Data & Analytics Strategie mit Fokus auf SAP Datasphere

Als Nachfolger von SAP Lumira bietet die SAP Analytics Cloud:

• Erstellung von Dashboards ohne Programmierkenntnisse
• Verbesserte Benutzerfreundlichkeit im Browser-Interface
• Integration von fortgeschrittenen Analysefunktionen…

SAP Analytics Cloud ist die Analytics-Lösung, in der man im Self-Service Dashboards bauen kann ohne JavaScript-Kenntnisse. Die frühere Trennung in SAC Stories und Analytics-Applications gibt es nicht mehr, das lässt sich inzwischen alles in einem User Interface machen und ist somit viel anwenderfreundlicher.

SAC funktioniert bestmöglich auch mit SAP Datenquellen, die man von dort in einer Live Connection lesen kann, also ohne Daten zu verschieben. Neu ist, dass in diesem Quartal, in der QRC-Version, auch eine Live Connection zu Google Big Query bereitsteht, ohne dass Daten repliziert werden müssen. SAP kümmert sich auch um externe Lösungen, die bei Kunden beliebt sind.

Natürlich kann man mit SAC auch planen, das ist ein weiteres Kernstück der Lösung. Ganz neu ist, dass man auch auf Planungsmodelle von SAP Datasphere aus zugreifen kann und Daten nicht mehr in SAC repliziert werden müssen.

Alle Datenbanken bauen auf der SAP HANA Cloud Datenbank auf, dem Cloud Stack der allseits bekannten HANA mit ihrer Memory Engine. SAP HANA kann natürlich viel mehr. Eine Graph Engine, eine Spatial Engine, eine Vector Engine, die sich die Features zunutze machen. Applikationen lassen sich auch nativ auf HANA entwickeln, zum Beispiel mit dem Cloud Application Programming Model.

Abb. 3: SAP Datasphere als Basis eines Business Data Fabric

Ein wichtiges Konzept von SAP Datasphere ist das Governance-Konzept, das hier „Spaces“ genannt wird. SAP Datasphere ist sehr dezentral. Spaces sind sogenannte in sich geschlossene Entitäten, die zum Beispiel Teams abdecken können. Zum Beispiel hat jedes Team seine eigenen Datenverbindungen und Datenobjekte wie Tabellen, Views oder fertige Modelle, die sie aber auch nach außen teilen können. Das beseitigt das Problem mit der Anfrage von Berechtigungen bei der nächsten IT-Instanz. Im eigenen Space ist nur das eigene Team unterwegs und man kann administrieren, worauf man zugreifen kann.

SAP Datasphere ermöglicht sehr viele SAP und nicht-SAP-Datenverbindungen, und zwar native SQL-Verbindungen, nicht nur data-basiert, JDBC-basiert oder ODBT-basiert, wie im BW. Object Stores, auf die SAP Wettbewerber wegen der besseren Skalierung ihre Lösungen aufsetzen, wurde in diesem Quartal in Datasphere integriert.
Das bedeutet, dass Daten, die man lädt, nicht nur auf der HANA-Datenbank abspeichert, die physisch limitiert ist als relationale Datenbank, sondern hoch skalierbar jetzt auch im eigenen Bereich, im gemanagten SAP Object Store für Datasphere mit Namen HANA-Data Lake Files. So kann man zwischen Compute und Storage trennen (dies hatten Snowflakes und Salesforce lange voraus insbesonderen für den unstrukturierten Thera Massenbereich.)

Abb. 4: Replication Flow in SAP Datasphere

Erwähnt werden soll auch der Replication Flow, der erweiterte Möglichkeiten für den Datentransfer bietet. Er unterstützt vielfältige Quell- und Zielsysteme, sowohl SAP als auch Nicht-SAP Systeme, wie auf der rechten Seite in Abb. 4 zu sehen, und ermöglicht den direkten Datentransfer zwischen externen Systemen, beispielsweise von Confluent zu Google Big Query, ohne Zwischenspeicherung in Datasphere.

Es ist geeignet für unstrukturierte Massendaten im hohen Terabyte-Bereich und inkludiert einen Object Store für Daten aus Sensorik und anderen hochfrequenten Quellen. Außerdem bietet es Delta-Funktionalität und Monitoring-Tools.

Diese Technologie hebt den Datentransfer auf ein neues Niveau und ermöglicht flexible Datenintegration zwischen verschiedenen Systemen.

Semantik in der Datenanalyse bedeutet, Daten aus Tabellen und Views logisch zusammenzuführen, um einen Kontext zu schaffen. Dieser Prozess verwandelt lose Tabellen in ein „Datenprodukt“, das Schlussfolgerungen ermöglicht. S/4HANA implementiert dies durch das Virtual Data Model (VDM), das ABAP-CDS-Views als Ziel hat. Der Mehrwert liegt darin, dass flache Tabellen einen Analyse-Mehrwert erhalten, der vom System dynamisch berechnet wird.

CDS-Views sind keine persistenten Datenbankobjekte, sondern werden zur Laufzeit berechnet, ähnlich wie Multi-Provider oder Composite Provider im BW.
Diese Herangehensweise ermöglicht eine flexible und effiziente Datenanalyse ohne zusätzlichen Speicherbedarf für berechnete Daten.

Abb. 5: Semantik SAP Datasphere

Semantik Onboarding in SAP Datasphere:
Vordefinierte Datenmodelle (Business Content) stellen fertige Datasphere-Datenmodelle bereit. Diese sind systemagnostisch und einfach zu installieren, erweiterbar und für verschiedene SAP-Quellsysteme verfügbar (S/4HANA, SuccessFactors, Ariba). Die User müssen nur die Datenverbindung zum Quellsystem herstellen.

Kontextuelle Datenprodukte können mit unterschiedlichen Datenquellen geteilt werden und sind über den Datasphere Data Marketplace oder Partner erhältlich. Zu externen Datenanbietern gehören beispielsweise auch Eurostat (Europäische Statistikbehörde) oder der IVW (Informationsgemeinschaft zur Feststellung der Verbreitung von Werbeträgern) als weitere Anbieter. Eigene Datenmodelle können mit externen Daten angereichert werden.
Diese Funktionen ermöglichen es Nutzern, vordefinierte Modelle zu verwenden, eigene Daten zu teilen und externe Datenquellen zur Anreicherung ihrer Analysen zu nutzen.

Ein einfaches Beispiel aus einem S/4HANA-System: Kunden haben Produkte gekauft, wodurch Bestellungen (Orders) generiert wurden.
Herausforderungen für Business-User: Sie benötigen zusätzliche Attribute wie Bestellstatus, das Kundenalter für Marktanalysen, Währungsumrechnungen, mehrsprachige Übersetzungen, Auswertung nach Produkthierarchien, Auswertung komplexer Berechnungen.

Abb. 6: Erhalt von Business Context in SAP Datasphere

Vorteile von SAP Datasphere: Es greift auf den „blauen Layer“ zu, der den Kontext aus dem S/4-System enthält, nutzt vorhandene Aufbereitungen und Berechnungen und vermeidet mühsames Nachbauen von Funktionalitäten.
Beim Vergleich mit Konkurrenzprodukten geht beim Laden von SAP-Daten in nicht-SAP Objektspeicher der Business-Kontext verloren und erfordert ein aufwändiges Zusammenführen von Tabellen und das Nachbauen von Berechnungen.
Hauptvorteil von SAP Datasphere: Es ermöglicht die bestmögliche Aufbereitung von SAP-Daten für Analyse- und Planungszwecke und erhält die Rekontextualisierung der Quelldaten.

Leyh hält fest:

„Mit SAP Datasphere greifen Sie auf diesen blauen Layer zu und nutzen den eins zu eins mit dem Kon-text aus dem S4-System, den wir für Sie gebaut haben oder Sie selbst oder Ihre Kollgen aus dem S/4 gebaut haben. Das geht nur mit SAP. Das ist unser Unique Selling Point und deswegen reite ich hier so drauf rum, weil ich möchte, dass Sie das mitnehmen. Die Aufbereitung von SAP-Daten für Analyse- und Planungszwecke funktioniert bestmöglich mit unserer Software SAP Datasphere.“

Das Beispiel unterstreicht den Vorteil von SAP Datasphere bei der Verarbeitung und Analyse von SAP-Daten, indem es den ursprünglichen Business-Kontext beibehält und aufwändige manuelle Nachbearbeitungen vermeidet.

Die Vision von SAP Datasphere umfasst die Entwicklung einer „SAP-Fully-Managed-Data-Product-Plattform“. Das bedeutet, dass die Bereitstellung, das Management, Import und Überwachung von Daten durch SAP in einem Object-Store erfolgt für bessere Skalierbarkeit. Der Business Kontext würde in Datasphere und SAC aufsetzen.

Das würde einen vereinfachten Zugriff auf aktuelle produktive Daten ermöglichen nach der Aktivierung von Content (z.B. Dashboards) und es wäre keine manuelle Einrichtung von Datenverbindungen erforderlich, das übernähme die SAP.

Interessant wäre auch die dynamische Einbindung kundenspezifischer Erweiterungen und die verbesserte Zusammenarbeit mit Partnern. Dann könnten Daten außerhalb des SAP-Toolings angereichert werden (z.B. mit AI-Bibliotheken) und ein einfacherer Datenaustausch durch Open-Source-Schnittstellen (z.B. Delta Tab-le, Data Share) stattfinden.

Nächstes Jahr wird Leyh mehr dazu erzählen können.

Abb. 7: Vision für SAP Datasphere

Die Beschäftigung mit Gen AI fokussiert sich v.a. auf die Natural Language Query mit dem „JustAsk“ Chatbot, wo man einfache Datenabfragen in natürlicher Sprache stellen kann. Das Ergebnis kann gleich in das Dashboard eingebaut werden. Künftig wird der Co-Pilot „Joule“ in SAC integriert werden.

Zur Veranschaulichung wird im Film ein komplettes Dashboard durch einfache Eingabe eines Prompts erstellt. Im Film ist zu sehen, dass die Anwenderinnen und Anwender keine manuellen Anpassungen vornehmen müssen. Sie können dem Chatbot „Joule“ Fragen zum Dashboard stellen, dieser liefert Zusammenfassungen und Erkenntnisse aus den Daten.

Mit dynamischen Simulationen hat man die Möglichkeit, Szenarien wie Kostenreduzierungen zu simulieren. „Wie viel Ergebnis hätte ich mehr, wenn ich die Kosten reduziere?“ Es erfolgt eine sofortige Anpassung des Dashboards basierend auf den Simulationsergebnissen.

Mit einer Monte Carlo Simulation lassen sich pessimistische, realistische und optimistische Szenarien erstellen. Auch Faktoren wie die Inflationsrate oder Gehaltserhöhungen lassen sich einbeziehen. Dies wird Anfang des nächsten Jahres möglich sein.

Zur Integration mit neuen Technologien wird die Kompatibilität mit Apple Vision Pro demonstriert, was die Nutzung von SAC in Virtual Reality ermöglicht.

Die Datenanalyse und Entscheidungsfindung wird durch KI-gestützte Tools und intuitive Benutzeroberflächen wesentlich vereinfacht.

Abb. 8: Generative AI in SAP Analytics Cloud

Diese Visionen zielen darauf ab, den Umgang mit Daten für SAP-Kunden zu vereinfachen und die Nutzung von KI-Technologien in Datenanalyse und -management zu fördern.

Abb. 9: Generative AI in SAP Datasphere

Der Knowledge Graph in SAP Datasphere ist eine wichtige Funktion, die einen Überblick darüber gibt, wie Daten in der Systemlandschaft eines Unternehmens miteinander zusammenhängen. Hauptmerkmale und Funktionen des Knowledge Graphs sind die Automatische Erstellung einer Ontologie, die Beziehungen zwischen Daten visualisiert, die Darstellung von Datenabhängigkeiten und -zusammenhängen, die Integration mit dem Co-Pilot (Joule) für KI-gestützte Analysen und die Möglichkeit zur manuellen Erweiterung des Datenmodells im Ontologie-Editor.

Im gezeigten Beispielsfilm konnte der Knowledge Graph folgende Frage beantworten:
„Welche Promotion-Kampagne hatte die beste Auswirkung auf die Verkäufe?“
Die Antwort lautete, dass eine Mountainbike-Kampagne die beste Conversion-Rate von 5% erzielte. Dies bedeutet, dass 5% der Kunden, die ein Prospekt über das neue Mountainbike erhielten, auch eines kauften. Bei anderen Kunden, denen eine E-Mail geschickt wurde über ein anderes Bike, kam weniger heraus. Mit Hilfe eines solchen Knowledge-Graphen erfährt man viel mehr über die Daten, indem man einfach eine Frage stellt, ohne dass man selbst oder der IT-Businesspartner unglaublich viele Data-Analyst-Operationen manuell ausführen lassen muss.