{"id":3236,"date":"2024-10-21T07:00:00","date_gmt":"2024-10-21T06:00:00","guid":{"rendered":"https:\/\/www.orbis.de\/blog\/?p=3236"},"modified":"2025-11-27T09:53:45","modified_gmt":"2025-11-27T08:53:45","slug":"prognoseszenarien-mit-smart-predict-in-sac","status":"publish","type":"post","link":"https:\/\/www.orbis-group.com\/de-de\/blog\/branchen\/branchenuebergreifend\/prognoseszenarien-mit-smart-predict-in-sac\/","title":{"rendered":"Augmented Analytics: Entdecken Sie die Prognoseszenarien mit Smart Predict und ihre Funktionsweise"},"content":{"rendered":"\n

Im ersten Artikel dieser Serie<\/a> haben wir uns einen \u00dcberblick verschafft, welche KI-Funktionen in der SAP Analytics Cloud<\/a> (SAC) angeboten werden und ein tiefer Einblick in den Chatbot \u201eJust Ask\u201c hat spannende Fakten aufgedeckt. Jetzt ist der richtige Moment, sich anzuschnallen, denn es wird ein wenig technischer!<\/p>\n\n\n\n

In diesem Beitrag werden wir uns auf folgende Prognoseszenarien mit Smart Predict fokussieren: Zeitreihenprognose (Time Series Forecast), Regression und Klassifikation (Classification). Alle in diesem Beitrag dargestellten Prognoseszenarien stehen im Kontext von Augmented Analytics<\/a> und der SAP Analytics Cloud (SAC).<\/p>\n\n\n\n

Prognoseszenarien mit Smart Predict<\/h2>\n\n\n\n

Den zweiten gro\u00dfen KI-Funktionsbereich in der SAC bilden die Smart Predict- oder Prognoseszenarien. Der Name macht bereits deutlich, dass es sich dabei um Algorithmen f\u00fcr Maschinelles Lernen (ML)<\/strong> handelt, die Sie bei der Vorhersage der Ergebnisse bestimmter betrieblicher Fragestellungen unterst\u00fctzen.<\/p>\n\n\n\n

In der SAC gibt es drei Typen von Prognoseszenarien:<\/p>\n\n\n\n

    \n
  1. Klassifikation <\/strong>(Classification)<\/li>\n\n\n\n
  2. Regression <\/strong>(Regression)<\/li>\n\n\n\n
  3. Zeitreihenprognose <\/strong>(Time Series Forecast)<\/li>\n<\/ol>\n\n\n\n

    Dabei muss der Anwender den Typ des Prognoseszenarios ausw\u00e4hlen, der am besten zu seiner Fragestellung passt.<\/p>\n\n\n\n

    Allen drei oben genannten Machine-Learning-Szenarien haben gemeinsam, dass man das System zuerst mit sogenannten (historischen) Ist-Trainingsdaten<\/strong> f\u00fcttern muss. Diese Daten werden durch die Prognosealgorithmen hinsichtlich der inh\u00e4renten Zusammenh\u00e4nge analysiert und es wird ein konkretes Prognosemodell erstellt, das zum einen die Vergangenheitswerte in der vorliegenden Form erkl\u00e4rt und gleichzeitig verl\u00e4sslich (robust) hinsichtlich der zu prognostizierenden Werte ist.<\/p>\n\n\n\n

    Um das optimale Modell zu finden, nutzt das System Validierungslogiken<\/strong> und mathematisch, statistische Kennziffern zur Beurteilung der Prognoseg\u00fcte<\/strong> des Models. Diese Metriken sind der Root Mean Squared Error (RMSE)<\/strong> f\u00fcr die Regression, die Accuracy<\/strong> (Anzahl der korrekten Vorhersagen\/Gesamtzahl der Vorhersagen) und Total Loss<\/strong> f\u00fcr die Klassifikation und der Mean Absolute Percentage Error (MAPE)<\/strong> f\u00fcr die Zeitreihenprognose.<\/p>\n\n\n\n

    Im Fall eines Zeitreihen Forecasts bedeutet ein MAPE von 5 %, dass die durchschnittliche Differenz zwischen dem prognostizierten Wert und dem tats\u00e4chlichen Wert 5 % betr\u00e4gt. In jedem Prognoseszenario k\u00f6nnen sie mehrere Prognosemodelle erstellen und diese mit verschiedenen Parametrisierungen vom System berechnen lassen.<\/p>\n\n\n\n

    Der gemeinsame Grundgedanke hinter diesen Konzepten ist die Verwendung von Algorithmen und statistischen Modellen<\/strong>, um Muster in Daten zu erkennen und diese Muster zu nutzen, um n\u00fctzliche Vorhersagen zu treffen. Diese Vorhersagen k\u00f6nnen Unternehmen dabei helfen, bessere Entscheidungen zu treffen und ihre Prozesse zu optimieren. In der SAC k\u00f6nnen diese Modelle einfach erstellt und angewendet werden, was die Benutzerfreundlichkeit und Zug\u00e4nglichkeit dieser fortschrittlichen Analysetools erh\u00f6hen.<\/p>\n\n\n\n

    Jeden der drei Typen wollen wir hinsichtlich Grundkonzept, Use Cases und Umsetzung in der SAC<\/strong> umrei\u00dfen. Eine detaillierte Aufschl\u00fcsselung der hinter den Prognoseszenarien stehenden technischen Funktion und mathematischen Logiken w\u00fcrde den Rahmen diese Blogs sprengen und ist meiner Meinung nach an dieser Stelle auch nicht notwendig. Schlie\u00dflich geht es bei der Nutzung von KI im Berufsalltag vor allem darum, dass die KI bzw. der Algorithmus im Hintergrund arbeitet und uns, ohne dass wir uns mit den hochkomplexen Details besch\u00e4ftigen m\u00fcssen, ein verl\u00e4ssliches Ergebnis mit einem nachweisbaren Mehrwert liefert. Nat\u00fcrlich soll nicht unerw\u00e4hnt bleiben, dass es in der BTP (Business Technologie Platform)<\/a> die sogenannte AI Foundation gibt, die als zentraler Ort f\u00fcr Entwickler fungiert, um dort Erweiterungen und Anwendungen zu erstellen die KI und generative KI einsetzen.<\/p>\n\n\n\n

    \"Smart<\/figure>\n\n\n\n

    Szenario 1: Zeitreihenprognose (Time Series Forecast)<\/h2>\n\n\n\n

    Die Zeitreihenprognose (Time Series Forecast) befasst sich mit der Vorhersage zuk\u00fcnftiger Werte einer Messgr\u00f6\u00dfe<\/strong> (Kennzahl), auf Grundlage ihrer Vergangenheitswerte. Die Zielgr\u00f6\u00dfe (Signalvariable) hat also immer einen konkreten Zeitbezug.<\/p>\n\n\n\n

    Folgende Fragestellungen k\u00f6nnen dabei beispielsweise beantwortet werden: <\/p>\n\n\n\n

    Wie werden sich die Verkaufszahlen bzw. Ums\u00e4tze in meinen Verkaufsstellen in den kommenden Monaten entwickeln? Mit welchem Cash-Flow kann ich im n\u00e4chsten Quartal rechnen? Wie werden sich meine Best\u00e4nde in den n\u00e4chsten Wochen entwickeln?<\/em><\/p>\n\n\n\n

    Die Prognosefunktion analysiert dabei die historische Kurve, die durch die Zeitreihendaten gebildet wird und zerlegt diese Kurve in ihre elementaren Komponenten<\/strong> Trend, Zyklen, Einflussfaktoren und Fluktuation.<\/p>\n\n\n\n