SAC Smart Predict — Klassifikation, Regression, Zeitreihen

Die drei Szenariotypen

Smart Predict in SAP Analytics Cloud trainiert Machine-Learning-Modelle direkt in der SAC-Oberfläche, ohne Code zu schreiben, über drei Szenariotypen: Klassifikation (ein kategoriales Ergebnis vorhersagen, etwa welche Kunden abwandern werden), Regression (einen numerischen Wert vorhersagen, etwa die erwartete Dealgröße), und Zeitreihe/Prognose (zukünftige Werte einer Kennzahl aus ihrer eigenen Historie vorhersagen). Jeder Szenariotyp folgt demselben Gesamtworkflow — einen Datensatz und eine Zielvariable wählen, Smart Predict Kandidatenmodelle trainieren lassen, einen Trainingsbericht mit Qualitätsindikatoren prüfen, dann das gewählte Modell auf neue Daten anwenden, um Vorhersagen zu erzeugen, die in einen Datensatz zurückgeschrieben werden, den eine Story oder ein Planungsmodell konsumieren kann.

Die Qualitätsindikatoren lesen

Für Klassifikation und Regression dreht sich der Trainingsbericht von SAC um zwei Indikatoren, die ein Berater vor einem Kunden präzise benennen können sollte: KI (Predictive Power, prädiktive Kraft), das misst, wie gut die Vorhersagen des Modells im Vergleich zu einem hypothetisch perfekten Modell rangieren, und KR (Prediction Confidence, Vorhersagevertrauen), das misst, wie stabil die Modellqualität voraussichtlich ist, wenn es auf neue, ungesehene Daten statt auf die Trainingsstichprobe angewendet wird. Ein Modell kann eine starke prädiktive Kraft und ein schwaches Vertrauen zeigen — ein Zeichen dafür, dass es möglicherweise auf die Trainingsdaten überangepasst ist —, und genau diese Kombination ist die Art von Nuance, die einem Fachbereichsentscheider erklärt werden muss, nicht nur eine einzelne Genauigkeitsprozentzahl. Trainingsberichte für Zeitreihen tragen eine eigene Qualitätsansicht, zentriert darauf, wie gut das Modell das historische Muster rekonstruiert und wie breit sein Prognose-Konfidenzintervall in die Zukunft ist.

Warum es zählt

• SAP dokumentiert, dass Smart Predict bei HANA-Daten an APL (C344) delegiert — die korrekte Antwort auf 'Was trainiert dieses Modell' sind APLs automatisierte Funktionen, kein proprietärer SAC-Algorithmus und nicht PAL, und dies richtig zu verstehen, prägt, wie ein Berater die Obergrenze des Werkzeugs und seine Brücke zu direkter SQL/hana-ml-Arbeit erklärt.
• KI (prädiktive Kraft) und KR (Vorhersagevertrauen) können auseinanderlaufen — starke Kraft bei schwachem Vertrauen signalisiert Überanpassung —, und diese Kombination präzise erklären zu können, unterscheidet einen Berater von jemandem, der nur eine einzelne Genauigkeitszahl vom Bildschirm abliest.
• Smart Predict, Smart Insights und Smart Discovery sind klassisches ML/Statistik, ausdrücklich zu unterscheiden von Just Asks generativer Schicht (C335, C342), auch wenn SAP sie im selben SAC-Hilfekapitel dokumentiert — beides zu vermengen verzerrt sowohl das Werkzeug als auch die Roadmap.

Kernpunkte

• Drei Szenariotypen: Klassifikation, Regression, Zeitreihe (Prognose) — ohne Code, trainiert in der SAC-Oberfläche.
• Qualitätsindikatoren für Klassifikation/Regression: KI (prädiktive Kraft) und KR (Vorhersagevertrauen) — starkes KI mit schwachem KR signalisiert Überanpassung.
• Trainingsberichte für Zeitreihen bewerten die Rekonstruktion des historischen Musters und die Breite des vorausschauenden Konfidenzintervalls.
• SAP dokumentiert, dass Smart Predict an APL (C344) delegiert, nicht an PAL (C343), wenn die Datenquelle HANA ist — dieselbe Engine hinter Smart Discovery und Predictive Planning (C342, C340).
• Zeitreihenprognosen brauchen genug historische Perioden, um Saisonalität zuverlässig zu erkennen — gemeinhin mindestens zwei volle Zyklen; Zeilenzahl und Zeitspanne vor einem Pilotvorschlag prüfen.
• Smart Predict, Smart Insights und Smart Discovery sind klassisches ML/Statistik — SAP dokumentiert dies ausdrücklich als Unterscheidung von Joules generativer Just-Ask-Schicht (C335, C342), trotz gemeinsamen Hilfekapitels.
• Eskalationspunkt: Multivariable Interaktionen, individuelle Architekturen oder groß angelegtes Echtzeit-Scoring gehören zu Databricks-artigem ML oder einer individuellen SAP-AI-Core-Entwicklung, nicht zu einem überdehnten Smart-Predict-Szenario.
• Ein trainiertes Szenario wird auf neue Daten angewendet und schreibt Vorhersagen in einen Datensatz zurück, den eine Story oder ein Planungsmodell konsumieren kann.

Begriffe auf dieser Seite

KI (Predictive Power)

Smart Predicts Indikator dafür, wie gut die Vorhersagen eines Klassifikations-/Regressionsmodells im Vergleich zu einem hypothetisch perfekten Modell rangieren.

KR (Prediction Confidence)

Smart Predicts Indikator dafür, wie stabil die Modellqualität voraussichtlich auf neuen, ungesehenen Daten gegenüber der Trainingsstichprobe ist.

Überanpassung

Ein Modell, das eng zu den Trainingsdaten passt, aber schlecht generalisiert — in Smart Predict erkennbar an starkem KI gepaart mit schwachem KR.

Saisonalitätsschwelle bei Zeitreihen

Die minimale historische Spanne (gemeinhin ~2 volle Zyklen), die Smart Predicts Prognose braucht, um ein saisonales Muster zuverlässig zu erkennen.

APL-Engine

Die Automated Predictive Library (C344), die SAP als die tatsächliche Modellierungs-Engine hinter Smart Predict bei HANA-Daten dokumentiert.

Quellen

1. SAP Help Portal — Smart Predict (SAP Analytics Cloud)
2. SAP Help Portal — Basic concepts used in Smart Predict
3. SAP Community (SAP-authored) — Generating and Integrating Automated Predictive Library (APL) Forecasts in a Seamless Planning Model (documents APL as the engine behind Smart Predict, Smart Discovery, Predictive Planning)
4. SAP Learning — Exploring SAP Analytics Cloud Smart Predict