O componente HANA Demand Forecasting executa um algoritmo no HANA para gerar previsões de venda para um período futuro. A funcionalidade do componente é um subconjunto do Unified Demand Forecast (UDF), um módulo no SAP Customer Activity Repository (CAR). O foco principal do componente é prever a demanda do consumidor. Além de apresentar informações de previsão e intervalos de previsão, o algoritmo fornece dados sobre a elasticidade do preço para todos os produtos no fluxo de trabalho. A seguir, estão descritas as propriedades configuráveis, a grade de resultados e o resumo do algoritmo do componente HANA Demand Forecasting.
Nome da seção |
Descrições da propriedade |
|---|---|
Horizonte de previsão |
Defina as datas de Início e Término do período de previsão. |
Variáveis |
Defina as seguintes propriedades de variável: ID do produto: selecione a coluna só de strings da tabela de entrada que contém o código identificador do produto, que pode ter até 60 caracteres. ID do local: selecione a coluna só de strings da tabela de entrada que contém o código identificador do local, que pode ter até 60 caracteres. Marca de horário da transação: selecione a coluna da tabela de entrada que contém a marca de horário da transação, que precisa estar no formato de data ou data e hora. Vendas da unidade: selecione a coluna só de números da tabela de entrada que contém o número de vendas da unidade. Receita: selecione a coluna só de números da tabela de entrada que contém o montante da receita. |
Feriados (opcional) |
Contém informações sobre os feriados nacionais em um local específico. Defina as seguintes propriedades de feriado: Esquema: selecione o esquema para a tabela de entrada na lista presente no banco de dados HANA.Tabelas: selecione uma tabela do esquema. Visões: selecione uma visão do esquema. ID da marcação cronológica: selecione a coluna só de strings da tabela de entrada que contém o código identificador da marcação cronológica, que pode ter até 10 caracteres. Chave de feriado nacional: selecione a coluna só de strings da tabela de entrada que contém a chave de feriado nacional, que pode ter até 3 caracteres. Status operacional: selecione a coluna só de números inteiros da tabela de entrada que contém o status operacional. Marca de horário: selecione a coluna da tabela de entrada que contém a marca de horário da transação, que precisa estar no formato de data ou data e hora. |
Associação de locais a feriados (opcional) |
Defina as seguintes propriedades da associação de locais a feriados: Esquema: selecione o esquema que contém a tabela com informações sobre a associação de locais a feriados nacionais. Tabelas: selecione uma tabela do esquema. Visões: selecione uma visão do esquema. ID do local: selecione a coluna só de strings da tabela de entrada que contém o código identificador do local, que pode ter até 60 caracteres. ID do feriado: selecione a coluna só de strings da tabela de entrada que contém o código identificador do feriado, que pode ter até 10 caracteres. |
Fatores de influência na demanda (opcional) |
Defina as seguintes propriedades dos fatores de influência na demanda: Esquema: selecione o esquema que contém a tabela com informações sobre os fatores de influência na demanda. Tabelas: selecione uma tabela do esquema. Visões: selecione uma visão do esquema. ID do produto: selecione a coluna só de strings da tabela de entrada que contém o código identificador do produto. ID do local: selecione a coluna só de strings da tabela de entrada que contém o código identificador do local. Atributo FID: selecione a coluna só de strings da tabela de entrada que contém o atributo Fator de influência na demanda (FID), que pode ter até 32 caracteres. Marca de horário De: selecione a coluna só de datas da tabela de entrada que contém a data na qual a marca de horário começa. Marca de horário A: selecione a coluna só de datas da tabela de entrada que contém a data na qual a marca de horário termina. Valor do FID: selecione a coluna só de números da tabela de entrada que contém o valor do Fator de influência na demanda (FID). |
Preços futuros esperados (opcional) |
Defina as seguintes propriedades dos preços futuros esperados: Esquema: selecione o esquema que contém a tabela com informações sobre os preços futuros esperados. Tabelas: selecione uma tabela do esquema. Visões: selecione uma visão do esquema. ID do produto: selecione a coluna só de strings da tabela de entrada que contém o código identificador do produto. ID do local: selecione a coluna só de strings da tabela de entrada que contém o código identificador do local. Marca de horário De: selecione a coluna só de datas da tabela de entrada que contém a data na qual a marca de horário começa. Preço: selecione a coluna só de números da tabela de entrada que contém o preço. |
Nome da seção |
Descrições da propriedade |
|---|---|
Parâmetros de configuração (opcional) |
Na seção Parâmetros de configuração, você tem a opção de fazer as seguintes configurações: Fator de nivelamento (FC_TREND_DAMP): define o fator de nivelamento para o regressor da tendência. Intervalo: valor >= 0,00000.Massa total de regressão (MOD_HDM_NEAR_HOLIDAY_DENSITY): define a proporção da massa total do regressor à direita (POST: à esquerda) da data média. Note que há dois grupos de regressores HDM: SYS:CAL:YR:HDM:PRE:* e SYS:CAL:YR:HDM:POST:*. Os regressores PRE definem o ramp-up antes do feriado, já os regressores POST, o ramp-down após o feriado. Intervalo: 0,50000 <= valor < 1,00000. |
| Efeito de atraso (opcional) | Na seção Efeito de atraso, faça as seguintes configurações: Ponderação da observação (MOD_TIME_WEIGHT): define a ponderação de uma observação de 1 ano atrás na modelagem, comparada com uma observação feita hoje. Assim, a variável ajuda você a decidir se deve ser dada a mesma importância (ou peso) a todos os registros independentemente das marcas de horário deles. Por exemplo, quando você cria o modelo e define o valor do parâmetro como 1, é dada a mesma importância a todos os registros, independentemente de quando eles foram registrados. Por outro lado, se você define um valor menor que 1 para o parâmetro, o usuário pode dar menos importância aos registros que têm marcas de horário mais antigas, comparados com os registros com marcas de horário mais recentes. Intervalo: 0,50000 <= valor < 1,00000. Limite inferior na ponderação (MOD_TIME_WEIGHT_MIN): define um limite abaixo do qual a ponderação não pode ficar. Intervalo: 0,00001 <= valor < 1,00000. |
Detecção de estoque em falta (opcional) |
Na seção Detecção de estoque em falta, faça as seguintes configurações: Período de faturamento zero (MOD_OOSD_MIN_LEN): define a duração mínima de faturamento zero contínuo a ser considerada para uma avaliação de período de faturamento zero. Intervalo: valor >= 1,00000. Limite de probabilidade (MOD_OOSD_THRSHLD): define o limite da pontuação do cálculo de probabilidade para determinar se um item está com estoque em falta. A pontuação do cálculo de probabilidade de cada item é derivada com base na ocorrência de faturamento zero por um período maior que os valores especificados no parâmetro MOD_OOSD_MIN_LEN. Intervalo: valor >= 1,00000. |
Decomposição da série cronológica (opcional) |
Marque os campos de seleção adequados de Decomposição da série cronológica para decompor e ver claramente a influência dos seguintes fatores nos seus resultados: Sazonalidade: a sazonalidade pode afetar os resultados em diferentes épocas do ano, como no início ou final do ano, ou um mês sim, um mês não. Promoção para o usuário: uma promoção para o usuário pode afetar os resultados com picos repentinos nas vendas. Feriados: feriados nacionais, como Natal e Ação de graças, podem afetar as vendas. Desmarque os campos de seleção caso não queira considerar o impacto desses fatores nos seus resultados. |
Detecção de anomalia (opcional) |
Na seção Detecção de anomalia, faça as seguintes configurações: Configurar detecção de anomalia: campo de seleção para ativar ou desativar a detecção de anomalia. Distância aceitável do valor médio (MOD_OUTLIER_MEAN_FACTOR): define o fator da detecção de anomalia para determinar até qual distância do valor médio um valor é aceito. Mínimo de observações diferentes de zero (MOD_OUTLIER_STD_DEV_FACTOR): define, para a detecção de anomalia, o número mínimo de observações diferentes de zero, normais e promocionais, contadas antes do preenchimento como 0. Fator de desvio padrão (MOD_OUTLIER_STD_DEV_FACTOR): define o fator da detecção de anomalia para determinar a quantidade aceitável de desvios do valor médio. |
Nome da seção |
Descrições da propriedade |
|---|---|
Básico (opcional) |
Nome do componente: não configurável. Na seção Detecção de anomalia, você pode fazer as seguintes configurações:Nome do alias: um alias para o nome do componente. Descrição: a finalidade do componente. |
Coluna |
Descrição |
|---|---|
PROD_ID |
ID do produto |
LOC_ID |
ID do local |
TSTMP_FR |
Marca de horário De |
TSTMP_TO |
Marca de horário A |
ACTUAL_UNIT_SALES |
Vendas reais da unidade |
FC_CONF_INDEX |
Índice de confiança na previsão |
FC_UNIT_SALES |
Vendas previstas da unidade |
INTERCEPT |
Interceptação do componente de decomposição da série cronológica. |
| TREND | Tendência do componente de decomposição da série cronológica. |
SEASONALITY |
Sazonalidade do componente de decomposição da série cronológica. |
DAY_OF_WEEK |
Dia da semana do componente de decomposição da série cronológica. |
HOLIDAY |
Feriado do componente de decomposição da série cronológica. |
| SALES_PROMOTION | Promoção de vendas do componente de decomposição da série cronológica. |
PRICE |
Preço futuro específico do local do produto em uma base diária. Preço histórico calculado com base nas vendas e no preço unitário. |
PRICE_ELASTICITY |
Elasticidade do preço. Mede a reatividade da quantidade solicitada de uma mercadoria ou um serviço em relação a uma alteração no preço. |
FORECAST_INFO_MSG |
Fornece informações adicionais que explicam o índice de confiança na previsão. |
FORECAST_INFO_DIF_DESC |
Fornece informações adicionais que explicam o fator de influência na demanda que afeta a previsão. |
Categoria |
Número de combinações de local e produto |
Critérios |
Descrições |
|---|---|---|---|
Demanda perfeitamente inelástica |
0 |
E = 0 |
Esta categoria é um caso extremo, porque a quantidade solicitada não é afetada por nenhuma alteração no preço. A quantidade é fixa, e as modificações feitas no preço não afetam o resultado. |
Inelástica |
0 |
-1 < E < 0 |
O UDF restringe a elasticidade do preço a um valor menor que 0 e maior que -10 na parametrização padrão. Assim sendo, uma elasticidade de preço acima de -1 é chamada de demanda inelástica. Isso significa que as alterações no preço têm um efeito relativamente pequeno na quantidade solicitada da mercadoria ou do serviço. Em contrapartida, se o valor da elasticidade do preço for menor que -1, as alterações no preço terão um efeito relativamente grande na quantidade solicitada da mercadoria ou do serviço, que é uma demanda elástica. |
Unidade elástica |
0 |
E = -1 |
Qualquer alteração no preço gera uma alteração igual na quantidade. Por exemplo, uma alteração de 20% no preço gera uma alteração de 20% na quantidade solicitada. A unidade elástica é a linha divisória entre os intervalos elástico e inelástico. |
Demanda relativamente elástica |
1 |
E < -1 |
A quantidade solicitada é extremamente reativa ao preço, porque mesmo alterações relativamente pequenas no preço causam alterações relativamente grandes na quantidade. Por exemplo, uma alteração de 2% no preço leva a mais de 20% de alteração na quantidade solicitada (talvez mais de 40%). |
A funcionalidade do componente HANA Demand Forecasting é um subconjunto do Unified Demand Forecast (UDF) para aplicações SAP Retail no SAP HANA. Ele faz parte do SAP Customer Activity Repository (CAR). O UDF retira dessa plataforma automaticamente todos os dados que exigem entrada quase em tempo real. Para tanto, o UDF conta com o componente Demand Data Foundation do CAR. Esse componente pode fornecer tarefas como: programação de trabalho baseada em NW, estrutura de paralelização de trabalhos em lote, workbench de exceção e a tela de configuração do Guia de implementação.
O mecanismo unificado de previsão representa uma combinação das metodologias e da especialização científica em previsão de diversas fontes. Entre elas, as aquisições SAF AG (SAP Forecasting and Replenishment) e Khimetrics (Demand Management Foundation) feitas pela SAP.
O UDF informa aos analistas de negócios o impacto que cada fator de influência na demanda (FID) teve na demanda do consumidor no passado. Por exemplo, os FIDs podem ser alterações de preço, promoções, uma sazonalidade ou uma tendência. Os valores decompostos podem ser usados para prever a demanda futura de modo a dar suporte às aplicações de consumo nos produtos Retail e Consumer. Além disso, o UDF aprende com os novos dados de demanda. Ele adapta o modelo de demanda automaticamente para reforçar a previsão conforme mais dados são introduzidos.
Os recursos da tecnologia de banco de dados in-memory são explorados ao máximo. Portanto, você pode aproveitar todas as oportunidades oferecidas pelo Big Data. Como resultado, você pode modelar e prever grandes quantidades de dados para possibilitar novos cenários empresariais. Isso permite que você dê suporte a um alto volume de dados, realize o processamento quase em tempo real e obtenha insights granulares detalhados dos dados de demanda.