Title: Driven Anomaly Detection and Root Cause Analysis in SAP ERP Using Hybrid Neural-Symbolic Systems

Abstract: The more integrated the modern SAP ERP system becomes, the greater the challenge of ensuring the accuracy, interpretability, and real-time detection of anomalies. Escalating complexities, business logics, and the dynamic nature of cross￾functional modules make it ever more necessary to provide seamless explanatory systems that root explain causative analyses of various statistical and machine learning features employed. In this work, a new deep learning hybrid neural-symbolic approach is introduced to detect anomalies and automate root cause analysis in sap ERP systems. This architecture combines semantic rule￾based models with deep neural frameworks to not only pinpoint anomalies within diverse operational, financial, and material data but also map their causal links within SAP modules and extend their reach beyond inter-ERP systems. A comprehensive evaluation on a hybrid dataset containing authentic SAP log files and simulated anomalies was conducted, proving remarkable accuracy in anomaly detection alongside improved clarity and transparency in root cause analysis when benchmarked against existing methods. The experiments revealed a 21% improvement in F1 score alongside 35% improvement on mean time to root cause detection. The work sets a new standard of agility and intelligence diagnostic frameworks on SAP-based enterprises intending to curb operational risks, ensure compliance, and promote improved organizational decision-making latency and efficiency.

Keywords: Neural-Symbolic Systems, Anomaly Detection, Root Cause Analysis, SAP ERP Analytics.

Başlık: Hibrit Nöral-Sembolik Sistemler Kullanılarak SAP ERP'de Sürülen Anomali Tespiti ve Kök Neden Analizi

Özet: Modern SAP ERP sistemi ne kadar entegre hale gelirse, anomalilerin doğruluğunu, yorumlanabilirliğini ve gerçek zamanlı tespitini sağlama zorluğu da o kadar artar. Artan karmaşıklıklar, iş mantıkları ve işlevler arası modüllerin dinamik yapısı, kullanılan çeşitli istatistiksel ve makine öğrenimi özelliklerinin nedensel analizlerini açıklayan kusursuz açıklayıcı sistemler sağlamayı her zamankinden daha gerekli hale getirir. Bu çalışmada, SAP ERP sistemlerinde anomalileri tespit etmek ve kök neden analizini otomatikleştirmek için yeni bir derin öğrenme hibrit sinirsel￾sembolik yaklaşımı tanıtılmıştır. Bu mimari, yalnızca çeşitli operasyonel, finansal ve maddi verilerdeki anomalileri belirlemekle kalmayıp aynı zamanda SAP modülleri içindeki nedensel bağlantılarını haritalamak ve erişimlerini ERP sistemleri arası ötesine genişletmek için semantik kural tabanlı modelleri derin sinirsel çerçevelerle birleştirir. Gerçek SAP günlük dosyaları ve simüle edilmiş anomaliler içeren bir hibrit veri kümesi üzerinde kapsamlı bir değerlendirme yürütülmüştür ve mevcut yöntemlerle kıyaslandığında anomali tespitinde dikkate değer doğruluk ile birlikte kök neden analizinde iyileştirilmiş netlik ve şeffaflık kanıtlanmıştır. Deneyler, F1 puanında %21'lik bir iyileştirmenin yanı sıra kök neden tespitine kadar geçen ortalama sürede %35'lik bir iyileştirme ortaya koymuştur. Çalışma, operasyonel riskleri azaltmayı, uyumluluğu sağlamayı ve kurumsal karar alma gecikmelerini ve verimliliğini iyileştirmeyi amaçlayan SAP tabanlı işletmelerde çeviklik ve zeka teşhis çerçeveleri için yeni bir standart belirliyor.

Anahtar kelimeler: —Nöral-Sembolik Sistemler, Anomali Tespiti, Kök Neden Analizi, SAP ERP Analitiği.