23/06/2022

BLOG | Kaleidoscope épisode 3 – Update autour du prédictif avec EPM Cloud

Image

Nous retrouvons avec plaisir Marc Seewald pour son pitch ritual autour des fonctions prédictives dans l’EPM.  Moteur du module IPM, il nous permet un état de l’art sur Data Science au sein de EPM Cloud.

article-blog-Kaleidoscope-predictif-EPM-Cloud-kp-performance

 

Mark nous rappelle que le nouveau module IPM ML est arrivé dans le microcosme Oracle en novembre 2021. Une enquête nous renseigne que de plus en plus de métiers adopte l’Intelligence Artificiel dans leurs tâches quotidiennes. Et à ce titre, l’EPM contribue à la moitié des 10 cas d’application les plus importants. 

 

article-blog-Kaleidoscope-top10-EPM-Cloud-kp-performance

 

Mais qu’est-ce que Intelligence Performance Management ? 

C’est alimenter la prise de décision grâce à des capacités prédictives et accélérer la découverte d'informations grâce à la reconnaissance des modèles financiers. 

Les technologies possibles sont :

  • Data Science & Machine Learning (ML) 

  • Robotic Process Automation (RPA) 

  • Digital Assistance 

  • Natural Language Processing (NLP) 

 

Comment fournir des données pour les métiers ?

article-blog-Kaleidoscope-IPM-EPM-Cloud-kp-performance

 

Les outils de ML pour couvrir les besoins métier sont :

La prédiction automatique : l’exercice est de se focaliser sur l’évolution d’un seul driver pour réaliser un calcul prédictif simple.

❷❸Si le besoin métier est plus complexe, c’est-à-dire d’observer l’évolution de plusieurs drivers, alors il faut passer à AutoML ou ML Model Import.

❹Enfin si le modèle est basé sur du bug data ou sur des données sécurisées alors il faut s’orienter vers un ML Tiers.

Pourquoi choisir IPM ? 

article-blog-Kaleidoscope-machine-EPM-Cloud-kp-performance

 

Avec de la Business Intelligence, il n’est pas possible d’interagir avec les calculs prédictifs alors que IPM permet dans le même environnement EPM d’ajuster directement – si besoin – les données calculées par le modèle, ce qui nous amène à une prévision consensuelle. 

article-blog-Kaleidoscope-schema-EPM-Cloud-kp-performance

 

Qu’en faire ? 

Bon maintenant que la théorie est assénée passons à un cas d’application : prédire les volumes de produits. 

Comme toute bonne recette, de quoi avons-nous concrètement besoin ? 

  1. De deux types de valeurs fixes 
  2. L’historique des volumes de produits 
  3. L’historique des drivers corrélés aux volumes de produits 
  4. Un prévisionnel des drivers, issu d’un scenario Forecast donc potentiellement modifiable à discrétion 

Secouer le tout en lançant une règle de calcul et voilà ! Une planification des volumes ! 

 

article-blog-Kaleidoscope-prediction-EPM-Cloud-kp-performance

 

Vous remarquerez que nous sommes concrètement dans EPM Cloud, dans un formulaire et la règle de calcul a été lancée par un clic droit sur le formulaire. 

 

Comment faire ? 

Les étapes du processus de mise en œuvre peuvent être résumé ainsi :

  1. Nous avons d’abord besoin d’un Data Scientist pour écrire le modèle (en python par exemple) 

article-blog-Kaleidoscope-step-EPM-Cloud-kp-performance
  1. Puis d’un administrateur EPM qui :

           a. Réalisera l’import du modèle 

           b. Associera le modèle à l’EPM 

article-blog-Kaleidoscope-model-EPM-Cloud-kp-performance

          c. Réalisera une vérification du modèle 

          d. Testera avec un échantillon 

article-blog-Kaleidoscope-echantillon-EPM-Cloud-kp-performance

           e. Associera la règle générée en Groovy à un formulaire 

  1. Et enfin, l’utilisateur EPM peut lancer le calcul et exploiter/ajuster les prédictions !

article-blog-Kaleidoscope-user-EPM-Cloud-kp-performance

 

Pour finir, retenez que les prédictions automatiques ne sont pas parfaites. Aussi des ajustements humains permettront de se rapprocher du besoin.  

 

D’autre part, après échange avec Mark, il recommande de retravailler périodiquement le modèle ML (par exemple tous les mois ou tous les six mois) selon les évènements impactant. Par exemple l’effet Covid aurait perturbé les volumes de fabrication de masques et sans revisiter le modèle, des écarts incommensurables seraient apparus. Cela peut s’appliquer également à des modèles basés sur l’évolution de marchés boursiers… 

 

Nous travaillons chez Klee Performance à la mise en place de l’IPM sur des cas d’usages autour des données de météo, afin de les corréler à un cas d’usage d’activité. 

Plus d’infos dans un prochain article, autour des possibilités de ce module sur ce cas concret « français ». 

 

article-blog-cta-klee-performance