SAP VERSUS ORACLE

TEKST: DANIELLE GRUIJS

Zowel SAP als Oracle heeft een Analytics Cloud-oplossing: SAC en OAC. Beide softwarereuzen benutten hierin de laatste technieken, zoals Machine Learning en Artificial Intelligence. Maar wat zijn de verschillen tussen SAC en OAC? Farangis Darwesh en Mathijs van Kooten duiken elk in een tool.

“BEIDE SOFTWAREREUZEN BENUTTEN HIERIN DE LAATSTE TECHNIEKEN, ZOALS MACHINE LEARNING EN ARTIFICIAL INTELLIGENCE”

Farangis: Oracle Analytics Cloud (OAC) wil analytics dichter bij de business brengen. De ingebouwde Artificial Intelligence en Machine Learning-functionaliteiten onder steunen de business user in het hele analytische proces. Dat begint al bij het inladen van data, waarbij het systeem suggesties geeft om data op te schonen of te verrijken. Ook kijkt het systeem naar de data-opbouw, door patronen te herkennen en datasegre gratie voor te stellen. Bovendien krijg je een suggestie voor visualisaties, waardoor je als business user veel sneller tot goede visuele dasboards komt.

Mathijs: SAP Analytics Cloud (SAC) heeft een ander vertrekpunt. De oplossing focust zich op drie componenten die je normaal gesproken in drie verschillende tools ziet: Planning, Predictive en BI. SAP wil hiermee alles in één tool samenbrengen, waardoor je één front-end hebt voor al je tools en al je data. Ook databronnen rondom bijvoorbeeld HR of operations kun je naar SAC halen. De kracht van de tool is dat je kunt analyseren en plannen binnen één applicatie. Daarmee verkort je het planningsproces.

Farangis: De focus ligt inderdaad anders. Waar bij SAP de planning een integraal onderdeel is van het SAC-platform, heeft Oracle meer gekozen voor een platform dat bestaat uit BI Cloud Service en Data Visualisation. Daarbij is er een directe link tussen OAC en de EPM-planningsmodule mogelijk, waardoor je ook op je plannings data de Predictive Analysemogelijkheden van OAC kunt toepassen.

Mathijs: De roadmap is ook verschillend. SAP heeft duidelijk een nieuwe strategische keuze gemaakt en gaat steeds meer naar het S/4HANA-platform. Hierbij ligt de focus op SAC voor planning en SAP Group Reporting voor de consolidatie. Het zijn twee verschillende tools die naadloos aansluiten, waardoor het lijkt alsof je één tool hebt en je eenvoudig je planning- en consolidatiefunctionaliteiten kunt verbin den.

Farangis: Oracle ziet Analytics Cloud in derdaad meer als aanvulling op het huidige EPM-cloudplatform. Ik denk dat gebruikers dat ook zo gaan ervaren. Mijn favoriete feature in OAC is de ‘explain’-functie: hier mee krijg je een statistische analyse voor het identificeren van significante patronen, zoals correlaties (drivers), classificaties en afwijkingen in je data. Dit geeft je beter in zicht in je key drivers, omdat je meteen ziet welke dimensies de sterkste correlatie met het resultaat vertonen. Bovendien bepaal je de key drivers dan niet vanuit aannames, maar echt op basis van algoritmes. Denk bijvoorbeeld aan het identificeren van de correlaties tussen het verloop van werknemers en de functie die zij vervullen.

Mathijs: Deze Analytics Cloud-oplossin gen zijn interessant voor bedrijven die de volgende stap willen zetten in de volwas senheid van hun planning, zoals een goed driverbased planningsproces en inzichten uit allerlei verschillende databronnen. Ook komen er steeds sterkere connecties met alle SAP-producten, waardoor je de hele organisatie op elkaar aan kunt sluiten. Dan moet je wel goede afspraken gaan maken; als iedereen in de organisatie meedoet, is het al snel van niemand. De uitdaging ligt niet langer in de techniek, maar aan de menselijke kant.

Meer weten? Mail Mathijs via mathijs.van.kooten@finext.nl of Farangis via farangis.darwesh@finext.nl

MACHINE LEARNING? DATA LEARNING!

TEKST: EMRE KUMRU

Machine Learning is tegenwoordig overal om ons heen. Als je iets opzoekt op het internet krijg je al snel daarna suggesties op basis van je recente surfgedrag. Of neem de spamfilter in je e-mail. Deze voorspelt op basis van relevante attributen automatisch welke inkomende e-mails zeer waarschijnlijk tot de ongewenste e-mails behoren.

Bij Machine Learning (ML), een subset van Artificial Intelligence, worden computers getraind door grote hoeveelheden data om een bepaalde taak uit te voeren. ML kun je toepassen om te classificeren, te clusteren en te voorspellen.

Om te classificeren kun je een statistisch model bouwen dat data kan onderverdelen in verschillende logische groepen, zoals bij het spamfilter. Een ander praktisch voorbeeld is het inzetten van data uit camera’s en sensoren op de snelwegen. Hoeveel voertuigen zijn er op de Nederlandse snelwegen, en hoe zijn deze onderverdeeld in vrachtwagens, motoren, auto’s en bussen? De inzichten uit deze classificatie helpen beleidsmakers om logische beslissingen te nemen. Waar zijn er wegverbredingen nodig, waar meer stoplich ten en drempels? Maar deze zelfde camera’s en sensoren kunnen ook fietsen of mensen herkennen en direct de hulpdiensten en Rijkswaterstaat inschakelen bij gedetecteerde gevaren.

Ook kan ML helpen bij het clusteren van data. Denk aan het clusteren van consumenten in logische groepen, zodat je elk van die groepen op een andere, passende manier kunt bereiken met je communicatiemiddelen. Tenslotte kan ML je organisatie helpen bij het voorspellen van uitkomsten. Denk aan het voorspellen van ziektes bij mensen, het verkeer op verschillende dagen in het jaar en aankoopgedrag van consumenten. Warenhuizen kunnen zo voorspellen wanneer er welke voorraden nodig zijn in de verschillende filialen.

Welke factoren cruciaal zijn bij het classificeren, clusteren of voor spellen van data bepaal je door gebruik te maken van verschillende ML-technieken. Soms zijn de factoren die van invloed zijn op je data erg voor de hand liggend, maar soms zijn er heel onverwachte invloeden van belang bij je ML-model. Zo bleek er bij Wal-Mart op de vrijdagavonden een samenhang te zijn tussen de verkopen van luiers en bier, doordat mannen door hun vrouwen gevraagd werden om op weg naar huis luiers mee te nemen.

Op welke manier je Machine Learning ook inzet, je hebt er grote hoeveelheden data voor nodig. En hoe meer de beschikbaarheid van data toeneemt, hoe beter de uitkomsten. Daarbij gaat het echter wel om data van goede kwaliteit. Als de data vervuild of onvoldoende up-to-date is, kan het systeem zijn lerend vermogen minder goed inzetten. De eerste stap bij Machine Learning? Zorgen dat je data op orde is.

Verder praten? Mail Emre via emre@plainwater.nl