BLOG | Les nouveautés Oracle EPM Cloud de novembre 2021
15/11/2021
Halloween vient de nous apporter quelques surprises, et Oracle également. Tout d’abord quelques nouveautés EPM Automate et sur les rapports. Le plus important est la possibilité d’utiliser ses propres modèles de Machine Learning dans Planning.
Epm Cloud
EPM Automate
Comme à notre habitude débutons cette session par les sempiternelles nouveautés EPM Automate.
executeBurstDefinition | ||
Pour lancer une liste de distribution de Narrative Reporting qui spécifie les artefacts, les PDV et les autres paramètres requis pour exécuter des rapports ou des livres pour plusieurs membres d'une même dimension pour une source de données | ||
exportJobConsole | ||
Pour exporter les enregistrements de la console de tâches vers un fichier .csv pour créer un fichier .zip d'exportation. Les options portent sur le nombre de jours à exporter parmi 1,2,7,30 et 60 ; le type de job parmi un choix de 27 types ; le code du statut du job parmi 10 statuts et enfin le niveau de détails des erreurs (5 détails possible) | ||
Exemple |
Ce qui crée le fichier Qui contient un fichier .csv et des fichiers d’erreur
| |
importJobConsole | ||
Pour importer les enregistrements de la console des tâches à partir d'un fichier ZIP contenant les enregistrements de la console des tâches exportés à partir d'un environnement. L’intérêt de cette commande est principalement pour les reprises après sinistre, en conjonction avec la commande importJobConsole, vous aide à cloner les enregistrements de la console de tâches à travers les environnements pendant la migration ou le clonage | ||
Exemple | epmautomate importJobConsole jobs.zip | |
importAppAudit | ||
Pour importer des enregistrements d'audit de données à partir d'un fichier ZIP que vous avez créé en exportant des données d'audit à partir d'un environnement. L’intérêt de cette commande est principalement pour les reprises après sinistre, en conjonction avec la commande importJobConsole, vous aide à cloner les enregistrements de la console de tâches à travers les environnements pendant la migration ou le clonage | ||
Amélioration Groovy
La méthode Groovy saveMember() permet désormais d’enregistrer les alias de membre d’une dimension.
Deux nouveaux types de rapport : Sunburst (rayon de soleil) et Treemap (carte proportionnelle)
Un graphique Sunburst permet de visualiser des structures de données hiérarchiques. Un graphique Sunburst se compose d'un cercle intérieur entouré d'anneaux de niveaux hiérarchiques plus profonds. L'angle de chaque segment est soit proportionnel à une valeur, soit divisé également sous son segment intérieur.
Un graphique Treemap est une visualisation de données qui affiche des données hiérarchiques à l'aide de rectangles imbriqués de différentes tailles et couleurs.
Deux nouveautés pour les fonctions d’affichage en rapport
Les fonctions de texte AncestorName et AncestorAlias renvoient les membres parent et ancêtre pour une ligne, une colonne ou un membre de PDV spécifié
Voici la syntaxe à utiliser dans Report :
- AncestorName ("Grid", "Dimension", Row/Col, (Index))
- AncestorAlias ("Grid", "Dimension", Row/Col, (Index))
Predictive et Machine Learning
Voici la principale attraction de la release de novembre : Bring Your Own ML
Les administrateurs EPM peuvent désormais importer un modèle de Machine Learning (ML) au format PMML (Predictive Model Markup Language) et le déployer dans une application Planning. Les planificateurs peuvent alors tirer parti de prévisions robustes basées sur le ML qui utilisent des techniques avancées de modélisation prédictive pour générer des prévisions plus précises.
Par exemple, vous pouvez prédire le volume de produits pour une entité, à l'aide d'injecteurs tels que le prix de vente moyen, les dépenses prévues pour les promotions et la publicité, les volumes historiques et les volumes estimés du secteur.
D’une manière simplifiée, l’import de la ML va générer des règles Groovy qui seront utilisées :
- une dans un Formulaire ou un Dashboard pour faire des prédictions à la demande
- une autre pour générer des prédictions à grande échelle dans une tâche planifiée pour un traitement en masse
Ensuite l’utilisateur jonglera entre les données calculées et des modifications pour finaliser ses prévisions selon un mode de travail itératif.
Notez que Klee Performance se lance dans l’aventure Prédictive & Machine Learning. Nous travaillons à l’élaboration de notre propre pré-paramétrage avec des axes de simulation tels que l’influence météo sur le prédictif. Bien entendu, nous vous tiendrons informés de l’avancement de nos travaux dans de prochains articles de blog sur le site de Klee Performance...
Envie d'en savoir plus sur Oracle EPM Cloud ? Téléchargez votre livre blanc "Move to Cloud : les bonnes pratiques pour basculer ses applications Oracle EPM vers le Cloud".
