HANA 需求预测部件在 HANA 中运行算法,以生成未来规定期限内的销售预测。部件功能是统一需求预测(UDF)的子集,是 SAP 客户活动数据库(CAR)的模块。部件的主要焦点是预测客户需求。算法不仅提供预测和预测区间信息,也为工作流中所有产品的价格弹性提供数据。下文说明 HANA 需求预测部件的可配置属性、结果网格和算法摘要。
节名 |
属性说明 |
|---|---|
预测区间 |
设置预测期间“开始”和“结束”日期。 |
变量 |
设置以下变量属性: “产品 ID”:从输入表中选择包含产品 ID 代码的字符串列(最多可以长 60 个字符)。 “位置 ID”:从输入表中选择包含位置 ID 代码的字符串列(最多可以长 60 个字符)。 “交易时间戳”:从输入表中选择包含交易时间戳的列(必须为日期格式或时间戳格式)。 “单元销售”:从输入表中选择包含单元销售额的数字列。 “收入”:从输入表中选择包含收入额的数字列。 |
假日(可选) |
在特定位置包含公共假日信息。设置以下假日属性: “模式”:从 HANA 数据集的列表中选择输入表的模式。“表”:从模式中选择一个表。 “视图”:从模式中选择一个视图。 “时间流 ID”:从输入表中选择包含时间流 ID 代码的字符串列(最多可以长 10 个字符)。 “公共假日键”:从输入表中选择包含公共假日键的字符串列(最多可以长 3 个字符)。 “操作状态”:从输入表中选择包含操作状态的整数列。 “时间戳”:从输入表中选择包含交易时间戳的列(必须为日期格式或时间戳格式)。 |
位置到假日映射(可选) |
设置以下位置到假日映射属性: “模式”:选择包含具有有关将位置映射到公共假日的信息的表的模式。 “表”:从模式中选择一个表。 “视图”:从模式中选择一个视图。 “位置 ID”:从输入表中选择包含位置 ID 代码的字符串列(最多可以长 60 个字符)。 “假日 ID”:从输入表中选择包含假日 ID 代码的字符串列(最多可以长 10 个字符)。 |
需求影响因素(可选) |
设置以下需求影响因素属性: “模式”:选择包含具有有关需求影响因素信息的表的模式。 “表”:从模式中选择一个表。 “视图”:从模式中选择一个视图。 “产品 ID”:从输入表中选择包含产品 ID 代码的字符串列。 “位置 ID”:从输入表中选择包含位置 ID 代码的字符串列。 “DIF 特性”:从输入表中选择包含需求影响因素(DIF)特性的字符串列(最多可以长 32 个字符)。 “时间戳起始日期”:从输入表中选择包含时间戳开始日期的日期列。 “时间戳结束日期”:从输入表中选择包含时间戳结束日期的日期列。 “DIF 值”:从输入表中选择包含需求影响因素(DIF)值的数字列。 |
预期将来价格(可选) |
设置以下预期将来价格属性: “模式”:选择包含具有有关预期将来价格信息的表的模式。 “表”:从模式中选择一个表。 “视图”:从模式中选择一个视图。 “产品 ID”:从输入表中选择包含产品 ID 代码的字符串列。 “位置 ID”:从输入表中选择包含位置 ID 代码的字符串列。 “时间戳起始日期”:从输入表中选择包含时间戳开始日期的日期列。 “价格”:从输入表中选择包含价格的数字列。 |
节名 |
属性说明 |
|---|---|
配置参数(可选) |
在“配置参数”部分,用户有权配置以下设置: “阻尼因子”(FC_TREND_DAMP):定义趋势回归元的阻尼因子。范围为值 >= 0.00000。“总回归群体”(MOD_HDM_NEAR_HOLIDAY_DENSITY):设置到中途日期右侧(过去为左侧),占总回归元群体的部分。请注意有两组 HDM 回归元:SYS:CAL:YR:HDM:PRE:* 和 SYS:CAL:YR:HDM:POST:*。PRE 回归元定义假日前的上升,POST 回归元定义假日后的下降。该范围为 0.50000 <= 值 < 1.00000。 |
| 时间延迟效应(可选) | 在“时间延迟效应”部分,配置以下设置: “观测值权重”(MOD_TIME_WEIGHT):设置在构建模型时一年前观测值与今天进行的观测值相比的权重。通过这种方式,该变量有助于决定是否对与时间戳无关的所有记录给予相等的重要性(或权重)。例如,构建模型时,将参数值设置为 1 将给予与记录时间无关的所有记录相等的重要性。而将参数设置为小于 1 的值使用户可以对时间戳较早的记录给予较低的重要性(与时间戳较晚的记录相比)。该范围为 0.50000 <= 值 < 1.00000。 “权重下限”(MOD_TIME_WEIGHT_MIN):定义权重下限。该范围为 0.00001 <= 值 <= 1.00000。 |
库存不足检测(可选) |
在“库存不足检测”部分,配置以下设置: “零销售期间”(MOD_TIME_WEIGHT_MIN):设置要考虑进行库存不足期间评估的连续零销售的最小长度。范围为值 >= 1.00000。 “概率阈值”(MOD_OOSD_THRSHLD):设置用于确定某个货品是否库存不足的概率得分阈值。得出每个货品的概率得分是基于发生零销售的期间长于参数 MOD_OOSD_MIN_LEN 指定的值。范围为值 >= 1.00000。 |
时间序列分解(可选) |
选择相应的“时间序列分解”复选框以分解并清晰地查看对以下因素结果的影响。 “季节性”:每年的不同时候季节性可影响结果,如年初、年末或隔月。 “用户促销”:用户促销可影响销售突然飙升的结果。 “假日”:国定假日(如圣诞节和感恩节)可影响销售。 如果不想在结果中考虑这些因素的影响,请取消选择这些复选框。 |
异常值检测(可选) |
在“异常值检测”部分,配置以下设置: “配置异常值检测”:选择复选框打开或关闭异常值检测。 “可接受的与平均值的距离”(MOD_OUTLIER_MEAN_FACTOR):定义用于确定距平均值多远可接受的异常值检测因子。 “最小非零观测值数”(MOD_OUTLIER_STD_DEV_FACTOR):定义 0 填充之前计算的异常值检测的最小非零观测值数(常规和促销)。 “标准偏差因子”(MOD_OUTLIER_STD_DEV_FACTOR):定义用于确定距平均值多少偏差的异常值检测因子。 |
节名 |
属性说明 |
|---|---|
基本(可选) |
“部件名称”:不可配置。 在“异常值检测”部分,用户可配置以下设置:“别名”:部件别名。 “说明”:部件用途。 |
列 |
说明 |
|---|---|
PROD_ID |
产品 ID |
LOC_ID |
位置 ID |
TSTMP_FR |
时间戳起始日期 |
TSTMP_TO |
时间戳结束日期 |
ACTUAL_UNIT_SALES |
实际单元销售 |
FC_CONF_INDEX |
预测置信度索引(FCI) |
FC_UNIT_SALES |
预测单元销售 |
INTERCEPT |
时间序列分解部件的拦截。 |
| TREND | 时间序列分解部件的趋势。 |
SEASONALITY |
时间序列分解部件的季节性。 |
DAY_OF_WEEK |
时间序列分解部件的星期数。 |
HOLIDAY |
时间序列分解部件的假日。 |
| SALES_PROMOTION | 时间序列分解部件的销售促销。 |
PRICE |
每日产品-位置特定将来价格。基于销售和单价计算的历史价格。 |
PRICE_ELASTICITY |
价格弹性。度量产品或服务的需求量对价格变动的响应性。 |
FORECAST_INFO_MSG |
提供说明预测置信度索引(FCI)的额外信息。 |
FORECAST_INFO_DIF_DESC |
提供说明影响预测的需求影响因素的额外信息。 |
类别 |
产品位置组合数 |
条件 |
说明 |
|---|---|---|---|
完全无弹性需求 |
0 |
E = 0 |
此类别为极端情况,这是因为需求量不受任何价格变动影响。数量是固定的,价格变动不影响结果。 |
无弹性 |
0 |
-1 < E < 0 |
UDF 约束价格弹性,使其在默认参数化下介于 0 到 -10 之间。因此,大于 -1 的价格弹性称为无弹性需求。这表示价格变动对产品或服务需求量的影响相对较小。相反,如果价格弹性小于 -1,价格变动对产品或服务需求量(弹性需求)的影响相对较大。 |
单位弹性 |
0 |
E = -1 |
任何价格变动将引起数量的等量相对变动。例如,20% 的价格变动包含 20% 的需求量变动。单位弹性为弹性和无弹性范围间的分割线。 |
相对弹性需求 |
1 |
E < -1 |
需求量对价格的响应性极强,这是因为相对较小的价格变动将引起相对较大的数量变动。例如,2% 的价格变动将导致 20% 以上的需求量变动(或许为 40% 以上)。 |
HANA 需求预测部件是针对 SAP HANA 上 SAP 零售应用程序统一需求预测(UDF)的子集。UDF 是 SAP 客户活动资源库(CAR)的一部分。UDF 自动使用本平台中所有必备的实时输入数据。UDF 依赖于 CAR 的需求数据基础部件。该部件可提供任务,如基于 NW 的作业计划、批处理作业平行化框架、异常工作台和配置 IMG 屏幕。
统一预测引擎代表若干资源的科学预测专业技术和方法的组合。包括 SAP 获取 SAF AG(SAP 预测和替代)和 Khimetrics(需求管理基础)。
UDF 允许业务分析用户利用过去各需求影响因素(DIF)对客户需求所造成影响的知识。例如,DIF 可以是价格变化、促销、季节性或趋势。分解值可用于预测未来需求,以支持零售和客户产品中的消费应用程序。此外,UDF 获取新的需求数据。这表示引入更多数据后,UDF 自动将需求模型用于增强预测。
尽可能利用内存中数据库技术的功能。那么用户可充分利用大数据提供的机会。因此,用户可模拟并预测大量数据,以启用新的业务方案。用户可支持大量数据,以进行实时处理,并将详细的粒度洞察力发送到需求数据。