SAP Business Data Cloud
¡Conecte sus fuentes de datos de manera centralizada y genere análisis basados en inteligencia artificial con valor agregado! Este libro le muestra cómo utilizar SAP Business Data Cloud para desarrollar estrategias integrales de datos. Conozca todos los componentes, desde SAP Datasphere hasta SAP Databricks y SAP Analytics Cloud. Descubra además cómo modernizar su entorno SAP BW existente e integrarlo sin problemas en SAP BDC. El experimentado equipo de autores le muestra, a través de escenarios prácticos, cómo modernizar su entorno de datos y prepararlo para el futuro. Descubra de antemano en nuestro artículo «Productos de datos en SAP BDC» cuáles son las diez características fundamentales que debe cumplir un producto de datos.
- Comprender la arquitectura y aprovechar el potencial
- Todos los componentes, desde SAP Datasphere hasta SAP Databricks y SAP Analytics Cloud
- Ejemplos concretos de aplicación para la gestión estratégica de datos con IA
Aprenderás sobre:
- La plataforma de datos de SAP:
Desde SAP Datasphere como núcleo, pasando por SAP BW/4HANA Private Cloud Edition, hasta SAP Databricks: comprenda la arquitectura de SAP BDC y cómo interactúan sus componentes. Aprenda a conectar de manera centralizada fuentes de datos dentro y fuera del ecosistema de SAP y a aprovecharlas para el BI de autoservicio, los análisis basados en IA y la gobernanza de datos.
- Productos de datos y Object Store:
¡Pon tus datos en un contexto empresarial! Descubre cómo crear y compartir productos de datos desde SAP BW/4HANA, SAP Datasphere y SAP Databricks. Utiliza el Object Store como elemento de conexión e implementa SAP Knowledge Graph y el aprendizaje automático para tus casos de uso de IA.
- Escenarios de aplicación prácticos:
¿Cómo modernizar un sistema SAP BW 7.5 ya establecido? ¿Cómo armonizar los datos maestros con la IA? Los autores le muestran, a través de ejemplos de clientes anonimizados, cómo superar los desafíos típicos y utilizar SAP BDC como fuente de datos unificada para la IA empresarial.
Aspectos Destacados:
- Modernización de SAP BW
- SAP Datasphere
- Integración y modelado de datos
- SAP BW/4HANA Private Cloud Edition
- SAP Databricks y Delta Share
- Productos de datos y Object Store
- SAP Analytics Cloud
- Seamless Planning y Compass
- Planificación financiera y BI de autoservicio
- SAP BDC Cockpit
- Armonización de datos maestros basada en IA
- Migración de SAP BW 7.5
Ver Tabla de Contenidos Completa
- Introducción
- PARTE I: Componentes de SAP Business Data Cloud
- 1 Introducción a SAP Business Data Cloud
- 1.1 Introducción a la arquitectura de SAP BDC
- 1.2 Análisis con SAP en el contexto del big data y la IA
- 1.3 SAP BTP como base
- 1.3.1 Introducción a SAP BTP
- 1.3.2 Ventajas de SAP BTP
- 1.3.3 Funciones de SAP BTP
- 1.4 Poner los datos en contexto con SAP BDC
- 1.4.1 Ejemplo de cliente: gobernanza de datos
- 1.4.2 El camino hacia una empresa impulsada por los datos
- 1.5 SAP Business AI: agentes en acción
- 1.6 Ética y derecho en el contexto de la IA
- 1.6.1 Ética y sistemas de IA
- 1.6.2 Marco legal
- 1.7 Encontrar un lenguaje común en el BDC de SAP
- 1.8 Resumen
- 2 SAP Datasphere como núcleo de SAP Business Data Cloud
- 2.1 La arquitectura de SAP Datasphere
- 2.1.1 Acceso a los datos
- 2.1.2 Almacenamiento de datos
- 2.1.3 Conexión con sistemas de consumo
- 2.1.4 Arquitectura programática
- 2.1.5 Gobernanza
- 2.2 Funcionalidades
- 2.2.1 Integración de datos
- 2.2.2 Administración del espacio
- 2.2.3 Modelado de datos
- 2.2.4 Semántica
- 2.2.5 Modelo de análisis
- 2.2.6 Modelado de negocios
- 2.2.7 Consumo
- 2.2.8 Cadenas de tareas
- 2.2.9 Autoservicio
- 2.2.10 Catálogo de datos
- 2.2.11 Transporte
- 2.2.12 Resumen
- 2.3 Integración de datos
- 2.3.1 Proporcionar conectividad
- 2.3.2 Establecer acceso a los datos
- 2.3.3 Importar y actualizar datos
- 2.3.4 Transformación y carga
- 2.3.5 Orquestación y operación
- 2.3.6 Directrices de gobernanza para la integración de datos
- 2.3.7 Integración fuera de la interfaz de usuario
- 2.3.8 Resumen
- 2.4 Modelado de datos
- 2.4.1 Fundamentos de Data Builder
- 2.4.2 Modelado semántico: uso semántico, hechos, dimensiones, textos, jerarquías
- 2.4.3 Enfoque de modelado basado en la arquitectura por capas
- 2.4.4 Ejemplo de un proceso de modelado con vistas gráficas
- 2.4.5 Otras funciones en el Data Builder
- 2.4.6 Resumen
- 2.5 Consumo de datos
- 2.5.1 Principios de consumo y exposición en Datasphere
- 2.5.2 Interfaces y protocolos
- 2.5.3 Comparación de las opciones de consumo
- 2.5.4 Autorizaciones y gobernanza en el consumo
- 2.6 Resumen
- 3 SAP Business Warehouse o SAP BW/4HANA, Edición de nube privada
- 3.1 Introducción a SAP BDC y versiones de SAP BW
- 3.1.1 Modelación en SAP BW
- 3.1.2 Opciones para la migración
- 3.2 Lift, Shift e Innovate
- 3.2.1 Lift
- 3.2.2 Shift
- 3.2.3 Innovar
- 3.3 Indicaciones para clientes de SAP BW On-Premise
- 3.3.1 SAP BW y SAP Datasphere como SideCar
- 3.3.2 SAP BW sin SAP Datasphere, pero con SAP Analytics Cloud
- 3.3.3 SAP BW/4HANA con o sin SAP Datasphere, pero con SAP Analytics Cloud
- 3.4 Indicaciones para clientes de SAP BW Bridge
- 3.5 Indicaciones para clientes de SAP BW Embedded
- 3.6 Resumen
- 4 SAP Databricks: intercambio de datos e inteligencia artificial
- 4.1 Características principales de SAP Databricks
- 4.1.1 Arquitectura y ubicación de SAP Databricks en SAP BDC
- 4.1.2 Orígenes de SAP Databricks
- 4.1.3 Componentes de SAP Databricks
- 4.1.4 Autorizaciones
- 4.1.5 SAP Databricks Lakehouse
- 4.1.6 Integración de extremo a extremo: SAP Databricks, SAP Datasphere y SAP Analytics Cloud
- 4.1.7 Diferencias entre SAP Datasphere y SAP Databricks
- 4.2 Delta Share
- 4.2.1 Roles necesarios para el intercambio de datos delta
- 4.2.2 Uso de productos de datos en SAP Databricks
- 4.2.3 Implementación del intercambio
- 4.2.4 Redistribución de los datos en SAP BDC
- 4.3 Conectar plataformas de socios con el SAP BDC
- 4.4 Unity Catalog
- 4.4.1 Metastore en Unity Catalog
- 4.4.2 Jerarquía de objetos
- 4.4.3 Catalog Explorer, monitoreo y linaje de datos
- 4.5 Cuadernos
- 4.5.1 Cuadernos en la aplicación
- 4.5.2 Operacionalización: de los cuadernos a los flujos de trabajo productivos
- 4.6 SQL
- 4.6.1 El papel de Databricks SQL en la arquitectura de SAP Databricks
- 4.6.2 Databricks SQL para la ingeniería de características, los productos de datos y el análisis de autoservicio
- 4.7 Ciencia de datos y Mosaic AI
- 4.7.1 MLflow y MLOps
- 4.7.2 Mosaic AI y herramientas de agentes
- 4.7.3 Agentes de IA e inteligencia de procesos
- 4.8 Resumen
- 5 Productos de datos y Object Store
- 5.1 Clasificación de los productos de datos
- 5.2 Los diferentes tipos de productos de datos
- 5.2.1 Productos de datos administrados por SAP
- 5.2.2 Productos de datos del Data Product Generator para SAP BW
- 5.2.3 Productos de datos de SAP Datasphere
- 5.2.4 Productos de datos de SAP Databricks
- 5.2.5 Resumen y clasificación de los productos de datos en el SAP BDC
- 5.3 Data Product Studio
- 5.3.1 Desarrollar productos de datos con Data Product Studio
- 5.3.2 Autorizaciones en Data Product Studio
- 5.4 Object Store
- 5.4.1 Funciones del Object Store
- 5.4.2 SQL en archivos
- 5.4.3 Zero Copy
- 5.5 Inteligencia artificial
- 5.5.1 Aprendizaje automático
- 5.5.2 Gráfico de conocimiento de SAP
- 5.5.3 Agentes
- 5.6 Resumen
- 6 SAP Analytics Cloud: informes de autoservicio
- 6.1 Informes de autoservicio
- 6.1.1 Nuevas interfaces de usuario
- 6.1.2 Ventajas de los informes de autoservicio
- 6.1.3 SAP Analytics Cloud: el análisis es más que la generación de informes
- 6.2 Historias flexibles
- 6.2.1 Tipos de páginas en una historia
- 6.2.2 Elementos de una historia en SAP Analytics Cloud
- 6.2.3 El menú del generador en una historia
- 6.2.4 Otros elementos para informes de autoservicio
- 6.2.5 Textos y elementos de texto en las historias
- 6.2.6 Funciones de navegación en las historias
- 6.2.7 ¿Qué pasa si el autoservicio no es suficiente?
- 6.3 Data Analyzer
- 6.3.1 Conexión de datos en Data Analyzer
- 6.3.2 Elementos de control en Data Analyzer
- 6.3.3 Ventajas y características de Data Analyzer
- 6.4 Modelado flexible
- 6.4.1 Tipos de conexión de datos y sus ventajas y desventajas
- 6.4.2 Creación de modelos para datos importados
- 6.5 Just Ask y soporte de IA con Joule
- 6.5.1 Implementación de Just Ask
- 6.5.2 Otras funcionalidades basadas en IA
- 6.6 Resumen
- 7 SAP Analytics Cloud: planificación integrada
- 7.1 Dimensiones de la integración de la planificación
- 7.2 Enfoques arquitectónicos para la planificación con SAP Analytics Cloud
- 7.2.1 Enfoque arquitectónico centrado en SAP S/4HANA
- 7.2.2 Enfoque arquitectónico centrado en el almacén de datos
- 7.2.3 Enfoque arquitectónico híbrido
- 7.3 Planificación sin interrupciones
- 7.4 La función «Brújula»
- 7.5 Resumen
- 8 SAP BDC Cockpit
- 8.1 Activación de SAP BDC y acceso al SAP BDC Cockpit
- 8.2 Aprovisionamiento de los componentes de SAP BDC
- 8.2.1 Uso de configuraciones
- 8.2.2 Implementación de SAP Analytics Cloud
- 8.2.3 Implementación de SAP Datasphere
- 8.2.4 Implementación de SAP Databricks
- 8.3 Gobernanza y seguridad
- 8.4 Paquetes de datos
- 8.4.1 Gobernanza y calidad
- 8.4.2 Uso en análisis e inteligencia artificial
- 8.4.3 Activar un paquete de datos
- 8.4.4 Prácticas recomendadas
- 8.5 Resumen
- 9 Aplicaciones inteligentes
- 9.1 Arquitectura de las aplicaciones inteligentes
- 9.2 Aplicaciones inteligentes para diferentes áreas de negocio
- 9.3 Activación de las aplicaciones inteligentes
- 9.4 Resumen
- PARTE II: Escenarios de implementación para SAP Business Data Cloud
- 10 Situación actual: un enfoque de análisis «best-of-breed»
- 10.1 «Lo mejor de cada tipo» frente a «lo mejor de la suite»
- 10.2 Situación inicial de nuestro caso de uso: la arquitectura «best-of-breed»
- 10.3 Desafíos del enfoque «lo mejor de cada categoría» y soluciones con SAP BDC
- 10.4 Resumen
- 11 Situación actual: planificación financiera basada en Excel
- 11.1 Importancia histórica y papel de Excel
- 11.2 Ventajas de Excel en la planificación empresarial
- 11.2.1 Flexibilidad
- 11.2.2 Disponibilidad y facilidad de uso
- 11.2.3 Funciones versátiles
- 11.2.4 Integración de tecnologías modernas
- 11.3 Debilidades y retos de Microsoft Excel como solución de planificación
- 11.3.1 Tareas manuales
- 11.3.2 Planificación jerárquica y falta de integración
- 11.3.3 Procesos propensos a errores y conocimiento centralizado
- 11.3.4 Escalabilidad y rendimiento limitados
- 11.3.5 Ciclos rígidos de planificación anual
- 11.4 Medidas para reducir los riesgos
- 11.4.1 Análisis de procesos y requisitos
- 11.4.2 Creación de una base de datos sólida
- 11.4.3 Participación de las partes interesadas
- 11.4.4 Relación costo-beneficio
- 11.5 Resumen
- 12 Situación actual: SAP BW 7.5 ya implementado en SAP HANA
- 12.1 Opciones de modernización de SAP BW
- 12.2 Modelo de procedimiento para la toma de decisiones
- 12.3 Ejemplo práctico de una arquitectura híbrida
- 12.4 Resumen
- 13 Situación actual: SAP BW integrado ya no es suficiente
- 13.1 La simplicidad engañosa de SAP BW integrado
- 13.2 Caso práctico: cuando la generación de informes con SAP BW integrado se convierte en un obstáculo
- 13.3 La solución estratégica: un almacén de datos independiente
- 13.4 La hoja de ruta
- 13.5 Resumen
- 14 Situación actual: uso de Databricks Enterprise
- 14.1 Antecedentes tecnológicos de Databricks Enterprise
- 14.2 La gravedad de datos como factor decisivo
- 14.3 SAP Databricks vs. Databricks Enterprise
- 14.4 Conexión de Databricks Enterprise y SAP Databricks con SAP
- 14.4.1 Opción 1: SAP Databricks
- 14.4.2 Opción 2: Databricks Enterprise
- 14.4.3 Opción 3: arquitecturas híbridas
- 14.4.4 Guía para la toma de decisiones
- 14.5 Uso práctico del intercambio de datos sin copia
- 14.6 Resumen
- 15 Situación actual: problemas con la calidad de los datos
- 15.1 La situación inicial: mala calidad de los datos
- 15.2 Dimensiones de calidad de los datos
- 15.3 Implementación de un proyecto de calidad de datos
- 15.4 Vector Engine
- 15.4.1 Integración de Vector Engine en SAP BDC
- 15.4.2 Contribución de Vector Engine a la calidad de los datos
- 15.4.3 Caso de uso de Vector Engine
- 15.5 Resumen
- 16 Situación actual: conjuntos de datos históricos
- 16.1 Volúmenes de datos históricos en el ecosistema SAP: ayer y hoy
- 16.1.1 Retrospectiva
- 16.1.2 Modernización del almacenamiento de datos históricos con SAP Datasphere y SAP BDC
- 16.2 Ejemplo práctico con SAP Datasphere Finance
- 16.2.1 Espacios
- 16.2.2 Base de datos
- 16.2.3 Estructura del modelo con el concepto de capas
- 16.2.4 Valor agregado de los datos históricos y su uso
- 16.3 Resumen
- 17 Situación actual: productos de datos propios del cliente
- 17.1 ¿Qué son los productos de datos propios del cliente?
- 17.1.1 Arquitectura y estructura de los productos de datos propios del cliente
- 17.1.2 Productos de datos de terceros frente a productos de datos propios del cliente
- 17.1.3 Desarrollo y publicación de productos de datos propios del cliente
- 17.2 Caso de uso: compartir productos de datos con plataformas de datos externas
- 17.3 Resumen
- 18 SAP Business Data Cloud como fuente de datos unificada para la IA empresarial
- 18.1 ¿Qué es la IA empresarial?
- 18.2 SAP BDC como base de datos unificada para la IA empresarial
- 18.3 Portafolio de SAP Business AI
- 18.3.1 La gobernanza de datos como facilitadora de la IA empresarial
- 18.3.2 Productos de datos y aplicaciones inteligentes como base para la IA empresarial
- 18.3.3 Integración de la IA empresarial en los procesos operativos
- 18.4 Ejemplo práctico del área de finanzas
- 18.5 Resumen
- 19 Armonización de datos maestros con IA
- 19.1 Introducción a la armonización de datos maestros con IA
- 19.2 Fundamentos técnicos de la armonización de datos maestros
- 19.3 Implementación de la armonización de datos maestros con métodos de IA
- 19.3.1 Los fundamentos: preparación de datos con apoyo de IA
- 19.3.2 Las tareas principales: identificar, agrupar y clasificar
- 19.3.3 Aseguramiento de la calidad y mejora continua
- 19.3.4 Arquitectura objetivo para la armonización de datos maestros
- 19.4 Implementación de la armonización de datos maestros con SAP Databricks y Python
- 19.5 Casos de uso para la armonización de datos maestros con apoyo de IA en SAP BDC
- 19.5.1 Armonización de los datos maestros de clientes para obtener una visión de 360° del cliente
- 19.5.2 Armonización de datos maestros de productos y materiales
- 19.6 Riesgos, limitaciones y factores de éxito
- 19.6.1 Riesgos ocultos: por qué fracasan los proyectos de armonización
- 19.6.2 Factores de éxito para una armonización sostenible
- 19.7 Resumen y perspectivas
- 20 Consolidación sin fisuras basada en SAP Business Data Cloud
- 20 Soluciones de consolidación de SAP existentes
- 20.2 NDC Financial Consolidation
- 20.3 Resumen
- 21 Situación actual: sustituir la planificación manual de volúmenes de ventas
- 21.1 Situación inicial de la planificación de volúmenes de ventas
- 21.2 La práctica actual y sus desventajas
- 21.3 Planificación de volúmenes de ventas en SAP BDC
- 21.3.1 Base de datos centralizada en SAP Datasphere
- 21.3.2 Pronóstico basado en IA con SAP Databricks
- 21.3.3 Prellenado de los formularios de planificación en SAP Analytics Cloud
- 21.4 Resumen
- 22 Cómo dar los primeros pasos con SAP Business Data Cloud
- 22.1 El factor clave para el éxito de su proyecto de SAP BDC
- 22.2 Limitaciones en el alcance funcional de SAP BDC
- 22.3 Resumen
- Anexo
- A Plantilla para un documento de posición: Crear la empresa inteligente en datos
- El equipo de autores
- Índice
SAP Business Data Cloud
Vernetzen Sie Ihre Datenquellen zentral, und schaffen Sie KI-gestützte Analysen mit Mehrwert! Dieses Buch zeigt Ihnen, wie Sie SAP Business Data Cloud für ganzheitliche Datenstrategien nutzen. Lernen Sie alle Komponenten kennen – von SAP Datasphere über SAP Databricks bis zu SAP Analytics Cloud. Erfahren Sie außerdem, wie Sie Ihre bestehende SAP-BW-Landschaft modernisieren und nahtlos in SAP BDC einbinden. Das erfahrene Autorenteam zeigt Ihnen anhand praxisnaher Szenarien, wie Sie Ihre Datenlandschaft modernisieren und zukunftssicher aufstellen.Erfahren Sie in unserem Artikel »Datenprodukte in der SAP BDC« schon vorab, welche zehn Kerneigenschaften ein Datenprodukt erfüllen sollte.
- Architektur verstehen und Potenziale nutzen
- Alle Komponenten von SAP Datasphere über SAP Databricks bis SAP Analytics Cloud
- Konkrete Anwendungsbeispiele für das strategische Datenmanagement mit KI
Du lernst etwas über:
- Die Datenplattform von SAP:
Von SAP Datasphere als Kern über SAP BW/4HANA Private Cloud Edition bis zu SAP Databricks: Verstehen Sie die Architektur von SAP BDC und wie die Komponenten zusammenspielen. Lernen Sie, wie Sie Datenquellen innerhalb und außerhalb des SAP-Ökosystems zentral vernetzen und für Self-Service-BI, KI-gestützte Analysen und Data Governance nutzen.
- Datenprodukte und Object Store:
Bringen Sie Ihre Daten in einen Business-Kontext! Erfahren Sie, wie Sie Datenprodukte aus SAP BW/4HANA, SAP Datasphere und SAP Databricks erstellen und teilen. Nutzen Sie den Object Store als verbindendes Element und setzen Sie SAP Knowledge Graph und Machine Learning für Ihre KI-Anwendungsfälle ein.
- Praxisnahe Einsatzszenarien:
Wie modernisieren Sie ein etabliertes SAP BW 7.5? Wie harmonisieren Sie Stammdaten mit KI? Die Autoren zeigen Ihnen anhand anonymisierter Kundenbeispiele, wie Sie typische Herausforderungen meistern und SAP BDC als einheitliche Datenquelle für Business AI nutzen.
Aus dem Inhalt:
- SAP-BW-Modernisierung
- SAP Datasphere
- Datenintegration und -modellierung
- SAP BW/4HANA Private Cloud Edition
- SAP Databricks und Delta Share
- Datenprodukte und Object Store
- SAP Analytics Cloud
- Seamless Planning und Compass
- Finanzplanung und Self-Service-BI
- SAP BDC Cockpit
- KI-gestützte Stammdatenharmonisierung
- Migration von SAP BW 7.5
Komplettes Inhaltsverzeichnis
- Einleitung
- TEIL I Komponenten der SAP Business Data Cloud
- 1 Einführung in die SAP Business Data Cloud
- 1.1 Einführung in die Architektur der SAP BDC
- 1.2 Analytics mit SAP im Kontext von Big Data und KI
- 1.3 Die SAP BTP als Basis
- 1.3.1 Einführung in die SAP BTP
- 1.3.2 Vorteile der SAP BTP
- 1.3.3 Funktionen der SAP BTP
- 1.4 Mit der SAP BDC Daten in Kontext bringen
- 1.4.1 Kundenbeispiel: Data Governance
- 1.4.2 Der Weg zum datengetriebenen Unternehmen
- 1.5 SAP Business AI: Agenten im Einsatz
- 1.6 Ethik und Recht im Kontext von KI
- 1.6.1 Ethik und KI-Systeme
- 1.6.2 Rechtliche Rahmenbedingungen
- 1.7 Eine gemeinsame Sprache finden in der SAP BDC
- 1.8 Zusammenfassung
- 2 SAP Datasphere als Kern der SAP Business Data Cloud
- 2.1 Die Architektur von SAP Datasphere
- 2.1.1 Datenzugriff
- 2.1.2 Datenspeicherung
- 2.1.3 Anbindung an Consumption-Systeme
- 2.1.4 Programmatische Architektur
- 2.1.5 Governance
- 2.2 Funktionsumfang
- 2.2.1 Datenintegration
- 2.2.2 Space Management
- 2.2.3 Datenmodellierung
- 2.2.4 Semantik
- 2.2.5 Analysemodell
- 2.2.6 Business Modelling
- 2.2.7 Consumption
- 2.2.8 Aufgabenketten
- 2.2.9 Self-Service
- 2.2.10 Data Catalog
- 2.2.11 Transport
- 2.2.12 Zusammenfassung
- 2.3 Datenintegration
- 2.3.1 Konnektivität bereitstellen
- 2.3.2 Datenzugriff herstellen
- 2.3.3 Daten übernehmen und aktualisieren
- 2.3.4 Transformation und Laden
- 2.3.5 Orchestrierung und Betrieb
- 2.3.6 Governance-Leitplanken für die Datenintegration
- 2.3.7 Integration außerhalb der UI
- 2.3.8 Zusammenfassung
- 2.4 Datenmodellierung
- 2.4.1 Grundlagen des Data Builders
- 2.4.2 Semantische Modellierung: Semantic Usage, Fakten, Dimensionen, Texte, Hierarchien
- 2.4.3 Modellierungsansatz entlang der Layer-Architektur
- 2.4.4 Beispiel für einen Modellierungsprozess mit grafischen Views
- 2.4.5 Weitere Funktionen im Data Builder
- 2.4.6 Zusammenfassung
- 2.5 Data Consumption
- 2.5.1 Consumption-Prinzipien und Exponierung in Datasphere
- 2.5.2 Schnittstellen und Protokolle
- 2.5.3 Consumption-Möglichkeiten im Vergleich
- 2.5.4 Berechtigungen und Governance in der Consumption
- 2.6 Zusammenfassung
- 3 SAP Business Warehouse oder SAP BW/4HANA, Private Cloud Edition
- 3.1 Einführung der SAP BDC und Versionen von SAP BW
- 3.1.1 Modellierung in SAP BW
- 3.1.2 Optionen für die Migration
- 3.2 Lift, Shift und Innovate
- 3.2.1 Lift
- 3.2.2 Shift
- 3.2.3 Innovate
- 3.3 Hinweise für SAP-BW-On-Premise-Kunden
- 3.3.1 SAP BW und SAP Datasphere als SideCar
- 3.3.2 SAP BW ohne SAP Datasphere, aber mit SAP Analytics Cloud
- 3.3.3 SAP BW/4HANA mit oder ohne SAP Datasphere, aber mit SAP Analytics Cloud
- 3.4 Hinweise für SAP-BW-Bridge-Kunden
- 3.5 Hinweise für Embedded-SAP-BW-Kunden
- 3.6 Zusammenfassung
- 4 SAP Databricks: Datenaustausch und KI
- 4.1 Kerneigenschaften von SAP Databricks
- 4.1.1 Architektur und Verortung von SAP Databricks in der SAP BDC
- 4.1.2 Entstehung von SAP Databricks
- 4.1.3 Bausteine von SAP Databricks
- 4.1.4 Berechtigungen
- 4.1.5 SAP Databricks Lakehouse
- 4.1.6 End-to-End-Integration: SAP Databricks, SAP Datasphere und SAP Analytics Cloud
- 4.1.7 Abgrenzung von SAP Datasphere und SAP Databricks
- 4.2 Delta Share
- 4.2.1 Benötigte Rollen beim Delta Sharing
- 4.2.2 Verwendung von Datenprodukten in SAP Databricks
- 4.2.3 Umsetzung des Sharings
- 4.2.4 Zurückteilen der Daten in der SAP BDC
- 4.3 Partnerplattformen mit der SAP BDC verbinden
- 4.4 Unity Catalog
- 4.4.1 Metastore im Unity Catalog
- 4.4.2 Objekt-Hierarchie
- 4.4.3 Catalog Explorer, Monitoring und Data Lineage
- 4.5 Notebooks
- 4.5.1 Notebooks in der Anwendung
- 4.5.2 Operationalisierung: Von Notebooks zu produktiven Pipelines
- 4.6 SQL
- 4.6.1 Die Rolle von Databricks SQL in der Architektur von SAP Databricks
- 4.6.2 Databricks SQL für Feature Engineering, Datenprodukte und Self-Service Analytics
- 4.7 Data Science und Mosaic AI
- 4.7.1 MLflow und MLOps
- 4.7.2 Mosaic AI und Agent Tools
- 4.7.3 KI-Agenten und Prozessintelligenz
- 4.8 Zusammenfassung
- 5 Datenprodukte und Object Store
- 5.1 Einordnung von Datenprodukten
- 5.2 Die verschiedenen Arten von Datenprodukten
- 5.2.1 Von SAP verwaltete Datenprodukte
- 5.2.2 Datenprodukte aus dem Data Product Generator für SAP BW
- 5.2.3 Datenprodukte aus SAP Datasphere
- 5.2.4 Datenprodukte aus SAP Databricks
- 5.2.5 Zusammenfassung und Einordnung der Datenprodukte in die SAP BDC
- 5.3 Data Product Studio
- 5.3.1 Datenprodukte mit Data Product Studio entwickeln
- 5.3.2 Berechtigungen in Data Product Studio
- 5.4 Object Store
- 5.4.1 Funktionen des Object Stores
- 5.4.2 SQL on Files
- 5.4.3 Zero Copy
- 5.5 Künstliche Intelligenz
- 5.5.1 Machine Learning
- 5.5.2 SAP Knowledge Graph
- 5.5.3 Agenten
- 5.6 Zusammenfassung
- 6 SAP Analytics Cloud: Self-Service Reporting
- 6.1 Self-Service Reporting
- 6.1.1 Neue Benutzeroberflächen
- 6.1.2 Vorteile von Self-Service Reporting
- 6.1.3 SAP Analytics Cloud – Analytics ist mehr als Reporting
- 6.2 Flexible Storys
- 6.2.1 Seitentypen in einer Story
- 6.2.2 Elemente einer Story in SAP Analytics Cloud
- 6.2.3 Das Builder-Menü in einer Story
- 6.2.4 Weitere Elemente für Self-Service-Berichte
- 6.2.5 Texte und Textelemente in Storys
- 6.2.6 Navigationsfunktionen in Storys
- 6.2.7 Was, wenn Self-Service nicht ausreicht?
- 6.3 Data Analyzer
- 6.3.1 Datenanbindung im Data Analyzer
- 6.3.2 Bedienelemente im Data Analyzer
- 6.3.3 Vorteile und Merkmale des Data Analyzers
- 6.4 Flexible Modellierung
- 6.4.1 Datenverbindungsarten und ihre Vor- und Nachteile
- 6.4.2 Modellerstellung für Import-Daten
- 6.5 Just Ask und KI-Unterstützung mit Joule
- 6.5.1 Just Ask bereitstellen
- 6.5.2 Weitere KI-gestützte Funktionalitäten
- 6.6 Zusammenfassung
- 7 SAP Analytics Cloud: Integriertes Planen
- 7.1 Dimensionen der Integration von Planung
- 7.2 Architekturansätze für die Planung mit SAP Analytics Cloud
- 7.2.1 SAP-S/4HANA-zentrierter Architekturansatz
- 7.2.2 Data-Warehouse-zentrierter Architekturansatz
- 7.2.3 Hybrider Architekturansatz
- 7.3 Seamless Planning
- 7.4 Die Kompass-Funktion
- 7.5 Zusammenfassung
- 8 SAP BDC Cockpit
- 8.1 Aktivierung der SAP BDC und Zugriff auf das SAP BDC Cockpit
- 8.2 Provisionierung der SAP-BDC-Komponenten
- 8.2.1 Verwendung von Formationen
- 8.2.2 Bereitstellung von SAP Analytics Cloud
- 8.2.3 Bereitstellung von SAP Datasphere
- 8.2.4 Bereitstellung von SAP Databricks
- 8.3 Governance und Sicherheit
- 8.4 Data Packages
- 8.4.1 Governance und Qualität
- 8.4.2 Nutzung in Analytics und KI
- 8.4.3 Data Package aktivieren
- 8.4.4 Best Practices
- 8.5 Zusammenfassung
- 9 Intelligent Applications
- 9.1 Architektur der Intelligent Applications
- 9.2 Intelligent Applications für verschiedene Geschäftsbereiche
- 9.3 Intelligent Applications aktivieren
- 9.4 Zusammenfassung
- TEIL II Einsatzszenarien für die SAP Business Data Cloud
- 10 Status quo: Ein Analytics-Best-of-Breed-Ansatz
- 10.1 Best of Breed vs. Best of Suite
- 10.2 Ausgangslage unseres Anwendungsfalls: Die Best-of-Breed-Architektur
- 10.3 Herausforderungen durch Best of Breed und Lösungsansätze mit der SAP BDC
- 10.4 Zusammenfassung
- 11 Status quo: Excel-basierte Finanzplanung
- 11.1 Historische Bedeutung und Rolle von Excel
- 11.2 Vorteile von Excel in der Unternehmensplanung
- 11.2.1 Flexibilität
- 11.2.2 Verfügbarkeit und Benutzerfreundlichkeit
- 11.2.3 Vielfältige Funktionen
- 11.2.4 Integration moderner Technologien
- 11.3 Schwächen und Herausforderungen von Microsoft Excel als Planungslösung
- 11.3.1 Manuelle Tätigkeiten
- 11.3.2 Hierarchische Planung und mangelnde Integration
- 11.3.3 Fehleranfällige Prozesse und zentralisiertes Wissen
- 11.3.4 Begrenzte Skalierbarkeit und Performance
- 11.3.5 Starre Jahresplanungszyklen
- 11.4 Maßnahmen zur Reduzierung von Risiken
- 11.4.1 Prozess- und Anforderungsanalyse
- 11.4.2 Aufbau einer soliden Datengrundlage
- 11.4.3 Einbindung der Beteiligten
- 11.4.4 Kosten-Nutzen-Verhältnis
- 11.5 Zusammenfassung
- 12 Status quo: Etabliertes SAP BW 7.5 on SAP HANA
- 12.1 SAP-BW-Modernisierungsoptionen
- 12.2 Vorgehensmodell für die Entscheidungsfindung
- 12.3 Praxisbeispiel einer hybriden Architektur
- 12.4 Zusammenfassung
- 13 Status quo: Embedded SAP BW reicht nicht mehr aus
- 13.1 Die trügerische Einfachheit von embedded SAP BW
- 13.2 Fallbeispiel: Wenn das Reporting mit embedded SAP BW zum Bremsklotz wird
- 13.3 Der strategische Ausweg: Ein separates Data Warehouse
- 13.4 Die Roadmap
- 13.5 Zusammenfassung
- 14 Status quo: Einsatz von Databricks Enterprise
- 14.1 Technologischer Hintergrund von Databricks Enterprise
- 14.2 Entscheidungsfaktor Data Gravity
- 14.3 SAP Databricks vs. Databricks Enterprise
- 14.4 Databricks Enterprise und SAP Databricks mit SAP verbinden
- 14.4.1 Option 1: SAP Databricks
- 14.4.2 Option 2: Databricks Enterprise
- 14.4.3 Option 3: Hybride Architekturen
- 14.4.4 Entscheidungshilfe
- 14.5 Zero Copy Data Sharing im Einsatz
- 14.6 Zusammenfassung
- 15 Status quo: Probleme mit der Datenqualität
- 15.1 Die Ausgangslage: Schlechte Datenqualität
- 15.2 Qualitätsdimensionen für Daten
- 15.3 Ein Datenqualitätsprojekt umsetzen
- 15.4 Vector Engine
- 15.4.1 Einbindung der Vector Engine in die SAP BDC
- 15.4.2 Beitrag einer Vector Engine zur Datenqualität
- 15.4.3 Anwendungsfall für eine Vector Engine
- 15.5 Zusammenfassung
- 16 Status quo: Historische Datenmengen
- 16.1 Historische Datenmengen im SAP-Ökosystem – damals und heute
- 16.1.1 Rückblick
- 16.1.2 Modernisierung der historischen Datenhaltung mit SAP Datasphere und der SAP BDC
- 16.2 Praxisbeispiel mit SAP Datasphere Finance
- 16.2.1 Spaces
- 16.2.2 Datengrundlage
- 16.2.3 Modellaufbau mit Schichtkonzept
- 16.2.4 Mehrwert historischer Daten und deren Nutzung
- 16.3 Zusammenfassung
- 17 Status quo: Kundeneigene Datenprodukte
- 17.1 Was sind kundeneigene Datenprodukte?
- 17.1.1 Architektur und Aufbau von kundeneigenen Datenprodukten
- 17.1.2 Drittanbieter- vs. kundeneigene Datenprodukte
- 17.1.3 Kundeneigene Datenprodukte entwickeln und freigeben
- 17.2 Anwendungsfall: Datenprodukte mit externen Datenplattformen teilen
- 17.3 Zusammenfassung
- 18 Die SAP Business Data Cloud als einheitliche Datenquelle für Business AI
- 18.1 Was ist Business AI?
- 18.2 Die SAP BDC als einheitliche Datenbasis für Business AI
- 18.3 SAP Business AI Portfolio
- 18.3.1 Data Governance als Enabler für Business AI
- 18.3.2 Datenprodukte und Intelligent Applications als Grundlage für Business AI
- 18.3.3 Integration von Business AI in operative Prozesse
- 18.4 Finance-Praxisbeispiel
- 18.5 Zusammenfassung
- 19 Stammdatenharmonisierung mit KI
- 19.1 Einführung in die Stammdatenharmonisierung mit KI
- 19.2 Fachliche Grundlage der Stammdatenharmonisierung
- 19.3 Stammdatenharmonisierung mit KI-Methoden umsetzen
- 19.3.1 Die Grundlagen: Datenaufbereitung mit KI-Unterstützung
- 19.3.2 Die Kernaufgaben: Identifizieren, Gruppieren und Zuordnen
- 19.3.3 Qualitätssicherung und kontinuierliche Verbesserung
- 19.3.4 Zielarchitektur für die Stammdatenharmonisierung
- 19.4 Stammdatenharmonisierung mit SAP Databricks und Python umsetzen
- 19.5 Anwendungsfälle für KI-gestützte Stammdatenharmonisierung in der SAP BDC
- 19.5.1 Harmonisierung von Kundenstammdaten für eine 360°-Customer-View
- 19.5.2 Harmonisierung von Produkt- und Materialstammdaten
- 19.6 Risiken, Grenzen und Erfolgsfaktoren
- 19.6.1 Verborgene Risiken: Warum Harmonisierungprojekte scheitern
- 19.6.2 Erfolgsfaktoren für eine nachhaltige Harmonisierung
- 19.7 Zusammenfassung und Ausblick
- 20 Seamless Consolidation basierend auf der SAP Business Data Cloud
- 20.1 Bestehende SAP-Konsolidierungslösungen
- 20.2 NDC Financial Consolidation
- 20.3 Zusammenfassung
- 21 Status quo: Manuelle Absatzmengenplanung ablösen
- 21.1 Ausgangssituation der Absatzmengenplanung
- 21.2 Die aktuelle Praxis und ihre Nachteile
- 21.3 Absatzmengenplanung in der SAP BDC
- 21.3.1 Zentrale Datenbasis in SAP Datasphere
- 21.3.2 KI-gestützte Prognose mit SAP Databricks
- 21.3.3 Vorbefüllung der Planungsmasken in SAP Analytics Cloud
- 21.4 Zusammenfassung
- 22 Wie Sie mit der SAP Business Data Cloud starten können
- 22.1 Der Erfolgsfaktor für Ihr SAP-BDC-Projekt
- 22.2 Lücken im SAP-BDC-Funktionsumfang
- 22.3 Zusammenfassung
- Anhang
- A Vorlage für ein Positionspapier: Das datenintelligente Unternehmen schaffen
- Das Autorenteam
- Index
