El componente de previsión de la demanda HANA ejecuta un algoritmo en HANA para producir predicciones de ventas para un período fijado en el futuro. La funcionalidad de componente es un subconjunto de Unified Demand Forecast (UDF), un módulo en SAP Customer Activity Repository (CAR). Un foco principal del componente es prever la demanda de los consumidores. Además de proporcionar información de la previsión y del intervalo de previsión, el algoritmo también proporciona datos acerca de la flexibilidad del precio para todos los productos en el workflow. Se describen más abajo las propiedades configurables, la cuadrícula de resultados y el resumen de algoritmo del componente de previsión de la demanda HANA.
Nombre de sección |
Descripciones de la propiedad |
|---|---|
Horizonte de previsión |
Fije las fechas de Inicio y Fin del período de predicción. |
Variables |
Fije las siguientes propiedades de Variable: ID de producto: Seleccione la columna de sólo cadenas de la tabla de entradas que contiene el código de identificador del producto, que puede ser de hasta 60 caracteres de longitud. ID de ubicación: Seleccione la columna de sólo cadenas de la tabla de entradas que contiene el código de identificador de la ubicación, que puede ser de hasta 60 caracteres de longitud. Cronomarcador de transacción: Seleccione la columna de la tabla de entradas que contiene el cronomarcador de transacción, que tiene que estar en formato de fecha o de cronomarcador. Ventas de unidad: Seleccione la columna de sólo números de la tabla de entradas que contiene el gráfico de ventas de unidades. Ingresos: Seleccione la columna de sólo números de la tabla de entradas que contiene el gráfico de ingresos. |
Vacaciones (opcional) |
Contiene información acerca de los días festivos en ubicaciones en particular. Fije las siguientes propiedades de Vacaciones: Esquema: Seleccione el esquema para la tabla de entradas de la lista en la base de datos de HANA.Tablas: Seleccione una tabla del esquema. Vistas: Seleccione una vista del esquema. ID de barra de tiempos: Seleccione la columna de sólo cadenas de la tabla de entradas que contiene el código de identificador de la barra de tiempos, que puede ser de hasta 10 caracteres de longitud. Clave de días festivos: Seleccione la columna de sólo cadenas de la tabla de entradas que contiene la clave de días festivos, que puede ser de hasta 3 caracteres de longitud. Status operacional: Seleccione la columna de enteros de la tabla de entradas que contiene el status operacional. Cronomarcador: Seleccione la columna de la tabla de entradas que contiene el cronomarcador de transacción, que tiene que estar en formato de fecha o de cronomarcador. |
Asignación de ubicaciones de vacaciones (opcional) |
Fije las siguientes propiedades de la Asignación de ubicaciones de vacaciones: Esquema: Seleccione el esquema que contiene la tabla con información acerca de las ubicaciones de asignación para los días festivos. Tablas: Seleccione una tabla del esquema. Vistas: Seleccione una vista del esquema. ID de ubicación: Seleccione la columna de sólo cadenas de la tabla de entradas que contiene el código de identificador de la ubicación, que puede ser de hasta 60 caracteres de longitud. ID de vacaciones: Seleccione la columna de sólo cadenas de la tabla de entradas que contiene el código de identificador de las vacaciones, que puede ser de hasta 10 caracteres de longitud. |
Factores de influencia sobre demanda |
Fije las siguientes propiedades de los Factores de influencia sobre demanda: Esquema: Seleccione el esquema que contiene la tabla con información acerca de los factores de influencia sobre demanda. Tablas: Seleccione una tabla del esquema. Vistas: Seleccione una vista del esquema. ID de producto: Seleccione la columna de sólo cadenas de la tabla de entradas que contiene el código de identificador del producto. ID de ubicación: Seleccione la columna de sólo cadenas de la tabla de entradas que contiene el código de identificador de la ubicación. Atributo de FID: Seleccione la columna de sólo cadenas de la tabla de entradas que contiene el atributo del Factor de influencia sobre demanda (FID), que puede ser de hasta 32 caracteres de longitud. Cronomarcador inicial: Seleccione la columna de sólo fechas de la tabla de entradas que contiene la fecha en la que se inicia el cronomarcador. Cronomarcador final: Seleccione la columna de sólo fechas de la tabla de entradas que contiene la fecha en la que finaliza el cronomarcador. Valor de FID: Seleccione la columna de sólo números de la tabla de entradas que contiene el valor de Factor de influencia sobre demanda (FID). |
Precios futuros previstos (opcional) |
Fije las siguientes propiedades de los Precios futuros previstos: Esquema: Seleccione el esquema que contiene la tabla con información acerca de los precios futuros previstos. Tablas: Seleccione una tabla del esquema. Vistas: Seleccione una vista del esquema. ID de producto: Seleccione la columna de sólo cadenas de la tabla de entradas que contiene el código de identificador del producto. ID de ubicación: Seleccione la columna de sólo cadenas de la tabla de entradas que contiene el código de identificador de la ubicación. Cronomarcador inicial: Seleccione la columna de sólo fechas de la tabla de entradas que contiene la fecha en la que se inicia el cronomarcador. Precio: Seleccione la columna de sólo números de la tabla de entradas que contiene el precio. |
Nombre de sección |
Descripciones de la propiedad |
|---|---|
Parámetros de configuración (opcional) |
En la sección de Parámetros de configuración, tiene la opción de configurar las parametrizaciones siguientes: Factor de amortiguación (FC_TREND_DAMP): Define el factor de amortiguación para la regresión de tendencia. El rango es el valor >= 0.00000.Masa de regresión total (MOD_HDM_NEAR_HOLIDAY_DENSITY): Fija la proporción de la masa de regresión total a la derecha (POST: izquierda) de la fecha intermedia. Tenga en cuenta que hay dos grupos de regresores HDM, SYS:CAL:YR:HDM:PRE:* y SYS:CAL:YR:HDM:POST:*. Los regresores PRE definen el ramp-up antes de las vacaciones, los regresores POST, el de después de las vacaciones. El rango es 0.50000 <=valor < 1.00000. |
| Efecto de retraso temporal (opcional) | En la sección de Efecto de retraso temporal, configure las parametrizaciones siguientes: Ponderación de observación (MOD_TIME_WEIGHT): Fija la ponderación de una observación de un año en la modelación, comparada con una observación realizada el día de hoy. De esta forma la variable ayuda a decidir si dar la misma importancia (o ponderación) a todos los registros independientemente de sus cronomarcadores. Por ejemplo, cuando se crea el modelo, fijar el valor del parámetro en 1 es dar la misma importancia a todos los registros independientemente del tiempo en el que se registraron. Mientras que fijar un valor para el parámetro que sea inferior a 1 le permite al usuario darle menos importancia a los registros que tengan cronomarcadores anteriores, comparados con los registros que tienen cronomarcadores más recientes. El rango es 0.50000 <=valor < 1.00000. Límite inferior en la ponderación (MOD_TIME_WEIGHT_MIN): Define un límite inferior bajo el que no caerá la ponderación. El rango es 0.00001 <=valor < 1.00000. |
Detección de fuera de stock (opcional) |
En la sección de Detección de fuera de stock, configure las parametrizaciones siguientes: Período del volumen de negocios cero(MOD_OOSD_MIN_LEN): Fija la longitud mínima de volumen de negocios cero continuo que se ha de tener en cuenta para una evaluación del período de fuera de stock. El rango es el valor >= 1.00000. Umbral de probabilidad (MOD_OOSD_THRSHLD): Fija el umbral para la puntuación de probabilidad para determinar si una posición está fuera de stock. La puntuación de probabilidad para cada posición se deriva basándose en la incidencia del volumen de negocios cero para un período superior a los valores especificados en el parámetro, MOD_OOSD_MIN_LEN. El rango es el valor >= 1.00000. |
Descomposición de serie temporal (opcional) |
Marque las casillas de selección de Descomposición de serie temporal adecuadas para descomponer y ver claramente la influencia en los resultados de los siguientes factores: Estacionalidad: La estacionalidad puede causar un impacto en los resultados en diferentes partes del año, como al principio o al final del mismo, o cada mes alternativo. Promoción de usuario: La promoción de usuario puede causar un impacto en los resultados con una ascensión repentina en las ventas. Vacaciones: Los festivos nacionales como Navidad y Acción de gracias pueden causar un impacto en las ventas. Desmarque las casillas de selección si no desea tener en cuenta el impacto de estos factores en los resultados. |
Detección de valores atípicos (opcional) |
En la sección de Detección de valores atípicos, configure las parametrizaciones siguientes: Configurar detección de valores atípicos: (Des)marque la casilla de selección para activar o desactivar la detección de valores atípicos. Distancia aceptable de la media (MOD_OUTLIER_MEAN_FACTOR): Define el factor de detección de valores atípicos para determinar la distancia respecto a la media y si ésta es aceptable. Observaciones mínimas no cero (MOD_OUTLIER_STD_DEV_FACTOR): Define el número mínimo de detección de valores atípicos de las observaciones no cero, normales y promocionales, contados antes del relleno 0. Factor de desviación estándar(MOD_OUTLIER_STD_DEV_FACTOR): Define el factor de detección de valores atípicos para determinar cuántas desviaciones respecto a la media son aceptables. |
Nombre de sección |
Descripciones de la propiedad |
|---|---|
Básico (opcional) |
Nombre de componente: No se puede configurar. En la sección Detección de valores atípicos, puede configurar las parametrizaciones siguientes:Nombre de alias: Un alias para el nombre del componente. Descripción: El objetivo del componente. |
Columna |
Descripción |
|---|---|
PROD_ID |
ID de producto |
LOC_ID |
ID de ubicación |
TSTMP_FR |
Cronomarcador inicial |
TSTMP_TO |
Cronomarcador final |
ACTUAL_UNIT_SALES |
Ventas de unidades reales |
FC_CONF_INDEX |
Índice de confianza en la previsión (ICP) |
FC_UNIT_SALES |
Ventas de unidades previstas |
INTERCEPTAR |
Intercepción del componente de descomposición de la serie temporal |
| TENDENCIA | Tendencia del componente de descomposición de la serie temporal |
ESTACIONALIDAD |
Estacionalidad del componente de descomposición de la serie temporal |
DAY_OF_WEEK |
Día de la semana del componente de descomposición de la serie temporal |
VACACIONES |
Vacaciones del componente de descomposición de la serie temporal |
| SALES_PROMOTION | Promoción de ventas del componente de descomposición de la serie temporal |
PRECIO |
Precio futuro específico de la ubicación del producto cada día. Precio histórico calculado sobre la base del precio por unidad y de ventas. |
PRICE_ELASTICITY |
Elasticidad del precio. Mide la receptividad de la cantidad en la demanda de una mercancía o un servicio para una modificación en el precio. |
FORECAST_INFO_MSG |
Proporciona información adicional que explica el Índice de confianza en la previsión (ICP). |
FORECAST_INFO_DIF_DESC |
Proporciona información adicional que explica el factor de influencia sobre demanda que tiene un impacto sobre la previsión. |
Categoría |
Número de combinaciones de ubicaciones del producto |
Criterios |
Descripciones |
|---|---|---|---|
Demanda perfectamente inelástica |
0 |
E = 0 |
La categoría es un caso extremo porque la cantidad de la demanda no queda afectada por ninguna modificación en el precio. La cantidad es fija y las modificaciones en el precio no tienen ningún efecto sobre el resultado. |
Inelástica |
0 |
-1 < E < 0 |
UDF limita la elasticidad del precio para que sea inferior a cero y por encima de -10 en la parametrización estándar. Por lo tanto, una elasticidad del precio por encima de -1 se llama una demanda inelástica. Esto significa que las modificaciones en el precio tienen un pequeño efecto en la cantidad de mercancías o servicio demandados. Por el contrario, si la elasticidad del precio está por debajo de -1, las modificaciones en el precio tienen un efecto relativamente grande en la cantidad de las mercancías o los servicios en la demanda, que es una demanda elástica. |
Unidad elástica |
0 |
E = -1 |
Cualquier modificación en el precio induce una modificación relativa igual en la cantidad. Por ejemplo, una modificación del 20% en el precio incluye una modificación del 20% en la cantidad de la demanda. La Unidad elástica es la línea divisoria entre los rangos elásticos y los inelásticos. |
Demanda relativamente elástica |
1 |
E < -1 |
La cantidad en la demanda es extremadamente receptiva al precio porque las modificaciones relativamente pequeñas en el precio provocan modificaciones relativamente grandes en la cantidad. Por ejemplo, una modificación del 2% en el precio lleva a una modificación de más del 20% en la cantidad en la demanda (puede que más de un 40%). |
El componente Previsión de demanda de HANA es un subconjunto de Unified Demand Forecast (UDF) para las aplicaciones SAP Retail en SAP HANA. Es parte de SAP Customer Activity Repository (CAR). UDF utiliza todos los datos de entradas casi en tiempo real necesarios automáticamente fuera de esta plataforma. Por lo tanto, UDF depende del componente Demand Data Foundation de CAR. Este componente puede mantener tareas como la programación de job basada en NW, el framework de paralelización de job de fondo, el workbench de excepciones y la pantalla de IMG de configuración.
El motor de previsión unificado representa una combinación de la experiencia en previsión científica y las metodologías de diversas fuentes. Incluyen las adquisiciones de SAP de SAF AG (SAP Forecasting and Replenishment) y Khimetrics (Demand Management Foundation).
UDF les da a los analistas empresariales el conocimiento del impacto que cada Factor de influencia sobre demanda (FID) ha tenido en la demanda del consumidor en el pasado. Por ejemplo, FIDs puede ser modificaciones en el precio, promociones, estacionalidad o una tendencia. Los valores descompuestos se pueden utilizar para prever la demanda futura para soportar las aplicaciones consumidoras en SAP Retail y los Productos de consumo. Además, UDF aprende de los nuevos datos de demanda. Esto significa que automáticamente se adapta el modelo de la demanda para reforzar la previsión a medida que se introduzcan más datos.
Las capacidades de la tecnología de la base de datos en memoria se aprovechan tanto como sea posible. De forma que puede tomar ventaja de las oportunidades de los Big Data. Como resultado, puede modelar y prever grandes importes de datos para activar nuevos escenarios empresariales. Esto le permite soportar un gran volumen de datos, para realizar el procesamiento en casi tiempo real y para introducir perspectivas granulares detalladas en los datos de la demanda.