SAP Business Data Cloud
Centralize your data sources and create AI-powered analyses that deliver real value! This book shows you how to use SAP Business Data Cloud for holistic data strategies. Get to know all the components—from SAP Datasphere to SAP Databricks to SAP Analytics Cloud. You’ll also learn how to modernize your existing SAP BW landscape and seamlessly integrate it into SAP BDC. The experienced team of authors uses real-world scenarios to show you how to modernize your data landscape and make it future-proof. Get a sneak peek in our article “Data Products in SAP BDC” to learn about the ten core characteristics a data product should have.
- Understanding the Architecture and Leveraging Its Potential
- All components from SAP Datasphere to SAP Databricks to SAP Analytics Cloud
- Concrete application examples for strategic data management with AI
You'll learn about:
- The SAP Data Platform:
From SAP Datasphere at the core, through SAP BW/4HANA Private Cloud Edition, to SAP Databricks: Understand the architecture of SAP BDC and how its components work together. Learn how to centrally connect data sources both within and outside the SAP ecosystem and leverage them for self-service BI, AI-powered analytics, and data governance.
- Data Products and Object Store:
Put your data into a business context! Learn how to create and share data products from SAP BW/4HANA, SAP Datasphere, and SAP Databricks. Use the Object Store as a connecting element and leverage the SAP Knowledge Graph and machine learning for your AI use cases.
- Practical Use Cases:
How do you modernize an established SAP BW 7.5 system? How do you harmonize master data using AI? Using anonymized customer examples, the authors show you how to overcome typical challenges and use SAP BDC as a unified data source for Business AI.
Key Highlights:
- SAP BW Modernization
- SAP Datasphere
- Data integration and modeling
- SAP BW/4HANA Private Cloud Edition
- SAP Databricks and Delta Share
- Data Products and Object Store
- SAP Analytics Cloud
- Seamless Planning and Compass
- Financial Planning and Self-Service BI
- SAP BDC Cockpit
- AI-powered Master Data Harmonization
- Migration from SAP BW 7.5
View Full Table of Contents
- Introduction
- PART I Components of the SAP Business Data Cloud
- 1 Introduction to the SAP Business Data Cloud
- 1.1 Introduction to the Architecture of the SAP BDC
- 1.2 Analytics with SAP in the Context of Big Data and AI
- 1.3 SAP BTP as the Foundation
- 1.3.1 Introduction to SAP BTP
- 1.3.2 Benefits of SAP BTP
- 1.3.3 Features of SAP BTP
- 1.4 Putting Data into Context with SAP BDC
- 1.4.1 Customer Example: Data Governance
- 1.4.2 The Path to a Data-Driven Enterprise
- 1.5 SAP Business AI: Agents in Action
- 1.6 Ethics and Law in the Context of AI
- 1.6.1 Ethics and AI Systems
- 1.6.2 Legal Framework
- 1.7 Finding a Common Language in the SAP BDC
- 1.8 Summary
- 2 SAP Datasphere as the Core of the SAP Business Data Cloud
- 2.1 The Architecture of SAP Datasphere
- 2.1.1 Data Access
- 2.1.2 Data Storage
- 2.1.3 Integration with Consumption Systems
- 2.1.4 Programmatic Architecture
- 2.1.5 Governance
- 2.2 Scope of Functions
- 2.2.1 Data Integration
- 2.2.2 Space Management
- 2.2.3 Data Modeling
- 2.2.4 Semantics
- 2.2.5 Analysis Model
- 2.2.6 Business Modeling
- 2.2.7 Consumption
- 2.2.8 Task Chains
- 2.2.9 Self-Service
- 2.2.10 Data Catalog
- 2.2.11 Transport
- 2.2.12 Summary
- 2.3 Data Integration
- 2.3.1 Providing Connectivity
- 2.3.2 Establishing Data Access
- 2.3.3 Importing and Updating Data
- 2.3.4 Transformation and Loading
- 2.3.5 Orchestration and Operations
- 2.3.6 Governance Guidelines for Data Integration
- 2.3.7 Integration Outside the UI
- 2.3.8 Summary
- 2.4 Data Modeling
- 2.4.1 Fundamentals of the Data Builder
- 2.4.2 Semantic Modeling: Semantic Usage, Facts, Dimensions, Texts, Hierarchies
- 2.4.3 Modeling Approach Based on the Layer Architecture
- 2.4.4 Example of a Modeling Process with Graphical Views
- 2.4.5 Additional Features in Data Builder
- 2.4.6 Summary
- 2.5 Data Consumption
- 2.5.1 Consumption Principles and Exposure in Datasphere
- 2.5.2 Interfaces and Protocols
- 2.5.3 Comparison of Consumption Options
- 2.5.4 Permissions and Governance in Consumption
- 2.6 Summary
- 3 SAP Business Warehouse or SAP BW/4HANA, Private Cloud Edition
- 3.1 Introduction to SAP BDC and Versions of SAP BW
- 3.1.1 Modeling in SAP BW
- 3.1.2 Migration Options
- 3.2 Lift, Shift, and Innovate
- 3.2.1 Lift
- 3.2.2 Shift
- 3.2.3 Innovate
- 3.3 Notes for SAP BW On-Premise Customers
- 3.3.1 SAP BW and SAP Datasphere as a SideCar
- 3.3.2 SAP BW without SAP Datasphere, but with SAP Analytics Cloud
- 3.3.3 SAP BW/4HANA with or without SAP Datasphere, but with SAP Analytics Cloud
- 3.4 Notes for SAP BW Bridge Customers
- 3.5 Notes for Embedded SAP BW Customers
- 3.6 Summary
- 4 SAP Databricks: Data Exchange and AI
- 4.1 Key Features of SAP Databricks
- 4.1.1 Architecture and Positioning of SAP Databricks within the SAP BDC
- 4.1.2 The Origins of SAP Databricks
- 4.1.3 Components of SAP Databricks
- 4.1.4 Permissions
- 4.1.5 SAP Databricks Lakehouse
- 4.1.6 End-to-End Integration: SAP Databricks, SAP Datasphere, and SAP Analytics Cloud
- 4.1.7 Distinguishing Between SAP Datasphere and SAP Databricks
- 4.2 Delta Share
- 4.2.1 Required Roles for Delta Sharing
- 4.2.2 Using Data Products in SAP Databricks
- 4.2.3 Implementing Data Sharing
- 4.2.4 Re-partitioning Data in SAP BDC
- 4.3 Connecting Partner Platforms to SAP BDC
- 4.4 Unity Catalog
- 4.4.1 Metastore in Unity Catalog
- 4.4.2 Object Hierarchy
- 4.4.3 Catalog Explorer, Monitoring, and Data Lineage
- 4.5 Notebooks
- 4.5.1 Notebooks in the Application
- 4.5.2 Operationalization: From Notebooks to Production Pipelines
- 4.6 SQL
- 4.6.1 The Role of Databricks SQL in the SAP Databricks Architecture
- 4.6.2 Databricks SQL for Feature Engineering, Data Products, and Self-Service Analytics
- 4.7 Data Science and Mosaic AI
- 4.7.1 MLflow and MLOps
- 4.7.2 Mosaic AI and Agent Tools
- 4.7.3 AI Agents and Process Intelligence
- 4.8 Summary
- 5 Data Products and Object Store
- 5.1 Classification of Data Products
- 5.2 The Different Types of Data Products
- 5.2.1 SAP-Managed Data Products
- 5.2.2 Data Products from the Data Product Generator for SAP BW
- 5.2.3 Data Products from SAP Datasphere
- 5.2.4 Data Products from SAP Databricks
- 5.2.5 Summary and Classification of Data Products in SAP BDC
- 5.3 Data Product Studio
- 5.3.1 Developing Data Products with Data Product Studio
- 5.3.2 Permissions in Data Product Studio
- 5.4 Object Store
- 5.4.1 Object Store Functions
- 5.4.2 SQL on Files
- 5.4.3 Zero Copy
- 5.5 Artificial Intelligence
- 5.5.1 Machine Learning
- 5.5.2 SAP Knowledge Graph
- 5.5.3 Agents
- 5.6 Summary
- 6 SAP Analytics Cloud: Self-Service Reporting
- 6.1 Self-Service Reporting
- 6.1.1 New User Interfaces
- 6.1.2 Benefits of Self-Service Reporting
- 6.1.3 SAP Analytics Cloud – Analytics Is More Than Just Reporting
- 6.2 Flexible Stories
- 6.2.1 Page Types in a Story
- 6.2.2 Elements of a Story in SAP Analytics Cloud
- 6.2.3 The Builder Menu in a Story
- 6.2.4 Additional Elements for Self-Service Reports
- 6.2.5 Text and Text Elements in Stories
- 6.2.6 Navigation Functions in Stories
- 6.2.7 What if Self-Service Isn’t Enough?
- 6.3 Data Analyzer
- 6.3.1 Data Connection in Data Analyzer
- 6.3.2 Controls in Data Analyzer
- 6.3.3 Advantages and Features of Data Analyzer
- 6.4 Flexible Modeling
- 6.4.1 Types of Data Connections and Their Advantages and Disadvantages
- 6.4.2 Model Creation for Imported Data
- 6.5 Just Ask and AI Support with Joule
- 6.5.1 Setting Up Just Ask
- 6.5.2 Additional AI-Powered Features
- 6.6 Summary
- 7 SAP Analytics Cloud: Integrated Planning
- 7.1 Dimensions of Planning Integration
- 7.2 Architectural Approaches for Planning with SAP Analytics Cloud
- 7.2.1 SAP S/4HANA-Centric Architectural Approach
- 7.2.2 Data Warehouse-Centric Architecture Approach
- 7.2.3 Hybrid Architectural Approach
- 7.3 Seamless Planning
- 7.4 The Compass Feature
- 7.5 Summary
- 8 SAP BDC Cockpit
- 8.1 Enabling SAP BDC and Accessing the SAP BDC Cockpit
- 8.2 Provisioning the SAP BDC Components
- 8.2.1 Using Formations
- 8.2.2 Deploying SAP Analytics Cloud
- 8.2.3 Deploying SAP Datasphere
- 8.2.4 Deploying SAP Databricks
- 8.3 Governance and Security
- 8.4 Data Packages
- 8.4.1 Governance and Quality
- 8.4.2 Use in Analytics and AI
- 8.4.3 Activating a Data Package
- 8.4.4 Best Practices
- 8.5 Summary
- 9 Intelligent Applications
- 9.1 Architecture of Intelligent Applications
- 9.2 Intelligent Applications for Various Business Areas
- 9.3 Enabling Intelligent Applications
- 9.4 Summary
- PART II Use Cases for the SAP Business Data Cloud
- 10 Current Situation: A Best-of-Breed Analytics Approach
- 10.1 Best-of-Breed vs. Best-of-Suite
- 10.2 Starting Point for Our Use Case: The Best-of-Breed Architecture
- 10.3 Challenges Posed by a Best-of-Breed Approach and Solutions Using the SAP BDC
- 10.4 Summary
- 11 Current Situation: Excel-Based Financial Planning
- 11.1 Historical Significance and Role of Excel
- 11.2 Advantages of Excel in Corporate Planning
- 11.2.1 Flexibility
- 11.2.2 Availability and Ease of Use
- 11.2.3 Wide Range of Functions
- 11.2.4 Integration of Modern Technologies
- 11.3 Weaknesses and Challenges of Microsoft Excel as a Planning Solution
- 11.3.1 Manual Tasks
- 11.3.2 Hierarchical Planning and Lack of Integration
- 11.3.3 Error-Prone Processes and Centralized Knowledge
- 11.3.4 Limited Scalability and Performance
- 11.3.5 Rigid Annual Planning Cycles
- 11.4 Measures to Reduce Risks
- 11.4.1 Process and Requirements Analysis
- 11.4.2 Establishing a Solid Data Foundation
- 11.4.3 Involvement of Stakeholders
- 11.4.4 Cost-Benefit Ratio
- 11.5 Summary
- 12 Current Status: Established SAP BW 7.5 on SAP HANA
- 12.1 SAP BW Modernization Options
- 12.2 Process Model for Decision-Making
- 12.3 Practical Example of a Hybrid Architecture
- 12.4 Summary
- 13 Current Situation: Embedded SAP BW Is No Longer Sufficient
- 13.1 The Deceptive Simplicity of Embedded SAP BW
- 13.2 Case Study: When Reporting with Embedded SAP BW Becomes a Hindrance
- 13.3 The Strategic Solution: A Separate Data Warehouse
- 13.4 The Roadmap
- 13.5 Summary
- 14 Current Situation: Use of Databricks Enterprise
- 14.1 Technological Background of Databricks Enterprise
- 14.2 Data Gravity as a Decisive Factor
- 14.3 SAP Databricks vs. Databricks Enterprise
- 14.4 Connecting Databricks Enterprise and SAP Databricks to SAP
- 14.4.1 Option 1: SAP Databricks
- 14.4.2 Option 2: Databricks Enterprise
- 14.4.3 Option 3: Hybrid Architectures
- 14.4.4 Decision-Making Guide
- 14.5 Zero-Copy Data Sharing in Practice
- 14.6 Summary
- 15 Current Situation: Data Quality Issues
- 15.1 The Current Situation: Poor Data Quality
- 15.2 Dimensions of Data Quality
- 15.3 Implementing a Data Quality Project
- 15.4 Vector Engine
- 15.4.1 Integrating the Vector Engine into SAP BDC
- 15.4.2 How the Vector Engine Contributes to Data Quality
- 15.4.3 Use Case for a Vector Engine
- 15.5 Summary
- 16 Current Situation: Historical Data Sets
- 16.1 Historical Data Sets in the SAP Ecosystem—Then and Now
- 16.1.1 A Look Back
- 16.1.2 Modernizing Historical Data Management with SAP Datasphere and SAP BDC
- 16.2 Practical Example with SAP Datasphere Finance
- 16.2.1 Spaces
- 16.2.2 Data Foundation
- 16.2.3 Model Structure Using a Layered Approach
- 16.2.4 Added Value of Historical Data and Its Use
- 16.3 Summary
- 17 Current Situation: Customer-Owned Data Products
- 17.1 What Are Customer-Specific Data Products?
- 17.1.1 Architecture and Structure of Customer-Owned Data Products
- 17.1.2 Third-Party vs. Customer-Owned Data Products
- 17.1.3 Developing and Sharing Customer-Owned Data Products
- 17.2 Use Case: Sharing Data Products with External Data Platforms
- 17.3 Summary
- 18 The SAP Business Data Cloud as a Unified Data Source for Business AI
- 18.1 What Is Business AI?
- 18.2 The SAP BDC as a Unified Data Source for Business AI
- 18.3 SAP Business AI Portfolio
- 18.3.1 Data Governance as an Enabler for Business AI
- 18.3.2 Data Products and Intelligent Applications as the Foundation for Business AI
- 18.3.3 Integration of Business AI into Operational Processes
- 18.4 Finance Case Study
- 18.5 Summary
- 19 Master Data Harmonization with AI
- 19.1 Introduction to Master Data Harmonization with AI
- 19.2 Technical Foundations of Master Data Harmonization
- 19.3 Implementing Master Data Harmonization Using AI Methods
- 19.3.1 The Basics: Data Preparation with AI Support
- 19.3.2 The Core Tasks: Identifying, Grouping, and Assigning
- 19.3.3 Quality Assurance and Continuous Improvement
- 19.3.4 Target Architecture for Master Data Harmonization
- 19.4 Implementing Master Data Harmonization with SAP Databricks and Python
- 19.5 Use Cases for AI-Supported Master Data Harmonization in SAP BDC
- 19.5.1 Harmonizing Customer Master Data for a 360° Customer View
- 19.5.2 Harmonization of Product and Material Master Data
- 19.6 Risks, Limitations, and Success Factors
- 19.6.1 Hidden Risks: Why Harmonization Projects Fail
- 19.6.2 Success Factors for Sustainable Harmonization
- 19.7 Summary and Outlook
- 20 Seamless Consolidation Based on the SAP Business Data Cloud
- 20.1 Existing SAP Consolidation Solutions
- 20.2 NDC Financial Consolidation
- 20.3 Summary
- 21 Current Situation: Replacing Manual Sales Volume Planning
- 21.1 Current Situation in Sales Volume Planning
- 21.2 Current Practices and Their Disadvantages
- 21.3 Sales Volume Planning in SAP BDC
- 21.3.1 Centralized Data Repository in SAP Datasphere
- 21.3.2 AI-powered forecasting with SAP Databricks
- 21.3.3 Pre-filling Planning Templates in SAP Analytics Cloud
- 21.4 Summary
- 22 How to Get Started with SAP Business Data Cloud
- 22.1 The Key to Success for Your SAP BDC Project
- 22.2 Gaps in the SAP BDC Feature Set
- 22.3 Summary
- Appendix
- A Template for a Position Paper: Creating the Data-Intelligent Enterprise
- The Authoring Team
- Index
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
