Inteligencia de datos de SAP
¡Administre su entorno de datos con SAP Data Intelligence! Comience por comprender su arquitectura y capacidades y, a continuación, vea cómo configurar e instalar SAP Data Intelligence con instrucciones paso a paso. Explore las aplicaciones de SAP Data Intelligence y aprenda a utilizarlas para la gobernanza de datos, la orquestación y el aprendizaje automático. Intégrelas con sistemas basados en ABAP, SAP Vora, SAP Analytics Cloud y mucho más. ¡Administre, proteja y utilice SAP Data Intelligence con esta guía integral!
- Instalar y configurar SAP Data Intelligence en la nube o en las instalaciones.
- Administre, procese y coordine los flujos de trabajo de datos con herramientas como el explorador de metadatos y el modelador de inteligencia de datos de SAP.
- Utilice el aprendizaje automático, SAP Analytics Cloud y SAP Data Warehouse Cloud para enriquecer los datos empresariales.
Aprenderás sobre:
- Configuración:
¡Cree su entorno SAP Data Intelligence! Utilice SAP Cloud Appliance Library para la implementación en la nube, incluyendo el aprovisionamiento, el dimensionamiento y el acceso al panel de control. Realice instalaciones locales utilizando herramientas como el planificador de mantenimiento.
- Capacidades:
¡Aproveche las capacidades principales de SAP Data Intelligence! Administre y controle sus datos con el explorador de metadatos, utilice la aplicación de modelado para crear procesos de procesamiento de datos, cree aplicaciones con Jupyter Notebook y mucho más.
- Integración y administración:
¡Integre, administre y opere SAP Data Intelligence! Obtenga instrucciones paso a paso para la integración con sistemas SAP y no SAP. Conozca las tareas administrativas clave y asegúrese de que su entorno sea seguro y funcione sin problemas.
Aspectos Destacados:
- Configuración e instalación
- Gobernanza de datos
- Canales de procesamiento de datos
- Imágenes de Docker
- Administrador de escenarios ML
- Cuaderno Jupyter
- SDK de Python
- Integración
- Administración
- Seguridad
- Gestión del ciclo de vida de las aplicaciones
- Casos de uso
Ver Tabla de Contenidos Completa
- Prefacio
- ¿Por qué leer este libro?
- Público
- Estructura del libro
- Agradecimientos
- Conclusión
- PARTE I Introducción
- 1 La estructura de datos para la empresa inteligente
- 1.1 Estructura de datos
- 1.1.1 Tendencias
- 1.1.2 Beneficios
- 1.2 Coordinación de datos
- 1.3 Plataforma tecnológica empresarial SAP
- 1.4 Inteligencia de datos SAP
- 1.5 Resumen
- 2 Arquitectura y capacidades
- 2.1 Génesis de SAP Data Intelligence
- 2.1.1 Funciones de SAP Leonardo Machine Learning Foundation
- 2.1.2 Evolución de SAP Data Hub a SAP Data Intelligence
- 2.2 Arquitectura de inteligencia de datos de SAP
- 2.3 Opciones de implementación y modelo de licencia propia
- 2.4 Clúster y contenedores de Kubernetes
- 2.4.1 Descripción general de Kubernetes
- 2.4.2 Arquitectura del clúster de Kubernetes
- 2.4.3 Tiempos de ejecución de contenedores
- 2.4.4 Pods y cargas de trabajo
- 2.4.5 Recursos y políticas
- 2.4.6 Kubernetes y SAP Data Intelligence
- 2.5 Plataforma de lanzamiento de SAP Data Intelligence
- 2.5.1 Aplicación basada en personas
- 2.5.2 Descripción general de las aplicaciones
- 2.6 Resumen
- 3 Configuración e instalación
- 3.1 Dimensionamiento del paisaje
- 3.1.1 Dimensionamiento de diversos componentes de SAP Data Intelligence
- 3.1.2 Tamaño mínimo y tamaño inicial para SAP Data Intelligence
- 3.1.3 Comprensión del enfoque de tallas de camisetas
- 3.2 Biblioteca de dispositivos en la nube de SAP
- 3.2.1 Introducción a SAP Cloud Appliance Library
- 3.2.2 Implementación de soluciones SAP en la nube
- 3.2.3 Activación y creación de instancias de solución
- 3.2.4 Consideraciones de seguridad para SAP Cloud Appliance Library
- 3.3 Aprovisionamiento de nube bajo demanda y dimensionamiento de instancias
- 3.3.1 Dimensionamiento con SAP Cloud Appliance Library
- 3.3.2 Proveedores de nube compatibles con SAP Cloud Appliance Library
- 3.3.3 Comprensión de los costos y los pagos
- 3.3.4 Copia de seguridad, restauración y terminación de una instancia
- 3.4 Configuración de SAP Data Intelligence en SAP Cloud Appliance Library
- 3.4.1 Requisitos previos para la cuenta de proveedor de servicios en la nube
- 3.4.2 Conexión a SAP Cloud Appliance Library
- 3.4.3 Creación y acceso a la solución
- 3.4.4 Acceso a la Jump Box para supervisión y resolución de problemas
- 3.4.5 Ejecutar la solución
- 3.4.6 Acceso a través del navegador utilizando el archivo de hosts local
- 3.4.7 Personalización
- 3.5 Instalación de SAP Data Intelligence 3.0 en las instalaciones
- 3.5.1 Planificación y requisitos previos para una instalación local
- 3.5.2 Implementación modular con SLC Bridge
- 3.5.3 Instalación de SAP Data Intelligence con Maintenance Planner y SLC Bridge
- 3.6 Resumen
- 4 Uso de las aplicaciones de inteligencia de datos de SAP
- 4.1 Aplicaciones SAP Data Intelligence Launchpad
- 4.2 Solicitudes para ingenieros de datos
- 4.2.1 Administración de conexiones
- 4.2.2 Explorador de metadatos
- 4.2.3 Modelador
- 4.2.4 Exportación de datos de clientes
- 4.3 Aplicaciones para científicos de datos
- 4.3.1 Administrador de escenarios ML
- 4.3.2 Herramientas Vora
- 4.4 Aplicaciones para modeladores y auditores
- 4.4.1 Aplicaciones de monitoreo
- 4.4.2 Auditoría y registros del sistema
- 4.5 Aplicaciones para administradores de sistemas
- 4.5.1 Administración de políticas
- 4.5.2 Privilegios de manejo
- 4.5.3 Administración del sistema
- 4.5.4 Administración de licencias
- 4.6 Resumen
- PARTE II Gestión de datos, orquestación y aprendizaje automático
- 5 Gobernanza de datos basada en metadatos
- 5.1 Explorador de metadatos para la gobernanza de datos
- 5.1.1 Gestión inteligente de la información con el panel de control Discovery
- 5.1.2 Rastreadores de metadatos para explorar, clasificar y etiquetar activos de datos
- 5.1.3 Administración de datos de metadatos en un entorno de sistemas conectados
- 5.2 Perfilado de datos para comprender los datos
- 5.2.1 Perfiles de conjuntos de datos de conexiones
- 5.2.2 Acciones de perfilado y supervisión
- 5.2.3 Visualización de las hojas informativas del perfil
- 5.3 Gestión de publicaciones y catálogos de datos
- 5.3.1 Catálogo de conjuntos de datos publicados
- 5.3.2 Etiquetas automáticas y etiquetado jerárquico
- 5.3.3 Uso de etiquetas como filtros de búsqueda
- 5.3.4 Administración de publicaciones en el catálogo
- 5.3.5 Profundidad del linaje establecida en el procesamiento de publicaciones
- 5.4 Definición de reglas de calidad de datos y ejecución de manuales de reglas
- 5.4.1 Normas que determinan el cumplimiento de los datos comerciales
- 5.4.2 Categorías para organizar las reglas de negocio
- 5.4.3 Uso del operador de patrón coincidente
- 5.4.4 Ejecución y supervisión de los reglamentos
- 5.4.5 Glosario de términos y definiciones empresariales
- 5.5 Linaje de datos a partir del historial de transformaciones
- 5.5.1 Análisis de linaje para rastrear conjuntos de datos hasta sus fuentes
- 5.5.2 Extracción del linaje y fuentes respaldadas
- 5.5.3 Comprensión y configuración de la vista de linaje
- 5.6 Resumen
- 6 Modelado de procesos de procesamiento de datos
- 6.1 Uso del modelador de inteligencia de datos de SAP
- 6.1.1 El paradigma basado en el flujo como red de información
- 6.1.2 Motor de canalización de datos en el modelador basado en flujos
- 6.1.3 Navegación por los paneles y barras de herramientas del modelador
- 6.1.4 Operadores integrados
- 6.1.5 Creación y validación de gráficos
- 6.2 Creación y administración de conexiones
- 6.2.1 Creación de conexiones
- 6.2.2 Conexión a Cloud Foundry
- 6.2.3 Administración de certificados
- 6.2.4 Autorizaciones para conexiones
- 6.3 Preparación de datos de autoservicio con el Explorador de metadatos
- 6.3.1 Preparación de datos para obtener resultados precisos y mejores conocimientos
- 6.3.2 Preparación de datos de autoservicio con el Explorador de metadatos
- 6.3.3 Transformación de conjuntos de datos estructurados
- 6.3.4 Administración de acciones de preparación de datos
- 6.3.5 Acciones de preparación de datos para su procesamiento
- 6.4 Integración, procesamiento y coordinación de flujos de trabajo
- 6.4.1 Fragmentos de gráficos como grupo de operadores
- 6.4.2 Trabajar con operadores de flujo de trabajo de datos
- 6.4.3 Integración de aplicaciones en la nube de SAP
- 6.4.4 Gráfico de captura de datos modificados
- 6.4.5 Operadores personalizados
- 6.5 Programación y supervisión de los flujos de datos
- 6.5.1 Programación y supervisión de los flujos de datos
- 6.5.2 Mensajes de seguimiento
- 6.5.3 Seguimiento de las métricas del modelo
- 6.5.4 Panel de control de Kubernetes y registros del clúster
- 6.6 Resumen
- 7 Creación de operadores y tipos de datos
- 7.1 Creación de operadores personalizados
- 7.1.1 Visibilidad de los eventos
- 7.1.2 Compatibilidad de los tipos de puertos
- 7.1.3 Creación y edición de operadores
- 7.2 Implementación de operadores en tiempo de ejecución
- 7.2.1 Submotores en SAP Data Intelligence Modeler
- 7.2.2 Trabajar con submotores para crear operadores
- 7.3 Creación de tipos de datos
- 7.3.1 Tipos escalares globales predefinidos
- 7.3.2 Definición de tipos de datos personalizados
- 7.3.3 Aprovechamiento de los tipos de datos en los gráficos
- 7.4 Resumen
- 8 Creación de imágenes de Docker
- 8.1 Contenedores en pods y pods en clústeres
- 8.1.1 Entrega de aplicaciones basadas en datos
- 8.1.2 Helm: Administrador de paquetes para Kubernetes
- 8.1.3 Archivos Dockerfile: entornos de tiempo de ejecución predefinidos
- 8.2 Montaje de una imagen de Docker
- 8.2.1 Creación de imágenes de Docker mediante archivos Dockerfile
- 8.2.2 Mejorar las imágenes de Docker con diferentes administradores de paquetes
- 8.3 Herencia de Dockerfile
- 8.4 Uso de Docker con Python
- 8.5 Resumen
- 9 Aprendizaje automático
- 9.1 Aprendizaje automático con SAP
- 9.1.1 Soluciones de aprendizaje automático en el entorno SAP
- 9.1.2 Metodología TEI en el aprendizaje automático
- 9.1.3 Transformación de casos de uso empresarial con aprendizaje automático
- 9.1.4 Enfoque basado en datos frente al enfoque tradicional basado en reglas
- 9.1.5 Tareas de aprendizaje automático en contextos empresariales
- 9.1.6 Principios arquitectónicos para el aprendizaje automático
- 9.2 Aprendizaje automático con SAP Data Intelligence
- 9.2.1 Canales de datos escalables en entornos de datos complejos
- 9.2.2 Datos y algoritmos como activos para el aprendizaje automático
- 9.2.3 Aprovechamiento de los entornos y habilidades de código abierto
- 9.3 Uso del Administrador de escenarios ML
- 9.3.1 Descripción general del Administrador de escenarios de ML
- 9.3.2 Configuración de un escenario en ML Scenario Manager
- 9.3.3 Integración de datos y objetivos a hiperescala
- 9.3.4 Aprovechamiento de plantillas de escenarios para el aprendizaje automático
- 9.3.5 Creación y agrupación de archivos Dockerfile
- 9.3.6 Implementación de canalizaciones de TensorFlow
- 9.3.7 Entrenamiento y despliegue de modelos con nuevas versiones
- 9.3.8 Explorador de métricas y SDK de seguimiento de aprendizaje automático
- 9.3.9 Ejecutar recopilación y ejecutar rendimiento
- 9.3.10 Visualización de métricas de inteligencia de datos de SAP con SAP Analytics Cloud
- 9.4 Administrador de datos ML en espacios de trabajo de datos y colecciones de datos
- 9.4.1 Espacios de trabajo de datos y recopilaciones de datos
- 9.4.2 Organización de conjuntos de datos en lagos de datos
- 9.4.3 Organización de una recopilación de datos
- 9.4.4 Registro de un conjunto de datos
- 9.5 Resumen
- 10 Cuaderno Jupyter
- 10.1 Fundamentos de Jupyter Notebook
- 10.1.1 Herramienta interactiva para proyectos de ciencia de datos
- 10.1.2 Panel de control e interfaz de usuario de Jupyter Notebook
- 10.1.3 Análisis de datos en Jupyter Notebook
- 10.2 Trabajar con SAP HANA Cloud
- 10.2.1 SAP HANA Cloud: base de datos en la nube como servicio
- 10.2.2 Exploración de SAP HANA Cloud en una cuenta de prueba de SAP BTP
- 10.2.3 Comprensión del Cockpit de SAP HANA y el Explorador de bases de datos de SAP HANA
- 10.2.4 Uso de Jupyter Notebook en SAP BTP e integración con SAP HANA Cloud
- 10.2.5 Conexión SAP Data Intelligence
- 10.3 Experimentos de ciencia de datos con Jupyter Notebook
- 10.3.1 Aprendizaje automático integrado en SAP HANA
- 10.3.2 Operadores básicos del aprendizaje automático
- 10.3.3 Operador de entrenamiento de SAP HANA ML
- 10.3.4 Operador de inferencia ML de SAP HANA
- 10.4 JupyterLab como la próxima generación de Jupyter Notebook
- 10.4.1 JupyterLab: la interfaz de usuario de última generación con bibliotecas integradas
- 10.4.2 Acceso a los artefactos de Jupyter Notebook desde JupyterLab
- 10.4.3 API de cliente Python de SAP HANA
- 10.5 Resumen
- 11 SDK de Python para SAP Data Intelligence
- 11.1 Uso del SDK de Python de SAP Data Intelligence
- 11.1.1 Configuración de un contexto en Jupyter Notebook
- 11.1.2 API de Data Lake para SDL
- 11.1.3 Recuperación de metadatos de escenarios de aprendizaje automático
- 11.1.4 Entrenamiento del contenedor utilizando el SDK
- 11.1.5 Ejecución e implementación de canalizaciones
- 11.2 Acceso a artefactos mediante métodos
- 11.3 SDK de seguimiento de aprendizaje automático
- 11.3.1 Inicialización de la ejecución de un experimento
- 11.3.2 Agrupación de ejecuciones en colecciones de ejecuciones
- 11.3.3 Análisis de métricas y registros
- 11.4 Resumen
- PARTE III Integración
- 12 Integración con sistemas ABAP
- 12.1 Escenarios de integración
- 12.1.1 Escenarios y casos de uso para la integración
- 12.1.2 Metadatos ABAP en el explorador de metadatos
- 12.2 Aprovisionamiento de datos desde sistemas ABAP
- 12.2.1 Exposición de la vista CDS
- 12.2.2 Requisitos previos de conexión para la extracción de datos
- 12.2.3 Conexión de sistemas locales con Cloud Connector
- 12.3 Uso de operadores para activar la ejecución en un sistema ABAP
- 12.3.1 Operadores ABAP para activar módulos de función o BAPI
- 12.3.2 Requisitos previos para operadores ABAP en sistemas remotos
- 12.4 SAP BW/4HANA y SAP Data Intelligence: virtualización híbrida de datos
- 12.4.1 Requisitos previos en SAP Business Warehouse
- 12.4.2 Uso del tipo de conexión HANA_DB
- 12.4.3 Verificación de autorización para servicios
- 12.4.4 Operador SAP BW para canalización
- 12.5 Conectividad adicional
- 12.5.1 Administrador de información SAP
- 12.5.2 SAP HANA para almacenamiento de datos SQL
- 12.6 Resumen
- 13 Integración con sistemas que no son de SAP
- 13.1 Conectividad con sistemas en la nube que no son de SAP
- 13.1.1 Amazon S3
- 13.1.2 Amazon Redshift
- 13.1.3 Blob de almacenamiento de Windows Azure
- 13.1.4 Almacén de datos SQL de Microsoft Azure
- 13.1.5 Lago de datos de Microsoft Azure
- 13.1.6 Almacenamiento en la nube de Google
- 13.1.7 Google BigQuery
- 13.1.8 Almacenamiento en la nube de IBM
- 13.2 Conectividad con sistemas locales que no son de SAP
- 13.2.1 Sistema de gestión de bases de datos relacionales Oracle
- 13.2.2 Microsoft SQL Server
- 13.3 Resumen
- 14 Integración de cargas de trabajo de big data con SAP Vora
- 14.1 SAP Vora en el marco de Kubernetes
- 14.1.1 Administración del sistema
- 14.1.2 Arquitectura del motor SAP Vora
- 14.1.3 Acceso a la interfaz de usuario de SAP Vora
- 14.1.4 Vista previa de datos de SAP Vora
- 14.1.5 Uso del editor SQL
- 14.1.6 Uso de scripts SQL
- 14.2 Modelado de datos en SAP Vora
- 14.2.1 Creación de esquemas de bases de datos
- 14.2.2 Creación de esquemas de particiones
- 14.2.3 Creación de tablas y vistas
- 14.2.4 Creación de columnas calculadas
- 14.2.5 Funciones adicionales para vistas
- 14.3 Jerarquías en SAP Vora
- 14.3.1 SAP Vora SQL para el análisis jerárquico de datos
- 14.3.2 Uso de la tabla de adyacencia para representar una jerarquía
- 14.3.3 Jerarquías de almacenamiento en caché con vistas materializadas
- 14.4 Búsqueda de texto completo en SAP Vora
- 14.4.1 Gráficos de análisis de texto en Modeler
- 14.4.2 Análisis lingüístico y semántico
- 14.4.3 Búsqueda de texto completo en una colección de documentos
- 14.5 Resumen
- 15 Integración con SAP Data Warehouse Cloud
- 15.1 Descripción general de SAP Data Warehouse Cloud
- 15.1.1 Ecosistema de servicios en la nube de SAP
- 15.1.2 Configuración del inquilino de prueba
- 15.2 Comprensión de los espacios
- 15.2.1 Espacios como lugares de trabajo virtuales
- 15.2.2 Desarrollo en un espacio
- 15.2.3 Administración de espacios
- 15.3 Explorar conexiones y utilizar el generador de datos
- 15.3.1 Tipos de conexión disponibles
- 15.3.2 Generador de datos: del modelo al catálogo empresarial
- 15.3.3 Generador de historias integrado con reconocimiento del espacio
- 15.4 Data Builder en SAP Data Warehouse Cloud frente a Pipelines en SAP Data Intelligence
- 15.5 Resumen
- 16 Integración con SAP Analytics Cloud
- 16.1 Descripción general de SAP Analytics Cloud
- 16.1.1 Solución para analizar, planificar, predecir y colaborar
- 16.1.2 Componentes fundamentales: datos, modelos e historias
- 16.2 Operadores de uso: Leer archivo, formateador y productor
- 16.2.1 Operador de lectura de archivos
- 16.2.2 Operador de tabla de decodificación
- 16.2.3 Formateador de SAP Analytics Cloud
- 16.2.4 SAP Analytics Cloud Producer
- 16.3 Canales para entrenar, predecir y visualizar datos
- 16.3.1 Uso de la API del conjunto de datos
- 16.3.2 Suministro y consumo de conjuntos de datos
- 16.4 Resumen
- PARTE IV Gestión del sistema, seguridad y operaciones
- 17 Administración
- 17.1 Referencia del cliente de línea de comandos de administración del sistema
- 17.1.1 Cliente de línea de comandos para SAP Data Intelligence
- 17.1.2 Uso de la herramienta VCTL: utilidad JavaScript
- 17.1.3 Comandos útiles para el cliente de línea de comandos
- 17.2 Solicitudes administrativas
- 17.2.1 Acceso del administrador
- 17.2.2 Administración del sistema
- 17.2.3 Administración de licencias
- 17.2.4 Administración de conexiones
- 17.3 Supervisión del modelador de inteligencia de datos SAP
- 17.3.1 Supervisión del estado de ejecución del gráfico
- 17.3.2 Seguimiento de mensajes para aislar problemas y errores
- 17.3.3 Descarga de información de diagnóstico para gráficos
- 17.4 Registro del sistema de inteligencia de datos SAP
- 17.4.1 Mecanismo de registro a nivel de clúster de Kubernetes
- 17.4.2 Navegación por los registros de aplicaciones en la interfaz de usuario web de Diagnostics Kibana
- 17.4.3 Agregación de registros en el servicio de registro externo
- 17.5 Diagnóstico del sistema
- 17.5.1 Diagnóstico de SAP Data Intelligence: Diagnóstico Grafana
- 17.5.2 Métricas del clúster de Kubernetes
- 17.5.3 Integración de diagnósticos con una solución APM externa
- 17.6 Resumen
- 18 Seguridad
- 18.1 Enfoque de la protección de datos
- 18.1.1 Semántica empresarial para legislaciones específicas del sector
- 18.1.2 Funciones para el cumplimiento de la normativa de protección de datos
- 18.1.3 Funciones de seguridad para la protección de datos y la privacidad
- 18.2 Autenticación de servicios y usuarios
- 18.2.1 Control de acceso de usuarios basado en roles y ámbito
- 18.2.2 Cuenta de usuario y autenticación de SAP BTP
- 18.2.3 Autoridad de certificación autofirmada y TLS
- 18.2.4 Aprovechamiento de la gestión de políticas para el control de acceso
- 18.2.5 Habilitación de las funciones de seguridad en el clúster de Kubernetes
- 18.3 Conexión segura de sistemas locales
- 18.3.1 Conector en la nube
- 18.3.2 Red privada virtual de sitio a sitio
- 18.3.3 Interconexión de nubes privadas virtuales
- 18.4 Resumen
- 19 Mantenimiento
- 19.1 Comprensión de los modos operativos o niveles de ejecución
- 19.2 Cambiar la plataforma al modo de mantenimiento
- 19.2.1 Activación o desactivación del modo de mantenimiento
- 19.2.2 Reinicio de SAP Data Intelligence Services
- 19.2.3 Configuración de una conexión remota con SAP
- 19.3 Aumento del tamaño del volumen persistente de gestión del sistema
- 19.3.1 Manejo de errores de volumen persistente
- 19.3.2 Cambio del tamaño de almacenamiento persistente del motor de disco SAP Vora
- 19.3.3 Cambio del tamaño del búfer y del archivo del motor de disco SAP Vora
- 19.4 Realización de copias de seguridad
- 19.5 Resumen
- 20 Gestión del ciclo de vida de las aplicaciones
- 20.1 Sistema de control de versiones
- 20.2 Git
- 20.2.1 Conceptos básicos y terminología de Git
- 20.2.2 Integración con Git y proceso de CI/CD
- 20.2.3 Configuración del entorno para los flujos de trabajo de Git
- 20.3 Integración continua y entrega continua
- 20.3.1 Mejores prácticas de integración continua
- 20.3.2 Aprovechamiento de las soluciones SAP para CI/CD
- 20.4 Fundamentos y herramientas de DevOps
- 20.4.1 Los principios fundamentales de DevOps
- 20.4.2 Implementar herramientas para DevOps
- 20.4.3 DevOps para arquitecturas híbridas
- 20.5 SAP Data Intelligence como plataforma MLOps
- 20.5.1 Ciclo de vida de producción de los modelos de aprendizaje automático
- 20.5.2 Retos de MLOps
- 20.5.3 Capacidades de MLOps
- 20.6 Migración desde SAP Leonardo Machine Learning Foundation
- 20.6.1 Traiga su propio modelo
- 20.6.2 Migración de los datos de entrenamiento
- 20.6.3 Adición de los datos de entrenamiento a un lago de datos
- 20.7 Resumen
- 21 Contenido empresarial y casos de uso
- 21.1 Transformación digital e inteligencia de datos SAP
- 21.2 Contenido empresarial por industria
- 21.3 Casos de uso en finanzas
- 21.4 Casos de uso en la cadena de suministro
- 21.5 Casos de uso en la industria manufacturera
- 21.6 Resumen
- Anexos
- Perspectivas y hoja de ruta
- A.1 Gestión de versiones
- A.2 Innovaciones recientes
- A.3 Explorador de hojas de ruta
- A.4 Perspectivas futuras
- B Los autores
- Índice
SAP Data Intelligence
Manage your data landscape with SAP Data Intelligence! Begin by understanding its architecture and capabilities and then see how to set up and install SAP Data Intelligence with step-by-step instructions. Walk through SAP Data Intelligence applications and learn how to use them for data governance, orchestration, and machine learning. Integrate with ABAP-based systems, SAP Vora, SAP Analytics Cloud, and more. Manage, secure, and operate SAP Data Intelligence with this all-in-one guide!
- Install and configure SAP Data Intelligence in the cloud or on-premise
- Govern, process, and orchestrate data workflows with tools like the metadata explorer and the SAP Data Intelligence modeler
- Use machine learning, SAP Analytics Cloud, and SAP Data Warehouse Cloud to enrich business data
You'll learn about:
- Configuration:
Build your SAP Data Intelligence landscape! Use SAP Cloud Appliance Library for cloud deployment, including provisioning, sizing, and accessing the launchpad. Perform on-premise installations using tools like the maintenance planner.
- Capabilities:
Put the core capabilities of SAP Data Intelligence to work! Manage and govern your data with the metadata explorer, use the modeler application to create data processing pipelines, create apps with the Jupyter Notebook, and more.
- Integration and Administration:
Integrate, manage, and operate SAP Data Intelligence! Get step-by-step instructions for integration with SAP and non-SAP systems. Learn about key administration tasks and make sure your landscape is secure and running smoothly.
Key Highlights:
- Configuration and installation
- Data governance
- Data processing pipelines
- Docker images
- ML Scenario Manager
- Jupyter Notebook
- Python SDK
- Integration
- Administration
- Security
- Application lifecycle management
- Use cases
View Full Table of Contents
- Preface
- Why Read This Book?
- Audience
- Structure of the Book
- Acknowledgments
- Conclusion
- PART I Getting Started
- 1 The Data Fabric for the Intelligent Enterprise
- 1.1 Data Fabric
- 1.1.1 Trends
- 1.1.2 Benefits
- 1.2 Data Orchestration
- 1.3 SAP Business Technology Platform
- 1.4 SAP Data Intelligence
- 1.5 Summary
- 2 Architecture and Capabilities
- 2.1 Genesis of SAP Data Intelligence
- 2.1.1 Features from SAP Leonardo Machine Learning Foundation
- 2.1.2 Evolution from SAP Data Hub to SAP Data Intelligence
- 2.2 SAP Data Intelligence Architecture
- 2.3 Deployment Options and Bring Your Own License Model
- 2.4 Kubernetes Cluster and Containers
- 2.4.1 Overview of Kubernetes
- 2.4.2 Kubernetes Cluster Architecture
- 2.4.3 Container Runtimes
- 2.4.4 Pods and Workloads
- 2.4.5 Resources and Policies
- 2.4.6 Kubernetes and SAP Data Intelligence
- 2.5 SAP Data Intelligence Launchpad
- 2.5.1 Persona-Based Application
- 2.5.2 Overview of Applications
- 2.6 Summary
- 3 Setup and Installation
- 3.1 Landscape Sizing
- 3.1.1 Sizing Various SAP Data Intelligence Components
- 3.1.2 Minimum Sizing and Initial Sizing for SAP Data Intelligence
- 3.1.3 Understanding the T-Shirt Sizing Approach
- 3.2 SAP Cloud Appliance Library
- 3.2.1 Getting Started with SAP Cloud Appliance Library
- 3.2.2 Deploying SAP Solutions in the Cloud
- 3.2.3 Activating and Creating Solution Instances
- 3.2.4 Security Considerations for SAP Cloud Appliance Library
- 3.3 On-Demand Cloud Provisioning and Instance Sizing
- 3.3.1 Sizing with SAP Cloud Appliance Library
- 3.3.2 Supported Cloud Providers for SAP Cloud Appliance Library
- 3.3.3 Understanding Costs and Payments
- 3.3.4 Backing Up, Restoring, and Terminating an Instance
- 3.4 Setting Up SAP Data Intelligence on SAP Cloud Appliance Library
- 3.4.1 Prerequisites for Cloud Provider Account
- 3.4.2 Connecting to SAP Cloud Appliance Library
- 3.4.3 Creating and Accessing the Solution
- 3.4.4 Accessing the Jump Box for Monitoring and Troubleshooting
- 3.4.5 Running the Solution
- 3.4.6 Access through Browser Using Local Hosts File
- 3.4.7 Personalization
- 3.5 SAP Data Intelligence 3.0 Installation On-Premise
- 3.5.1 Planning and Prerequisites for an On-Premise Installation
- 3.5.2 Modular Deployment with SLC Bridge
- 3.5.3 Installing SAP Data Intelligence with the Maintenance Planner and SLC Bridge
- 3.6 Summary
- 4 Using SAP Data Intelligence Applications
- 4.1 SAP Data Intelligence Launchpad Applications
- 4.2 Applications for Data Engineers
- 4.2.1 Connection Management
- 4.2.2 Metadata Explorer
- 4.2.3 Modeler
- 4.2.4 Customer Data Export
- 4.3 Applications for Data Scientists
- 4.3.1 ML Scenario Manager
- 4.3.2 Vora Tools
- 4.4 Applications for Modelers and Auditors
- 4.4.1 Monitoring Applications
- 4.4.2 Audit and System Logs
- 4.5 Applications for System Administrators
- 4.5.1 Policy Management
- 4.5.2 Handling Privileges
- 4.5.3 System Management
- 4.5.4 License Management
- 4.6 Summary
- PART II Data Management, Orchestration, and Machine Learning
- 5 Metadata-Driven Data Governance
- 5.1 Metadata Explorer for Data Governance
- 5.1.1 Intelligent Information Management with the Discovery Dashboard
- 5.1.2 Metadata Crawlers to Explore, Classify, and Label Data Assets
- 5.1.3 Managing Metadata Data across a Connected System Landscape
- 5.2 Data Profiling to Understand Data
- 5.2.1 Profiling Data Sets from Connections
- 5.2.2 Profiling Actions and Monitor
- 5.2.3 Viewing Profile Fact Sheets
- 5.3 Managing Publications and Data Catalogs
- 5.3.1 Catalog of Published Data Sets
- 5.3.2 Automatic Tags and Hierarchical Tagging
- 5.3.3 Using Tags as Search Filters
- 5.3.4 Managing Publications in the Catalog
- 5.3.5 Lineage Depth Set in Publication Processing
- 5.4 Defining Data Quality Rules and Running Rulebooks
- 5.4.1 Rules Determining Business Data Compliance
- 5.4.2 Categories to Organize Business Rules
- 5.4.3 Using the Match Pattern Operator
- 5.4.4 Running and Monitoring Rulebooks
- 5.4.5 Business Glossary of Terms and Definitions
- 5.5 Data Lineage from Transformation History
- 5.5.1 Lineage Analyses for Tracing Data Sets to Sources
- 5.5.2 Lineage Extraction and Supported Sources
- 5.5.3 Understanding and Configuring the Lineage View
- 5.6 Summary
- 6 Modeling Data Processing Pipelines
- 6.1 Using the SAP Data Intelligence Modeler
- 6.1.1 Flow-Based Paradigm as a Network of Information
- 6.1.2 Data Pipeline Engine in the Flow-Based Modeler
- 6.1.3 Navigating the Modeler Panes and Toolbars
- 6.1.4 Built-In Operators
- 6.1.5 Creating and Validating Graphs
- 6.2 Creating and Managing Connections
- 6.2.1 Creating Connections
- 6.2.2 Connecting to Cloud Foundry
- 6.2.3 Managing Certificates
- 6.2.4 Authorizations for Connections
- 6.3 Self-Service Data Preparation with the Metadata Explorer
- 6.3.1 Preparing Data for Accurate Results and Better Insights
- 6.3.2 Self-Service Data Preparation with the Metadata Explorer
- 6.3.3 Transforming Structured Data Sets
- 6.3.4 Managing Data Preparation Actions
- 6.3.5 Processing Data Preparation Actions
- 6.4 Integrating, Processing, and Orchestrating Workflows
- 6.4.1 Graph Snippets as a Group of Operators
- 6.4.2 Working with Data Workflow Operators
- 6.4.3 Integrating SAP Cloud Applications
- 6.4.4 Change Data Capture Graph
- 6.4.5 Custom Operators
- 6.5 Scheduling and Monitoring Data Pipelines
- 6.5.1 Scheduling and Monitoring Data Pipelines
- 6.5.2 Trace Messages
- 6.5.3 Tracking Model Metrics
- 6.5.4 Kubernetes Dashboard and Cluster Logs
- 6.6 Summary
- 7 Creating Operators and Data Types
- 7.1 Creating Custom Operators
- 7.1.1 Visibility of Events
- 7.1.2 Compatibility of Port Types
- 7.1.3 Creating and Editing Operators
- 7.2 Implementing Runtime Operators
- 7.2.1 Subengines in SAP Data Intelligence Modeler
- 7.2.2 Working with Subengines to Create Operators
- 7.3 Creating Data Types
- 7.3.1 Predefined Global Scalar Types
- 7.3.2 Defining Your Own Custom Data Types
- 7.3.3 Leveraging Data Types in Graphs
- 7.4 Summary
- 8 Building Docker Images
- 8.1 Containers in Pods and Pods in Clusters
- 8.1.1 Delivery of Data-Driven Applications
- 8.1.2 Helm: Package Manager for Kubernetes
- 8.1.3 Dockerfiles: Predefined Runtime Environments
- 8.2 Assembling a Docker Image
- 8.2.1 Building Docker Images through Dockerfiles
- 8.2.2 Enhancing Docker Images with Different Package Managers
- 8.3 Dockerfile Inheritance
- 8.4 Using Docker with Python
- 8.5 Summary
- 9 Machine Learning
- 9.1 Machine Learning with SAP
- 9.1.1 Machine Learning Solutions in the SAP Landscape
- 9.1.2 TEI Methodology in Machine Learning
- 9.1.3 Transforming Business Use Cases with Machine Learning
- 9.1.4 Data-Driven Approach versus Traditional Rule-Based Approach
- 9.1.5 Machine Learning Tasks in Enterprise Contexts
- 9.1.6 Architectural Principles for Machine Learning
- 9.2 Machine Learning with SAP Data Intelligence
- 9.2.1 Scalable Data Pipelines in Complex Data Landscapes
- 9.2.2 Data and Algorithms as Assets for Machine Learning
- 9.2.3 Leveraging Open-Source Environments and Skills
- 9.3 Using the ML Scenario Manager
- 9.3.1 ML Scenario Manager Overview
- 9.3.2 Setting Up a Scenario in ML Scenario Manager
- 9.3.3 Integrating Hyperscale Data and Targets
- 9.3.4 Leveraging Scenario Templates for Machine Learning
- 9.3.5 Dockerfile Building and Grouping
- 9.3.6 Implementing TensorFlow Pipelines
- 9.3.7 Training and Deploying Models with New Versions
- 9.3.8 Metrics Explorer and Machine Learning Tracking SDK
- 9.3.9 Run Collection and Run Performance
- 9.3.10 Visualizing SAP Data Intelligence Metrics with SAP Analytics Cloud
- 9.4 ML Data Manager in Data Workspaces and Data Collections
- 9.4.1 Data Workspaces and Data Collections
- 9.4.2 Organizing Data Sets in Data Lakes
- 9.4.3 Curating a Data Collection
- 9.4.4 Registering a Data Set
- 9.5 Summary
- 10 Jupyter Notebook
- 10.1 Jupyter Notebook Fundamentals
- 10.1.1 Interactive Tool for Data Science Projects
- 10.1.2 Jupyter Notebook Dashboard and User Interface
- 10.1.3 Data Analysis in Jupyter Notebook
- 10.2 Working with SAP HANA Cloud
- 10.2.1 SAP HANA Cloud: Cloud Database as a Service
- 10.2.2 Exploring SAP HANA Cloud on an SAP BTP Trial Account
- 10.2.3 Understanding the SAP HANA Cockpit and SAP HANA Database Explorer
- 10.2.4 Using Jupyter Notebook in SAP BTP and Integration with SAP HANA Cloud
- 10.2.5 SAP Data Intelligence Connection
- 10.3 Data Science Experiments with Jupyter Notebook
- 10.3.1 SAP HANA Embedded Machine Learning
- 10.3.2 Machine Learning Core Operators
- 10.3.3 SAP HANA ML Training Operator
- 10.3.4 SAP HANA ML Inference Operator
- 10.4 JupyterLab as the Next-Gen Jupyter Notebook
- 10.4.1 JupyterLab: The Next-Gen User Interface with Built-In Libraries
- 10.4.2 Accessing Jupyter Notebook Artifacts from JupyterLab
- 10.4.3 SAP HANA Python Client API
- 10.5 Summary
- 11 SAP Data Intelligence Python SDK
- 11.1 Using SAP Data Intelligence Python SDK
- 11.1.1 Setting a Context in Jupyter Notebook
- 11.1.2 Data Lake API for SDL
- 11.1.3 Retrieving Machine Learning Scenario Metadata
- 11.1.4 Training Container Using the SDK
- 11.1.5 Executing and Deploying Pipelines
- 11.2 Accessing Artifacts Using Methods
- 11.3 Machine Learning Tracking SDK
- 11.3.1 Initializing Run for an Experiment
- 11.3.2 Grouping Runs in Run Collections
- 11.3.3 Analyzing Metrics and Logs
- 11.4 Summary
- PART III Integration
- 12 Integrating with ABAP Systems
- 12.1 Integration Scenarios
- 12.1.1 Scenarios and Use Cases for Integration
- 12.1.2 ABAP Metadata in the Metadata Explorer
- 12.2 Provisioning Data from ABAP Systems
- 12.2.1 Exposing the CDS View
- 12.2.2 Connection Prerequisites for Data Extraction
- 12.2.3 Connecting On-Premise Systems with the Cloud Connector
- 12.3 Using Operators to Trigger Execution in an ABAP System
- 12.3.1 ABAP Operators to Trigger Function Modules or BAPIs
- 12.3.2 Prerequisites for ABAP Operators in Remote Systems
- 12.4 SAP BW/4HANA and SAP Data Intelligence Hybrid Data Virtualization
- 12.4.1 Prerequisites in SAP Business Warehouse
- 12.4.2 Using Connection Type HANA_DB
- 12.4.3 Authorization Check for Services
- 12.4.4 SAP BW Operator for Pipeline
- 12.5 Additional Connectivity
- 12.5.1 SAP Information Steward
- 12.5.2 SAP HANA for SQL Data Warehousing
- 12.6 Summary
- 13 Integrating with Non-SAP Systems
- 13.1 Non-SAP Cloud System Connectivity
- 13.1.1 Amazon S3
- 13.1.2 Amazon Redshift
- 13.1.3 Windows Azure Storage Blob
- 13.1.4 Microsoft Azure SQL Data Warehouse
- 13.1.5 Microsoft Azure Data Lake
- 13.1.6 Google Cloud Storage
- 13.1.7 Google BigQuery
- 13.1.8 IBM Cloud Storage
- 13.2 Non-SAP On-Premise System Connectivity
- 13.2.1 Oracle Relational Database Management System
- 13.2.2 Microsoft SQL Server
- 13.3 Summary
- 14 Integrating Big Data Workloads with SAP Vora
- 14.1 SAP Vora in Kubernetes Framework
- 14.1.1 System Management
- 14.1.2 SAP Vora Engine Architecture
- 14.1.3 Accessing SAP Vora User Interface
- 14.1.4 SAP Vora Data Preview
- 14.1.5 Using SQL Editor
- 14.1.6 Using SQL Scripts
- 14.2 Data Modeling in SAP Vora
- 14.2.1 Creating Database Schemas
- 14.2.2 Creating Partition Schemes
- 14.2.3 Creating Tables and Views
- 14.2.4 Creating Calculated Columns
- 14.2.5 Additional Functions for Views
- 14.3 Hierarchies in SAP Vora
- 14.3.1 SAP Vora SQL for Hierarchical Data Analysis
- 14.3.2 Using Adjacency Table to Render a Hierarchy
- 14.3.3 Caching Hierarchies with Materialized Views
- 14.4 Full-Text Search in SAP Vora
- 14.4.1 Text Analysis Graphs in Modeler
- 14.4.2 Linguistic and Semantic Analysis
- 14.4.3 Full-Text Search on a Document Collection
- 14.5 Summary
- 15 Integrating with SAP Data Warehouse Cloud
- 15.1 Overview of SAP Data Warehouse Cloud
- 15.1.1 SAP Cloud Services Ecosystem
- 15.1.2 Setting Up the Trial Tenant
- 15.2 Understanding Spaces
- 15.2.1 Spaces as Virtual Workspaces
- 15.2.2 Development in a Space
- 15.2.3 Managing Spaces
- 15.3 Exploring Connections and Using the Data Builder
- 15.3.1 Available Connection Types
- 15.3.2 Data Builder: Model to Business Catalog
- 15.3.3 Space-Aware Integrated Story Builder
- 15.4 Data Builder in SAP Data Warehouse Cloud versus Pipelines in SAP Data Intelligence
- 15.5 Summary
- 16 Integrating with SAP Analytics Cloud
- 16.1 Overview of SAP Analytics Cloud
- 16.1.1 Solution to Analyze, Plan, Predict, and Collaborate
- 16.1.2 Fundamental Components: Data, Models, and Stories
- 16.2 Use Operators: Read File, Formatter, and Producer
- 16.2.1 Read File Operator
- 16.2.2 Decode Table Operator
- 16.2.3 SAP Analytics Cloud Formatter
- 16.2.4 SAP Analytics Cloud Producer
- 16.3 Pipelines to Train, Predict, and Visualize Data
- 16.3.1 Using the Dataset API
- 16.3.2 Data Set Provision and Consumption
- 16.4 Summary
- PART IV System Management, Security, and Operations
- 17 Administration
- 17.1 System Management Command-Line Client Reference
- 17.1.1 Command-Line Client for SAP Data Intelligence
- 17.1.2 Using the VCTL Tool: JavaScript Utility
- 17.1.3 Useful Commands for Command-Line Client
- 17.2 Administration Applications
- 17.2.1 Administrator Access
- 17.2.2 System Management
- 17.2.3 License Management
- 17.2.4 Connection Management
- 17.3 Monitoring the SAP Data Intelligence Modeler
- 17.3.1 Monitoring the Status of Graph Execution
- 17.3.2 Tracing Messages to Isolate Problems and Errors
- 17.3.3 Downloading Diagnostic Information for Graphs
- 17.4 SAP Data Intelligence System Logging
- 17.4.1 Kubernetes Cluster-Level Logging Mechanism
- 17.4.2 Browsing Application Logs in the Diagnostics Kibana Web User Interface
- 17.4.3 Aggregating Logs in External Logging Service
- 17.5 System Diagnostics
- 17.5.1 SAP Data Intelligence Diagnostics: Diagnostics Grafana
- 17.5.2 Kubernetes Cluster Metrics
- 17.5.3 Integrating Diagnostics with External APM Solution
- 17.6 Summary
- 18 Security
- 18.1 Approach to Data Protection
- 18.1.1 Business Semantics for Industry-Specific Legislations
- 18.1.2 Functions for Data Privacy Compliance
- 18.1.3 Security Features for Data Protection and Privacy
- 18.2 Authenticating Services and Users
- 18.2.1 Roles and Scope-Driven User Access Control
- 18.2.2 SAP BTP User Account and Authentication
- 18.2.3 Self-Signed Certificate Authority and TLS
- 18.2.4 Leveraging Policy Management for Access Control
- 18.2.5 Enabling Security Features on Kubernetes Cluster
- 18.3 Securely Connecting On-Premise Systems
- 18.3.1 Cloud Connector
- 18.3.2 Site-to-Site Virtual Private Network
- 18.3.3 Virtual Private Cloud Peering
- 18.4 Summary
- 19 Maintenance
- 19.1 Understanding Operational Modes or Run Levels
- 19.2 Switching the Platform to Maintenance Mode
- 19.2.1 Enabling or Disabling Maintenance Mode
- 19.2.2 Restarting SAP Data Intelligence Services
- 19.2.3 Setting Up a Remote Connection to SAP
- 19.3 Increasing System Management Persistent Volume Size
- 19.3.1 Persistent Volume Error Handling
- 19.3.2 Changing the Persistent Storage Size of the SAP Vora Disk Engine
- 19.3.3 Changing the Buffer and File Size of the SAP Vora Disk Engine
- 19.4 Performing Backups
- 19.5 Summary
- 20 Application Lifecycle Management
- 20.1 Version Control System
- 20.2 Git
- 20.2.1 Git Basics and Terminology
- 20.2.2 Git Integration and CI/CD Process
- 20.2.3 Setting Up Your Environment for Git Workflows
- 20.3 Continuous Integration and Continuous Delivery
- 20.3.1 Continuous Integration Best Practices
- 20.3.2 Leveraging SAP Solutions for CI/CD
- 20.4 DevOps Fundamentals and Tools
- 20.4.1 The Core Tenets of DevOps
- 20.4.2 Implement Tooling for DevOps
- 20.4.3 DevOps for Hybrid Architectures
- 20.5 SAP Data Intelligence as the MLOps Platform
- 20.5.1 Production Lifecycle of Machine Learning Models
- 20.5.2 MLOps Challenges
- 20.5.3 MLOps Capabilities
- 20.6 Migrating from SAP Leonardo Machine Learning Foundation
- 20.6.1 Bring Your Own Model
- 20.6.2 Migrating the Training Data
- 20.6.3 Adding the Training Data to a Data Lake
- 20.7 Summary
- 21 Business Content and Use Cases
- 21.1 Digital Transformation and SAP Data Intelligence
- 21.2 Business Content by Industry
- 21.3 Finance Use Cases
- 21.4 Supply Chain Use Cases
- 21.5 Manufacturing Use Cases
- 21.6 Summary
- Appendices
- A Outlook and Roadmap
- A.1 Release Management
- A.2 Recent Innovations
- A.3 Roadmap Explorer
- A.4 Future Outlook
- B The Authors
- Index
