectively, with minimum effort and significant flexibility on user parameters. All that’s needed is to train the model with existing data and apply it to new entries.
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, with its built-in machine learning capabilities, allows end-users to leverage artificial intelligence capabilities without moving data and without integrating different pieces of software – everything is already there for you.
To find out more about harnessing the power of APL and the SAP HANA Database to create and use predictive models in your organisation, get in touch with one of our experts.