1 Einführung in die SAP Business Data Cloud

29

1.1 Einführung in die Architektur der SAP BDC

29

1.2 Analytics mit SAP im Kontext von Big Data und KI

36

1.3 Die SAP BTP als Basis

39

1.3.1 Einführung in die SAP BTP

39

1.3.2 Vorteile der SAP BTP

40

1.3.3 Funktionen der SAP BTP

42

1.4 Mit der SAP BDC Daten in Kontext bringen

46

1.4.1 Kundenbeispiel: Data Governance

47

1.4.2 Der Weg zum datengetriebenen Unternehmen

50

1.5 SAP Business AI: Agenten im Einsatz

55

1.6 Ethik und Recht im Kontext von KI

61

1.6.1 Ethik und KI-Systeme

62

1.6.2 Rechtliche Rahmenbedingungen

65

1.7 Eine gemeinsame Sprache finden in der SAP BDC

67

1.8 Zusammenfassung

70

2 SAP Datasphere als Kern der SAP Business Data Cloud

71

2.1 Die Architektur von SAP Datasphere

72

2.1.1 Datenzugriff

74

2.1.2 Datenspeicherung

75

2.1.3 Anbindung an Consumption-Systeme

80

2.1.4 Programmatische Architektur

81

2.1.5 Governance

89

2.2 Funktionsumfang

94

2.2.1 Datenintegration

95

2.2.2 Space Management

96

2.2.3 Datenmodellierung

96

2.2.4 Semantik

96

2.2.5 Analysemodell

97

2.2.6 Business Modelling

98

2.2.7 Consumption

99

2.2.8 Aufgabenketten

99

2.2.9 Self-Service

101

2.2.10 Data Catalog

101

2.2.11 Transport

103

2.2.12 Zusammenfassung

104

2.3 Datenintegration

105

2.3.1 Konnektivität bereitstellen

107

2.3.2 Datenzugriff herstellen

109

2.3.3 Daten übernehmen und aktualisieren

110

2.3.4 Transformation und Laden

112

2.3.5 Orchestrierung und Betrieb

115

2.3.6 Governance-Leitplanken für die Datenintegration

119

2.3.7 Integration außerhalb der UI

120

2.3.8 Zusammenfassung

121

2.4 Datenmodellierung

123

2.4.1 Grundlagen des Data Builders

124

2.4.2 Semantische Modellierung: Semantic Usage, Fakten, Dimensionen, Texte, Hierarchien

126

2.4.3 Modellierungsansatz entlang der Layer-Architektur

129

2.4.4 Beispiel für einen Modellierungsprozess mit grafischen Views

132

2.4.5 Weitere Funktionen im Data Builder

151

2.4.6 Zusammenfassung

159

2.5 Data Consumption

160

2.5.1 Consumption-Prinzipien und Exponierung in Datasphere

161

2.5.2 Schnittstellen und Protokolle

163

2.5.3 Consumption-Möglichkeiten im Vergleich

166

2.5.4 Berechtigungen und Governance in der Consumption

168

2.6 Zusammenfassung

169

3 SAP Business Warehouse oder SAP BW/4HANA, Private Cloud Edition

173

3.1 Einführung der SAP BDC und Versionen von SAP BW

173

3.1.1 Modellierung in SAP BW

175

3.1.2 Optionen für die Migration

180

3.2 Lift, Shift und Innovate

181

3.2.1 Lift

181

3.2.2 Shift

184

3.2.3 Innovate

189

3.3 Hinweise für SAP-BW-On-Premise-Kunden

191

3.3.1 SAP BW und SAP Datasphere als SideCar

191

3.3.2 SAP BW ohne SAP Datasphere, aber mit SAP Analytics Cloud

192

3.3.3 SAP BW/4HANA mit oder ohne SAP Datasphere, aber mit SAP Analytics Cloud

192

3.4 Hinweise für SAP-BW-Bridge-Kunden

193

3.5 Hinweise für Embedded-SAP-BW-Kunden

195

3.6 Zusammenfassung

197

4 SAP Databricks: Datenaustausch und KI

199

4.1 Kerneigenschaften von SAP Databricks

200

4.1.1 Architektur und Verortung von SAP Databricks in der SAP BDC

200

4.1.2 Entstehung von SAP Databricks

202

4.1.3 Bausteine von SAP Databricks

204

4.1.4 Berechtigungen

206

4.1.5 SAP Databricks Lakehouse

208

4.1.6 End-to-End-Integration: SAP Databricks, SAP Datasphere und SAP Analytics Cloud

210

4.1.7 Abgrenzung von SAP Datasphere und SAP Databricks

211

4.2 Delta Share

212

4.2.1 Benötigte Rollen beim Delta Sharing

213

4.2.2 Verwendung von Datenprodukten in SAP Databricks

213

4.2.3 Umsetzung des Sharings

215

4.2.4 Zurückteilen der Daten in der SAP BDC

218

4.3 Partnerplattformen mit der SAP BDC verbinden

220

4.4 Unity Catalog

224

4.4.1 Metastore im Unity Catalog

226

4.4.2 Objekt-Hierarchie

227

4.4.3 Catalog Explorer, Monitoring und Data Lineage

228

4.5 Notebooks

230

4.5.1 Notebooks in der Anwendung

231

4.5.2 Operationalisierung: Von Notebooks zu produktiven Pipelines

234

4.6 SQL

235

4.6.1 Die Rolle von Databricks SQL in der Architektur von SAP Databricks

237

4.6.2 Databricks SQL für Feature Engineering, Datenprodukte und Self-Service Analytics

238

4.7 Data Science und Mosaic AI

239

4.7.1 MLflow und MLOps

241

4.7.2 Mosaic AI und Agent Tools

244

4.7.3 KI-Agenten und Prozessintelligenz

246

4.8 Zusammenfassung

248

5 Datenprodukte und Object Store

249

5.1 Einordnung von Datenprodukten

250

5.2 Die verschiedenen Arten von Datenprodukten

255

5.2.1 Von SAP verwaltete Datenprodukte

257

5.2.2 Datenprodukte aus dem Data Product Generator für SAP BW

260

5.2.3 Datenprodukte aus SAP Datasphere

262

5.2.4 Datenprodukte aus SAP Databricks

263

5.2.5 Zusammenfassung und Einordnung der Datenprodukte in die SAP BDC

266

5.3 Data Product Studio

267

5.3.1 Datenprodukte mit Data Product Studio entwickeln

271

5.3.2 Berechtigungen in Data Product Studio

272

5.4 Object Store

274

5.4.1 Funktionen des Object Stores

275

5.4.2 SQL on Files

279

5.4.3 Zero Copy

281

5.5 Künstliche Intelligenz

283

5.5.1 Machine Learning

283

5.5.2 SAP Knowledge Graph

286

5.5.3 Agenten

290

5.6 Zusammenfassung

291

6 SAP Analytics Cloud: Self-Service Reporting

295

6.1 Self-Service Reporting

296

6.1.1 Neue Benutzeroberflächen

296

6.1.2 Vorteile von Self-Service Reporting

297

6.1.3 SAP Analytics Cloud – Analytics ist mehr als Reporting

298

6.2 Flexible Storys

299

6.2.1 Seitentypen in einer Story

299

6.2.2 Elemente einer Story in SAP Analytics Cloud

301

6.2.3 Das Builder-Menü in einer Story

303

6.2.4 Weitere Elemente für Self-Service-Berichte

309

6.2.5 Texte und Textelemente in Storys

310

6.2.6 Navigationsfunktionen in Storys

313

6.2.7 Was, wenn Self-Service nicht ausreicht?

313

6.3 Data Analyzer

315

6.3.1 Datenanbindung im Data Analyzer

316

6.3.2 Bedienelemente im Data Analyzer

317

6.3.3 Vorteile und Merkmale des Data Analyzers

320

6.4 Flexible Modellierung

321

6.4.1 Datenverbindungsarten und ihre Vor- und Nachteile

321

6.4.2 Modellerstellung für Import-Daten

323

6.5 Just Ask und KI-Unterstützung mit Joule

328

6.5.1 Just Ask bereitstellen

329

6.5.2 Weitere KI-gestützte Funktionalitäten

331

6.6 Zusammenfassung

337

7 SAP Analytics Cloud: Integriertes Planen

339

7.1 Dimensionen der Integration von Planung

340

7.2 Architekturansätze für die Planung mit SAP Analytics Cloud

341

7.2.1 SAP-S/4HANA-zentrierter Architekturansatz

342

7.2.2 Data-Warehouse-zentrierter Architekturansatz

345

7.2.3 Hybrider Architekturansatz

348

7.3 Seamless Planning

352

7.4 Die Kompass-Funktion

360

7.5 Zusammenfassung

370

8 SAP BDC Cockpit

371

8.1 Aktivierung der SAP BDC und Zugriff auf das SAP BDC Cockpit

371

8.2 Provisionierung der SAP-BDC-Komponenten

378

8.2.1 Verwendung von Formationen

379

8.2.2 Bereitstellung von SAP Analytics Cloud

382

8.2.3 Bereitstellung von SAP Datasphere

384

8.2.4 Bereitstellung von SAP Databricks

384

8.3 Governance und Sicherheit

387

8.4 Data Packages

388

8.4.1 Governance und Qualität

391

8.4.2 Nutzung in Analytics und KI

392

8.4.3 Data Package aktivieren

393

8.4.4 Best Practices

393

8.5 Zusammenfassung

395

9 Intelligent Applications

397

9.1 Architektur der Intelligent Applications

398

9.2 Intelligent Applications für verschiedene Geschäftsbereiche

402

9.3 Intelligent Applications aktivieren

408

9.4 Zusammenfassung

416

10 Status quo: Ein Analytics-Best-of-Breed-Ansatz

421

10.1 Best of Breed vs. Best of Suite

422

10.2 Ausgangslage unseres Anwendungsfalls: Die Best-of-Breed-Architektur

423

10.3 Herausforderungen durch Best of Breed und Lösungsansätze mit der SAP BDC

425

10.4 Zusammenfassung

432

11 Status quo: Excel-basierte Finanzplanung

433

11.1 Historische Bedeutung und Rolle von Excel

433

11.2 Vorteile von Excel in der Unternehmensplanung

434

11.2.1 Flexibilität

434

11.2.2 Verfügbarkeit und Benutzerfreundlichkeit

435

11.2.3 Vielfältige Funktionen

435

11.2.4 Integration moderner Technologien

436

11.3 Schwächen und Herausforderungen von Microsoft Excel als Planungslösung

437

11.3.1 Manuelle Tätigkeiten

437

11.3.2 Hierarchische Planung und mangelnde Integration

438

11.3.3 Fehleranfällige Prozesse und zentralisiertes Wissen

439

11.3.4 Begrenzte Skalierbarkeit und Performance

440

11.3.5 Starre Jahresplanungszyklen

440

11.4 Maßnahmen zur Reduzierung von Risiken

441

11.4.1 Prozess- und Anforderungsanalyse

441

11.4.2 Aufbau einer soliden Datengrundlage

442

11.4.3 Einbindung der Beteiligten

443

11.4.4 Kosten-Nutzen-Verhältnis

444

11.5 Zusammenfassung

445

12 Status quo: Etabliertes SAP BW 7.5 on SAP HANA

447

12.1 SAP-BW-Modernisierungsoptionen

448

12.2 Vorgehensmodell für die Entscheidungsfindung

450

12.3 Praxisbeispiel einer hybriden Architektur

454

12.4 Zusammenfassung

456

13 Status quo: Embedded SAP BW reicht nicht mehr aus

457

13.1 Die trügerische Einfachheit von embedded SAP BW

457

13.2 Fallbeispiel: Wenn das Reporting mit embedded SAP BW zum Bremsklotz wird

459

13.3 Der strategische Ausweg: Ein separates Data Warehouse

461

13.4 Die Roadmap

463

13.5 Zusammenfassung

463

14 Status quo: Einsatz von Databricks Enterprise

465

14.1 Technologischer Hintergrund von Databricks Enterprise

465

14.2 Entscheidungsfaktor Data Gravity

467

14.3 SAP Databricks vs. Databricks Enterprise

469

14.4 Databricks Enterprise und SAP Databricks mit SAP verbinden

470

14.4.1 Option 1: SAP Databricks

471

14.4.2 Option 2: Databricks Enterprise

471

14.4.3 Option 3: Hybride Architekturen

472

14.4.4 Entscheidungshilfe

473

14.5 Zero Copy Data Sharing im Einsatz

475

14.6 Zusammenfassung

477

15 Status quo: Probleme mit der Datenqualität

479

15.1 Die Ausgangslage: Schlechte Datenqualität

479

15.2 Qualitätsdimensionen für Daten

480

15.3 Ein Datenqualitätsprojekt umsetzen

482

15.4 Vector Engine

484

15.4.1 Einbindung der Vector Engine in die SAP BDC

484

15.4.2 Beitrag einer Vector Engine zur Datenqualität

486

15.4.3 Anwendungsfall für eine Vector Engine

486

15.5 Zusammenfassung

489

16 Status quo: Historische Datenmengen

491

16.1 Historische Datenmengen im SAP-Ökosystem – damals und heute

492

16.1.1 Rückblick

492

16.1.2 Modernisierung der historischen Datenhaltung mit SAP Datasphere und der SAP BDC

494

16.2 Praxisbeispiel mit SAP Datasphere Finance

497

16.2.1 Spaces

498

16.2.2 Datengrundlage

499

16.2.3 Modellaufbau mit Schichtkonzept

501

16.2.4 Mehrwert historischer Daten und deren Nutzung

505

16.3 Zusammenfassung

506

17 Status quo: Kundeneigene Datenprodukte

507

17.1 Was sind kundeneigene Datenprodukte?

507

17.1.1 Architektur und Aufbau von kundeneigenen Datenprodukten

508

17.1.2 Drittanbieter- vs. kundeneigene Datenprodukte

510

17.1.3 Kundeneigene Datenprodukte entwickeln und freigeben

510

17.2 Anwendungsfall: Datenprodukte mit externen Datenplattformen teilen

513

17.3 Zusammenfassung

515

18 Die SAP Business Data Cloud als einheitliche Datenquelle für Business AI

517

18.1 Was ist Business AI?

517

18.2 Die SAP BDC als einheitliche Datenbasis für Business AI

519

18.3 SAP Business AI Portfolio

522

18.3.1 Data Governance als Enabler für Business AI

523

18.3.2 Datenprodukte und Intelligent Applications als Grundlage für Business AI

523

18.3.3 Integration von Business AI in operative Prozesse

524

18.4 Finance-Praxisbeispiel

525

18.5 Zusammenfassung

526

19 Stammdatenharmonisierung mit KI

527

19.1 Einführung in die Stammdatenharmonisierung mit KI

528

19.2 Fachliche Grundlage der Stammdatenharmonisierung

529

19.3 Stammdatenharmonisierung mit KI-Methoden umsetzen

531

19.3.1 Die Grundlagen: Datenaufbereitung mit KI-Unterstützung

531

19.3.2 Die Kernaufgaben: Identifizieren, Gruppieren und Zuordnen

533

19.3.3 Qualitätssicherung und kontinuierliche Verbesserung

534

19.3.4 Zielarchitektur für die Stammdatenharmonisierung

535

19.4 Stammdatenharmonisierung mit SAP Databricks und Python umsetzen

535

19.5 Anwendungsfälle für KI-gestützte Stammdatenharmonisierung in der SAP BDC

538

19.5.1 Harmonisierung von Kundenstammdaten für eine 360°-Customer-View

539

19.5.2 Harmonisierung von Produkt- und Materialstammdaten

540

19.6 Risiken, Grenzen und Erfolgsfaktoren

541

19.6.1 Verborgene Risiken: Warum Harmonisierungprojekte scheitern

541

19.6.2 Erfolgsfaktoren für eine nachhaltige Harmonisierung

542

19.7 Zusammenfassung und Ausblick

543

20 Seamless Consolidation basierend auf der SAP Business Data Cloud

545

20.1 Bestehende SAP-Konsolidierungslösungen

545

20.2 NDC Financial Consolidation

548

20.3 Zusammenfassung

558

21 Status quo: Manuelle Absatzmengenplanung ablösen

559

21.1 Ausgangssituation der Absatzmengenplanung

559

21.2 Die aktuelle Praxis und ihre Nachteile

560

21.3 Absatzmengenplanung in der SAP BDC

564

21.3.1 Zentrale Datenbasis in SAP Datasphere

564

21.3.2 KI-gestützte Prognose mit SAP Databricks

565

21.3.3 Vorbefüllung der Planungsmasken in SAP Analytics Cloud

565

21.4 Zusammenfassung

566

22 Wie Sie mit der SAP Business Data Cloud starten können

569

22.1 Der Erfolgsfaktor für Ihr SAP-BDC-Projekt

569

22.2 Lücken im SAP-BDC-Funktionsumfang

574

22.3 Zusammenfassung

577

Anhang

579

A Vorlage für ein Positionspapier: Das datenintelligente Unternehmen schaffen

579