SAP 데이터 솔루션 이야기

  이번 글에서는 SAP가 제공하는 다양한 LOB 솔루션들중의 하나인 SAP Marketing Cloud 데이터를 활용해서 SAP Marketing Cloud의 비지니스를 고도화하는 방법에 대해 알아보겠습니다. 특히, SAP BTP의 Data Intelligence Cloud의 데이터 통합과 머신 러닝 기능을 활용해서 Data를 Value로 전환하는 방법에 대해 살표보겠습니다. 비지니스 목표 A기업 마케팅 담당자는 상품 판매 촉진을 위해 최초 구매에 대한 프로모션 진행을 계획하고 있습니다. 그런데, 프로모션 대상자 선택(예상 구매자)을 어떻게 해야 할지에 대한 문제에 직면하게 되었습니다. 내부 회의 끝에 머신 러닝을 활용한 과학적 방법으로 접근 하기로 결정을 하였습니다. 현재 A기업이 사용중인 마케팅 솔루션인 SAP Marketing Cloud의 사용자 기본 정보와 사용자 행동 정보를 기반으로 사용자가 30일 이내에 상품을 최초 구매할지 여부를 파악한 후 예상 구매자에 대한 마케팅 프로모션을 진행하려고 합니다. 솔루션 및 구현 SAP BTP에서는 머신 러닝 개발을 위해 다음과 같은 솔루션과 기능들을 제공합니다. HANA Cloud, HANA - 머신 러닝 엔진(PAL/APL Library) Data Intelligence Cloud - 개발 도구(JupyterLab), 머신 러닝 운영 자동화(Pipeline) 이 비지니스 시나리오에서 머신 러닝을 선택한 이유는 머신 러닝 모델의 개발을 통해 예상 구매자의 구매 예측 점수를 예측한 후, 이 점수를 바탕으로 마케팅 프로모션을 진행하려고 하기 때문입니다. 전 체적인 구현 절차는 다음과 같습니다.    1. SAP Marketing Cloud에서 사용자 관련 마스터 데이터와 행동 데이터 추출    2. 머신 러닝을 위한 데이터 준비 - 머신 러닝 학습(모델 생성)에 알맞은 형태로 변환    3. 머신 러닝 학습(모델 개발) 및 예측 - 예측 점수 ...

  이번 글에서는 SAP BTP의 Data Platform를 도입하여 데이터 중심(data-driven)의 혁신적 업무를 진행한 사례를 전달해 드립니다. 특히,  SAP Data Intelligence Cloud를 활용하여 데이터 작업의 간소화와 상품 수요에 대한 예측 업무에서 활용 사례를 중심으로 살표보겠습니다. 회사 개요 회사 : Ottogi ( http://www. ottogi.co.kr/ ) 본사 : Seoul , Korea 산업 : Retail 식품 회사 - 식품, 라면, 냉동식품, 케첩, 카레, 마요네즈 등 식료품 제조 및 판매업 비지니스 목표 및 문제 오뚜기는 비지니스 프로세스에 대한 가시성 향상을 위해서 기업 내/외부의 데이터를 기반으로 수요 예측을 통한 기존 비지니스 개선과  이전부터 기업 구성원들이 경험이 아닌 데이터를 기반으로 비지니스 실행이 과학적으로 처리되길 원하였습니다. 기존의 경험적 수요 예측의 한계로 인한 정확한 상품 생산, 판매, 재고 등의 문제 해결 데이터 기반의 상품 수요에 대한 정확한 예측을 통한 생산, 영업, 재고 문제 해결 기존 데이터 처리 및 분석을 살펴보면, 구성원 개인 컴퓨터 환경에서 내부 데이터 및 외부 데이터를 수집한 후, 오픈 소스를 활용하여 개별적으로 처리하다 보니 다음과 같은 문제도 존재했습니다. 모든 데이터의 작업이 수동 작업으로 처리되어 많은 시간과 비용, 제약, 생산성 저하 개인별 데이터 작업으로 데이터에 대한 신뢰성과 거버넌스에 대한 이슈    프로젝트 구축 오뚜기는 지속적으로 데이터 기반의 비지니스를 수행하고 기존 문제 및 비지니스 목표를 달성하기 위해서는 전문적인 데이터 플랫폼이 반드시 필요하다고 판단하였습니다. 기존 데이터 운영 환경과 미래 비전 등의 다양한 요구 사항을 검토한 결과 SAP BTP의 Data Platform이 최적이라고 판단되어 도입을 결정하였고 프로젝트를 진행하였습니다. 데이터 수집 자동화 - 채널(할인마트, 편의점, 온라인 등)의 자...

   이번 글에서는  기업의 데이터 전문가 구성원들이 SAP Data Intelligence Cloud 솔루션의 도움을 받아서 데이터 중심의 혁신적 업무를 중단 없이 수행하는 모습을 설명합니다. 데이터를 최대한 활용하는 것은 기업의 성공에 매우 중요합니다. 모든 데이터를 활용하면 중요한 통찰력을 발견할 수 있습니다. 하지만 분산된 하이브리드 환경에서 데이터 가치를 극대화하려면 어떻게 해야 할까요? 다음은 통신 회사에서 고객 이탈률이 높은 이유를 파악하고 취해야 할 조치를 결정하려는 데이터 시나리오를 살펴보겠습니다. 비지니스 문제 A통신사는 계속된 고객 이탈에 대한 대응책으로 이탈이 예상된 고객군을 선별하여 마케팅 프로모션을 진행하려고 합니다. A통신사 데이터 전문가 구성원 - 데이터 엔지니어, 데이터 관리자, 데이터 과학자, 데이터 아키텍트 - 들은 SAP Data Intelligence Cloud 솔루션을 가지고 어떻게 자신들의 데이터 프로세스 업무를 구현할 것인지를 토론합니다. A통신사는 현재 고객과 관련된 데이터가 SAP S/4HANA, SAP DWC, AWS S3에 보관되어 있습니다. 데이터 조직 구성원 별 데이터 업무 수행 1. 데이터 엔지니어 데이터 연결, 통합, 오케스트레이션 SAP Data Intelligence Cloud를 사용하면 원하는 방식으로 어디서나 모든 데이터를 검색하고 연결할 수 있습니다. 클라우드 및 온프레미스 전반에 걸쳐 정형, 비정형 및 스트리밍 데이터에 걸쳐 SAP 및 Non-SAP 시스템을 통합할 수 있습니다. 데이터 엔지니어인 김대리가 고객 이탈을 줄이기 위해 데이터를 연결하고 하는 방법을 살펴보겠습니다. 1단계 - 김대리는 고객과 고객 행동에 대한 사용 가능한 데이터를 연결하고 통합해야 합니다. S/4HANA와 S3에는 상세하고 집계된 고객 데이터가 있습니다. 2단계 - SAP Data Intelligence Cloud의 M...

이번 글에서는 크리스털, 보석, 유리 가공, 조명 솔루션 등을 공급하는 스와브로스키(Swarovski)사가 고객 마케팅 캠페인 강화를 위해 SAP Data Intelligence를 도입하여 다양한 이기종 데이터의 통합과 머신 러닝 모델 개발에 활용한 사례를 소개합니다. 회사 개요 회사 : Swarovski(스와로브스키) 본사 :  Wattens , Austria(와튼스, 오스트리아) 산업 : Retail  웹사이트 :  https://www.swarovski.com/ 스와로브스키는 보석과 고품질 크리스털, 진품 원석, 크리드 스톤, 액세서리 및 조명 솔루션과 같은 완제품을 디자인, 제조, 판매합니다. 1895년 오스트리아 Wattens에서 작은 수정 제조 사업으로 시작하여 매일을 특별하게 만드는 글로벌 기업으로 성장했습니다. 풍부한 역사와 창의성의 문화를 가진 스와로브스키는 성장과 디자인, 창의성, 기술 혁신의 최전선에서 그 위치를 유지하기 위해 최선을 다하고 있습니다. 2020년 기준, 스와로브스키는 27,000명 이상의 직원과 함께 26억 유로의 연간 매출을 기록했습니다. 비지니스 문제 Swarovski는 1982년부터 SAP 고객사였고 다양한 SAP 솔루션 - SAP ERP on HANA, CRM on HANA, BW on HANA, Leonardo / Machine Learning,  IBP, Ariba, PO, BI, EWM, BTP, Fiori, CAR, GTS, APO, DMC, SAC, Marketing Cloud, Commerce -  을 사용해오고 있었습니다. Google Analytics 솔루션을 도입하면서 다양한 이기종 시스템 - SAP + Google + File System - 간의 데이터 통합 및 액세스 문제로 인한 고객 마케팅에 대한 효율성이 저하되었습니다. Google의 웹 분석 데이터와 SAP의 고객 데이터 간의 통합 제한으로 인해 고객의 통찰력이 제한되어, Swarovski의 데이터 ...

이번 글에서는 SAP Data Intelligence를 활용하여 다양한 산업에서 다양한 비지니스 영역에서 활용하는 비지니스 사례를 소개합니다. 개요 많은 데이터 자산 안에 잠겨 있는 진정한 비즈니스 가치를 얼마나 잘 극대화할 수 있느냐에 따라 오늘날의 시장에서 경쟁하고 승리할 수 있는지 여부가 결정됩니다. SAP Data Intelligence는 엔터프라이즈 AI와 지능형 정보 관리을 결합하여 데이터 자산을 비지니스가 가능한 통찰력으로 전환합니다. SAP Data Intelligence 비지니스 사례집( http , pdf ) 산업 및 LOB 시나리오 SAP Data Intelligence는 다양한 산업 영역에서 활용할 수 있는 비지니스 시나리오 사례를 소개합니다. 산업 및 LOB 시나리오 사례는 SAP Data Intelligence를 중심으로 구현할 수 있으며, 또한  SAP Data Warehouse Cloud, SAP HANA, SAP ERP, SAP S/4HANA, SAP Cloud for Service, SAP Business Warehouse 등과 같은 여러 시스템을 사용합니다.

이번 글에서는 제조 공정에서 발생하는 제품 품질의 이슈에 대해 개선하고 예방하기 위해  SAP Data Intelligence를 활용하여 품질 예측 모델의 개발 검증 및 실시간 스코어링 태스크를 통해 제조 공정의 품질을 실시간 모니터링하는 비지니스 사례를 소개합니다. 배경 및 목표 폴리머 제조 공정 과정에서 발생하는 제품 품질 이슈로 많은 비용과 시간이 낭비되고 있습니다. 공장 관리자는 제조 과정에서 품질이 저하될 때 데이터 패턴을 발견하여 품질 저하를 방지하기 위해 사전 예방 조치를 취하길 원합니다. 데이터 관리와 머신 러닝 기술을 활용하여 제조 과정에서 발생되는 제품의 센서 데이터를 실시간 모니터링하여 제품 품질을 예측하는 데이터 프로세스를 구축하려고 합니다. 데이터 프로세스 구성도 SAP BTP 솔루션인 Data Intelligence Cloud, DWC, SAC를 사용하여 구성합니다. 데이터 소스 S/4HANA -  Batch, Stock, Quality, Supplier, Notification Data OSISoft PI System - Sensor Data SAP BTP Data Intelligence Cloud - 품질 예측 모형 개발, 실시간 스코어링 파이프라인 태스크 Data Warehouse Cloud - Top Floor인 S/4HANA 마스터 데이터와 Shop Floor인 PI System의 센서 데이터를 결합, 예측된 결과 데이터 저장 SAP Analytics Cloud - 원천 및 예측 데이터의 시각화 예측 모형 개발 및 검증 Data Intelligence의 ML Scenario Manager의 JupyterLab에서 Python과 HANA ML을 사용하여 예측 모델을 개발하고 검증합니다. ML Scenario Manager - 모델 개발 관리 JupyterLab - 모델 개발 환경 도구 탐색적 데이터 분석(EDA) DWC 연결 및 학습 데이터 조회 Label 결측치 Box Plot Label Instance 수 F...

이번 글에서는 전세계 식음료 업체에게 천연 성분을 공급하는  돌러( Döhler)가 S/4HANA와 SAP BTP를  도입하여 지능형 기업으로 전환한 사례를 소개합니다. 회사 개요 회사 : 돌러( Döhler) 본사 : 다름슈타트( Darmstadt), 독일(Germany) 산업 : 화학(Chemical)  웹사이트 :  https://www.doehler.com/ Döhler는 식품 및 음료 산업을 위한 기술 기반 천연 성분 및 성분 시스템(예: 식품 첨가물)의 글로벌 생산, 마케팅 및 공급업체입니다. 그들의 제품 라인은 풍미, 색상, 특수 및 기능성 성분, 시리얼 성분, 유제품 성분, 과일 및 야채 성분, 성분 시스템에 이르기까지 다양합니다. Döhler는 130개 이상의 국가에 23개의 생산 및 24개의 애플리케이션 센터, 50개의 영업 사무소 및 영업 대리점을 보유하고 있습니다. 5,000명 이상의 직원이 개념에서 실현까지 통합된 식음료 용질을 제공합니다. 전 세계의 식음료 생산업체는 색상, 질감 및 맛의 조화로운 조화를 제공하기 위해 Döhler Group의 재료, 시스템 및 솔루션에 의존하고 있습니다. 천연 성분 개발에 대한 통합된 기술 중심 접근 방식을 통해 Döhler는 고객의 혁신을 돕는 제품을 제공합니다. 비지니스 목표 전 세계 130개 이상의 국가에서 고객을 위한 재료 혁신 전 세계의 식음료 생산업체는 색상, 질감, 맛의 조화로운 조화를 제공하기 위해 Döhler Group의 재료, 시스템 및 솔루션에 의존하고 있습니다. 천연 성분 개발에 대한 통합된 기술 중심 접근 방식을 통해 Döhler는 고객의 혁신을 돕는 제품을 제공합니다. 수천 개의 제품, 규정, 가격 변동이 있는 복잡하고 경쟁이 치열한 시장에서 성공하려면 Döhler는 빠르고 민첩해야 합니다. 이를 위해 R&D, 영업, 재무 등 다양한 LoB(Line of Business) 전반에 걸친 IT 혁신 및 프로세스 자동화를 통해 업계의 디지털 ...

이번 글에서는 디지털 뱅킹 분야의 선구적인 금융 기관 중 하나인 필리핀 유니온 뱅크(Union Bank of the Philippines)가 SAP Data Intelligence를 도입하여 보다 고객 중심적인 서비스를 지원을 위해 새로운 뱅킹 모델을 만들어서 활용한 사례를 소개합니다. 회사 개요 회사 : UnionBank 본사 :  Pasig, Philippines 산업 : FSI  웹사이트 :  http://www.unionbankph.com/ 유니온 뱅크(UnionBank of the Philippines Inc.)는 필리핀 최고의 유니버설 은행 중 하나입니다. 고객에게 권한을 부여하기 위해 기술 혁신을 최초로 수용한 UnionBank는 기관에서 아시아 최고의 기업 중 하나로 인정받고 있으며 "최고의 디지털 은행"으로 인정받고 있습니다. 2020년 매출이 미화 2억 7,400만 달러를 초과하는 UnionBank의 디지털 혁신 전략은 수익성과 효율성 측면에서 최고 순위를 유지하면서 우수한 고객 경험을 제공하는데 계속 초점을 맞추고 있습니다. 비지니스 문제 UnionBank는 비즈니스 전반에 걸쳐 확장 가능한 테스트와 엄격한 거버넌스를 요구하는 소매, 도매 및 자회사 포트폴리오 전반에 걸쳐 다양한 재무 모델을 보유하고 있습니다. 각 모델 변경 또는 제안에는 모델 관리 스코어카드 및 모니터링 목적을 위한 출력을 생성하는 독립적인 검증뿐만 아니라 수명 주기 관리를 포함하는 모델 검증 프레임워크의 수동 프로세스가 있었습니다. 이러한 수동 프로세스 및 해결 방법은 위험 관리 위원회에 이러한 모델이 생산 준비가 되었는지 여부를 결정하는 데이터를 제공하고 기존 포트폴리오에 대한 교차 판매 및 상향 판매 기회에 대한 전망을 제공합니다. 불행히도 이 전체 프로세스는 검증을 통한 반복, 프로세스에 대한 수동 수정, 적시에 효과적인 변경 배포를 금지하는 시장 변화에 적응하는 등 많은 귀중한 시간이 걸립니다. 비지니스 목표 및 기대 UnionBank는 ...

이번에는 필리핀, UnionBank에서 SAP Data Intelligence를 도입 사례에 대한 기사(번역)를 포스팅합니다. ( 원본 기사 ) UnionBank PH, 새로운 뱅킹 모델을 위해 SAP Data Intelligence 활용 디지털 뱅킹 분야의 선구적인 금융 기관 중 하나인 필리핀 유니온 뱅크(Union Bank of the Philippines)는 SAP Data Intelligence를 활용하여 보다 고객 중심적인 서비스를 지원할 새로운 뱅킹 모델을 만들려고 합니다. 이 은행은 디지털 기술을 활용하여 동남아시아 금융 부문에서 최초로 알려진 "데이터 사이언스 팩토리" 모델을 만드는 것을 목표로 하고 있습니다. 이 모델은 UnionBank가 우수한 비즈니스 관리를 실현하고 내부 프로세스가 실행되는 방식을 개선하며 모든 운영에 대한 종단 간 관점을 개선하는 데 도움이 됩니다. “디지털 은행이 된다는 것은 더 많은 데이터를 보유한다는 것을 의미합니다. 데이터 구축이 검증되고 검증 되었는지 확인하기 위해 프로세스 이면에 강력한 거버넌스가 있는지 확인해야 합니다. UnionBank의 데이터 및 인공 지능 부문 선임 고문인 Dr. David Hardoon은 "우리가 배포하는 솔루션이나 서비스가 무엇이든 고객에 대한 책임을 가장 중요하게 여길 수 있도록 해야 합니다."라고 말했습니다. IBM, SAP의 새로운 데이터 기반 지능형 엔터프라이즈 솔루션 구축 SAP Study : 원격 우선 비즈니스 환경에 적응하는 APAC의 SME SAP Data Intelligence는 이미 은행에 디지털 모델을 생성하고 시스템에 통합하는 데 필요한 필수품을 제공했습니다. 이는 그들이 흥미진진한 방식으로 혁신하는 데 도움이 되지만 탄력 있고 통제되고 안전한 방식으로 Dr. Hardoon은 덧붙였습니다. 은행의 새로운 디지털 모델을 지원하는 데이터 솔루션으로 수집된 데이터는 각 고객 계정의 개인화에 도움이 될 것입니다. 그것은 그들과 은행이 ...

SAP Business Technology Platform을 활용하여 최적의 의사결정을 통해 영국 정부의 운송 인프라 프로젝트를 혁신한 Costain 사례를 포스팅합니다. 회사 개요 회사 : Costain Group plc 본사 :  Maidenhead, England 산업 :  Construction & Engineering  웹사이트 :  https://www.costain.com/ Costain Group plc는 영국(UK)의 운송, 물, 에너지, 방위 시장 전반에 걸쳐 국가적 요구를 충족하기 위해 통합된 첨단 스마트 인프라 솔루션을 제공합니다. 이 회사는 컨설팅 서비스, 디지털 기술 서비스, 자산 최적화, 복잡한 프로그램 관리를 제공하여 영국의 국가 중요 인프라 요구 사항을 제공합니다. 예를 들면 Channel Tunnel(영국과 프랑스 사이의 철도 터널), High Speed ​​2(영국의 저탄소 운송 미래에 중요한 고속 철도 운송), Crossrail(런던 지하 시스템의 대규모 업그레이드) 건설이 있습니다. Costain Group plc는 영국 최고의 엔지니어링 솔루션 제공업체 중 하나로 Times Top 50 Employers for Women, 영국에서 가장 존경받는 기업, Order of Distinction for Safety 등(https://www.costain.com/about-us/awards) 등 가치를 보여주는 많은 상을 수상했습니다. Costain Group plc는 1865년에 설립되었으며 현재 3,400명의 직원을 고용하고 있으며, 산업 디지털 혁신의 선두 주자입니다. 비지니스 문제 지하철(런던 지하철), 영국 철도역, 고속철도, 주요 고속도로를 포함하는 영국 교통부는  £600B 지출(예산) 포트폴리오의 프로젝트들을 보다 효율적으로 실행하기 위해 데이터 사용을 개선하기 위해  Costain Group plc에 연락합니다. 지출 포트폴리오 데이터에는 운송 인프라 비...

회사 개요 회사 :  Mahindra Heavy Engines Limited(MHEL) 본사 : Mumbai, India 산업 : Automotive  웹사이트 :  https://www.mahindrapowertrain.com/ 다국적 자동차 제조 회사인 Mahindra Group의 일부인 인도에 기반을 둔 Mahindra Heavy Engines Limited(MHEL)는 70년 이상 동안 강력한 디젤 엔진을 제작해 왔습니다. 트랙터, 자동차, 다용도 차량, 상업용 차량, 전 세계 산업 및 해양 애플리케이션에 동력을 공급하는 MHEL의 파워 트레인은 인상적인 연료 효율성과 신뢰성으로 유명합니다. 열악한 작업 조건을 견디도록 제작된 MHEL의 엔진은 신뢰할 수 있고 내구성이 있으며 현재 배출 표준을 충족하도록 설계되었습니다. 진화하는 법률 및 시장 요구로 인해 엔진이 복잡해짐에 따라 내연 기관은 점점 더 정교해졌으며, 이는 제조 공정의 중요한 부분이며 상당한 기술 자원을 필요로 하는 확장된 품질 테스트 계획을 필요로 합니다. 동시에, 제품 개발 라이프사이클은 시장 요구를 충족시키기 위해 단축이 요구되었습니다. MHEL은 머신 러닝을 사용하여 엔진 품질을 검증하고 사전 정의된 수백 가지 매개변수를 충족하는 엔진에 대한 추가 품질 테스트의 필요성을 제거하여 시간과 비용을 낮추려고 합니다. 비지니스 문제 엔진 생산의 마지막 단계에서 엔진은 결함을 식별하고 품질을 보장하기 위해 최종적인 저온(Cold) 및 고온(Hot) 테스트(검사)를 거칩니다.  저온 테스트에서 전기 모터는 엔진의 크랭크축을 회전시키는 데 사용됩니다. 소프트웨어는 사전 정의된 임계값 한계가 있는 프로세스 매개변수를 기반으로 토크, 크랭크축 각도 및 압력을 포함한 다양한 센서 데이터를 기록하고 분석합니다.  400개 이상의 매개 변수를 측정하는 이 테스트는 각 엔진에 대해 약 140초가 걸립니다.  테스트에 실패한 모든 엔진, 더 높은 가변성 결과...