Las organizaciones buscan aprovechar sus datos empresariales en Advanced Analytics, Machine Learning, Data Science y AI. El desafío es conectar esos datos con las plataformas donde se desarrollan estos escenarios; una arquitectura que combine SAP Business Data Cloud y SAP Databricks puede abrir nuevas posibilidades.
Del sistema SAP al escenario de Machine Learning
Una compañía tiene ventas en SAP y además información de clientes, productos, inventario, promociones y comportamiento histórico. El objetivo es un modelo que ayude a analizar o predecir comportamientos.
SAP S/4HANA → SAP Business Data Cloud → Data Products → SAP Databricks → Machine Learning → Insights → Decisiones
Paso 1 — Identificar los Data Packages
Definir qué información está disponible y qué contenido es relevante. No se empieza preguntando "¿qué datos tenemos?", sino "¿qué problema queremos resolver?".
Paso 2 — Activar los Data Products
Activar el contenido relevante según la arquitectura definida. La semántica empresarial cobra importancia: qué representa cada campo, cómo se relacionan las entidades, cuál es el origen y qué reglas aplican.
Paso 3 — Gobernar el acceso
Antes de usar la información en Machine Learning hay que definir quién accede, qué datos son sensibles, cómo se controla el acceso y cómo se documenta el producto. Machine Learning no elimina la necesidad de Data Governance: la hace más importante.
Paso 4 — Utilizar SAP Databricks
Sobre los datos disponibles pueden desarrollarse procesos de Data Engineering, Data Science, Machine Learning y Advanced Analytics con notebooks y datasets.
Paso 5 — Llevar los resultados al negocio
Un modelo no debe quedarse aislado en un entorno técnico: el resultado debe llegar al negocio mediante herramientas como SAP Analytics Cloud y otras plataformas de consumo.
Escenarios posibles
- Forecasting: apoyar procesos de planificación.
- Demanda: analizar patrones de productos y clientes.
- Supply Chain: identificar patrones en la cadena de suministro.
- Finanzas y clientes: modelos analíticos y segmentaciones.
El verdadero desafío
La tecnología no es el único reto. Hay que resolver datos (¿son los adecuados?), contexto (¿qué significan?), gobierno (¿podemos usarlos?), arquitectura (¿dónde se procesan?) y consumo (¿cómo llega el resultado al negocio?).
Conclusión
El éxito de un escenario de AI comienza mucho antes de entrenar un modelo: contexto + gobierno + arquitectura + caso de negocio.