SAC Smart Predict — Classification, régression, séries temporelles

Les trois types de scénarios

Smart Predict de SAP Analytics Cloud entraîne des modèles de machine learning directement dans l'interface SAC, sans écrire de code, selon trois types de scénarios : Classification (prédire un résultat catégoriel, par exemple quels clients vont se désabonner), Régression (prédire une valeur numérique, par exemple la taille attendue d'une affaire), et Séries temporelles / Prévision (prédire les valeurs futures d'un indicateur à partir de son propre historique). Chaque type de scénario suit le même flux de travail global — choisir un jeu de données et une variable cible, laisser Smart Predict entraîner des modèles candidats, examiner un rapport d'entraînement avec des indicateurs de qualité, puis appliquer le modèle choisi à de nouvelles données pour générer des prédictions réécrites dans un jeu de données qu'une story ou un modèle de planification peut consommer.

Pourquoi c'est important

• SAP documente que Smart Predict délègue à APL (C344) sur des données HANA — la bonne réponse à « qu'est-ce qui entraîne ce modèle » est les fonctions automatisées d'APL, pas un algorithme propriétaire de SAC et pas PAL, et bien saisir ce point façonne la manière dont un consultant explique le plafond de l'outil et son pont vers un travail SQL/hana-ml direct.
• KI (pouvoir prédictif) et KR (confiance de prédiction) peuvent diverger — un fort pouvoir avec une faible confiance signale un surapprentissage — et savoir expliquer cette combinaison précisément est ce qui distingue un consultant de quelqu'un qui lit un seul pourcentage de précision à l'écran.
• Smart Predict, Smart Insights et Smart Discovery relèvent du ML/statistiques classiques, explicitement distincts de la couche générative de Just Ask (C335, C342) même si SAP les documente dans le même chapitre d'aide SAC — confondre les deux dénature à la fois l'outil et la feuille de route.

Points clés

• Trois types de scénarios : Classification, Régression, Séries temporelles (Prévision) — sans code, entraînés dans l'interface SAC.
• Indicateurs de qualité classification/régression : KI (pouvoir prédictif) et KR (confiance de prédiction) — un KI fort avec un KR faible signale un surapprentissage.
• Les rapports d'entraînement de séries temporelles évaluent la reconstitution du motif historique et la largeur de l'intervalle de confiance vers l'avant.
• SAP documente que Smart Predict délègue à APL (C344), pas à PAL (C343), lorsque la source de données est HANA — le même moteur derrière Smart Discovery et Predictive Planning (C342, C340).
• La prévision de séries temporelles a besoin d'assez de périodes historiques pour détecter la saisonnalité de façon fiable — couramment au moins deux cycles complets ; vérifier le nombre de lignes et l'amplitude temporelle avant de proposer un pilote.
• Smart Predict, Smart Insights et Smart Discovery relèvent du ML/statistiques classiques — SAP documente explicitement leur distinction d'avec la couche générative Just Ask de Joule (C335, C342), malgré un chapitre d'aide partagé.
• Point de bascule : interactions multi-variables, architectures personnalisées, ou scoring temps réel à grande échelle relèvent d'un ML de niveau Databricks ou d'un développement SAP AI Core sur mesure, pas d'un scénario Smart Predict poussé au-delà de ses limites.
• Un scénario entraîné s'applique à de nouvelles données et réécrit les prédictions dans un jeu de données consommable par une story ou un modèle de planification.

Termes employés sur cette page

KI (Predictive Power)

L'indicateur de Smart Predict mesurant dans quelle mesure les prédictions d'un modèle de classification/régression se classent par rapport à un modèle hypothétiquement parfait.

KR (Prediction Confidence)

L'indicateur de Smart Predict mesurant la stabilité attendue de la qualité d'un modèle sur des données nouvelles, jamais vues, par rapport à l'échantillon d'entraînement.

Surapprentissage

Un modèle qui colle étroitement aux données d'entraînement mais généralise mal — signalé dans Smart Predict par un KI fort associé à un KR faible.

Barre de saisonnalité en série temporelle

L'amplitude historique minimale (couramment ~2 cycles complets) nécessaire pour que la prévision de Smart Predict détecte un motif saisonnier de façon fiable.

Moteur APL

L'Automated Predictive Library (C344) que SAP documente comme le véritable moteur de modélisation derrière Smart Predict sur des données HANA.

Sources

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