SAP HANA ON STAGE - Méthode - Case Histories

Business Intelligence & Analy1csorganizzazione, processi, tecnologie

SAP BusinessObjects Solu2ons

BI Evolu1on&

Harmoniza1on

innova1onand

g a m e -‐ c h a n g i n g solu1ons

SAP® HANAON STAGE

venerdì 31 maggio 13

SAP HANA POC -‐ Real 1me DataDiscovery Results

2

Query più veloci ...Compression Rate Modalità Data Discovery (no array fetch)

5 / 112 milioni di record

tempo aGesa: 1/3 secfino a 100 volte







SAP®HANA

veloce

potente

game-changing solutions

SAP®HANA

veloce

potente

game-changing solutions

game-‐changing solu/on

5 / 1 fino a 200 volte400 milioni di record

tempo aGesa: 1/3 sec

case I

case II

case III

case IV

case V


sistema gestionale

altri sistemi transazionali

SAP HANA ENGINE

SAP LT (SLT REPLICATOR)

REAL TIME

SAPDATA INTEGRATOR

SAP HANA -‐ ETL a portata del Business

3

2

3

1

ANALYZE

MODEL

LOAD

SAP HANA STUDIO

Admin Console

Information Modeler


CASE I -‐ ArchiteGura di Partenza

4

DWH REDBRICK

BW COPA, SD

SAP ERP

BO 3.1

02 / 2013

• Estrema lentezza in estrazione da alcuni universi (SD).• Mancanza di un adeguato strumento di ETL per trasferire e controllare i da1 tra i vari sistemi. Caricamen1 ges11 in modo disomogeneo passando spesso per file di testo

• Mancanza di da1 di deGaglio, gli uten1 dispongono solo di aggrega1 OLAP o RELAZIONALI

• Obsolescenza del DWH DMBS

Cri2cità


5

SAP ERP BI 4.xSAP HANA ENGINE

SAPDATA INTEGRATOR

(RAPID MART)

05 / 2013

• DeGaglio massimo dei da1 presen1 su ERP• Tempi di go live molto rido^ (4 se^mane per RM SD)• DWH Aperto e standardizzato• Accesso ai da1 istantaneo• Possibilità di a^vare il real 1me su da1 ERP (SAP SLT)

WIN points

CASE I -‐ ArchiteGura Proposta


JSTORE(daB scontrino)

BO 3.1

FORNITORE ESTERNO

Microstrategy

• I da1 degli scontrini non possono essere analizza1 sugli aGuali sistemi interni e devono essere spedi1 esternamente all’azienda.

• Il fornitore esterno fornisce solo un set di analisi predefinite non personalizzabili e con uno strumento di repor1ng differente da quello interno. Gli incroci devono essere risol1 poi in excel

• I da1 che escono dall’azienda diventano disponibili con 3 se^mane di ritardo

Cri2cità

CASE II -‐ ArchiteGura di Partenza

6


CASE II -‐ ArchiteGura Proposta

7

JSTORE BI 4.xSAP HANA ENGINE

SAPDATA INTEGRATOR

• Unica infrastruGura di repor1ng da ges1re• DeGaglio massimo dei da1 presen1 presen1 su JSTORE• Da1 disponibili day by day e non con 3 se^mane di ritardo• Possibilità di incrociare i da1 con le altre fon1 aziendali (ex: da1 di paniere e fidelity card)

• Apertura allo studio di nuove analisi scoprendo paGern par1colari nei da1 (analisi predi^va)

WIN points


CASE II Predic1ve Analy1cs -‐ Analisi associa1va

Mi s s i o n

Costruire un paniere di prodo/ per il volan2no promozionale se/manale in modo da influenzare le vendite di

determina2 prodo/ senza per forza doverne diminuire il prezzo . Sì può ad esempio :

Diminuire una scorta eccessiva di un determinato prodo6o

Aumentare le vendite di un ar/colo per o6enere un importante sconto quan/tà

Spingere le vendite di un ar/colo in scandenza

8


Partendo dai da2 di vendita si recuperano le regole associa2ve che perme@ono di incen2vare la vendita di determina2 prodo/ senza però alternarne il prezzo non volendoli inserire dire@amente nel volan2no.

Predic1ve Analy1cs -‐ Predic1ve Analysis Tool (1/2)

Id Scontrino Item Qta Prezzo

1000000 tonno 1 2,5

1000001 caffè moka 2 5,5

.... .... .... ....

PREDICTIVE

TRANSAZIONI

ASSOCIAZIONI

9


Un tool dire@amente interconnesso al mondo SAP HANA e agli universi SAP BusinessObjects dotato di un’interfaccia totalmente grafica per la creazione dei modelli anali2ci dalla preparazione del dato alla visualizzazione dei risulta2

Configurazione delle tabelle sui cui si vogliono salvare i risulta: dell'algoritmo

HANA APRIORI: configurazione dei parametri per l'algoritmo

Le transazioni di partenza : collegamento direFo con una Analy:c View su HANA

Predic1ve Analy1cs -‐ Predic1ve Analysis Tool (2/2)

10


CHALLENGES

ANOMALIES

RELATIONSHIP

MARKETING

FORECASTING

Market Basket AnalysisEvidenza delle regole associa1ve tra i prodo^ al fine di consen1re delle poli1che di vendita mirate

Previsione Insolu4Classificare in an1cipo un nuovo cliente in base al suo profilo in modo da poter alzare degli alert preven1viFraud Detec4on Previsioni delle frodi interne ed esterne, riducendo le perdite derivan1 da comportamen1 scorre^ del consumatore o del dipendente.

Demand forecastLe a^vità di previsione sono complesse, poiché i faGori da tenere in considerazione sono numerosi: il mercato, i compe1tors, la propria offerta di prodoGo, le promozioni sono solo alcuni tra ques1.

Targe4ngDefinisce liste di clien1 o potenziali clien1 da contaGare per azioni commerciali.Churn RiskEvidenzia i clien1 che rischiano di abbandonare o di ridurre la propria spesa a vantaggio della concorrenza.Best Next Individua la miglior offerta da proporre a ciascun cliente.

Predic1ve Analy1cs -‐ gli ambi1 di interesse

11


http://www.i4canalytics.com/it/product/retail-targeting

http://www.i4canalytics.com/it/product/retail-targeting

Business Intelligence & Analy1csorganizzazione, processi, tecnologie

SAP BusinessObjects Solu2ons

BI Evolu1on&

Harmoniza1on

innova1onand

g a m e -‐ c h a n g i n g solu1ons

SAP® HANAON STAGE


SAP HANA ON STAGE - Méthode - Case Histories

Business

Transcript of SAP HANA ON STAGE - Méthode - Case Histories