SAP BDC: Erfolg durch Partnerschaften

Viele SAP-Kunden haben in den letzten Jahren Databricks, Snowflake oder ähnliche Plattformen als günstige, objektbasierte Datenlayer mit offenen Tabellenformaten wie Delta oder Iceberg etabliert und greifen von dort aus mit Tools wie Power BI oder anderen Frontend-Tools auf SAP-Daten zu.

SAP lief dadurch Gefahr, vom vollwertigen Datenmanagement-Anbieter zum reinen Datenlieferanten zu werden, wenn sich Kunden-Logik und Innovation dauerhaft außerhalb der SAP-Plattform ansiedeln.

Statt gegen diese Landschaft zu arbeiten, setzt SAP daher auf Partnerschaft: SAP BDC soll SAP-Datenprodukte und Governance liefern, während spezialisierte Tools wie Databricks besonders starke Data-Engineering-, Data-Science- und AI/ML-Szenarien adressieren. Durch Zero-Copy-Ansätze über offene Formate werden teure, redundante Datenreplikationen reduziert.

Zwei Varianten der Zusammenarbeit:
SAP bietet bei der Partnerschaft mit Anbietern wie Databricks oder Snowflake zwei Modelle an:.

• In Variante 1 vertreibt und betreibt SAP die Lösung selbst, die Daten bleiben vollständig in der SAP-Umgebung und werden föderiert verarbeitet. Das ist ideal für Kunden, die Databricks oder Snowflake bisher noch nicht nutzen und ohne redundante Kopien von SAP-Daten starten wollen.
• Variante 2 richtet sich an Kunden, die bereits eigene Enterprise-Instanzen von Databricks, Snowflake, Google BigQuery oder Microsoft Fabric im Einsatz haben und diese nun mit Business-Data-Cloud-Datenprodukten verbinden möchten. Hier werden Daten bidirektional und Zero-Copy zwischen BDC und den bestehenden Plattformen geteilt. Für den Datenaustausch über Rechenzentrums- oder Cloud-Grenzen fällt eine vergleichsweise geringe Gebühr an, die deutlich unter den Kosten einer vollständigen physischen Extraktion der SAP-Daten liegt.

Ein im Webinar genanntes Beispiel zeigt, dass reiner Lesezugriff über Delta Sharing massiv günstiger sein kann als das vollständige physische Herausladen von SAP-Daten.

Abb. 2: Gründe für die Partnerschaft mit externen Software-Anbietern, Quelle: SAP SE

Vor BDC war die Datenextraktion aus SAP technisch und finanziell aufwendig: Man musste rohe ABAP-Tabellen ohne Semantik exportieren und die komplette Logik extern, etwa in Snowflake, neu nachbauen.

Mit BDC stehen zwar semantisch angereicherte Datenprodukte zur Verfügung, für die klassische physische Ausleitung wird aber zusätzlich eine Premium-Outbound-Integration benötigt, die hohe Kosten verursacht. Im numerischen Beispiel zeigt Leyh, dass das reine Lesen von 1 TB über Enterprise Databricks etwa 250 Euro kostet, während das physische Herausladen desselben Datenvolumens aus SAP in einen Object Store rund 8.200 Euro verschlingen würde. Das ist ein recht deutlicher Hinweis, dass sich Zero-Copy-Ansätze wirtschaftlich mehr lohnen.

Abb. 3: Hohe Kosten für die Extraktion und Duplikation von SAP Daten in Drittanbieter-Software, Quelle. SAP SE

SAP Databricks ist eine von SAP vollständig gemanagte OEM-Variante der Databricks-Plattform, die direkt in die BDC-Core-Lizenz eingebettet wird – inklusive Zugriff über die BDC-Umgebung und Verbrauch über einheitliche Compute-Units. Kunden können diese Compute-Units flexibel zwischen SAP Analytics Cloud, SAP Datasphere und SAP Databricks aufteilen und erhalten so moderne Notebook-, Python- und SQL-Umgebungen für Data-Science- und AI-Szenarien auf Basis von BDC-Datenprodukten.

Databricks bietet ein starkes Pro-Code-Toolset für Data Scientists und Python-Developer, mit dem sich Daten unterschiedlicher Herkunft flexibel transformieren und mit KI-Verfahren weiter anreichern lassen.

Im Vergleich dazu ist SAP Datasphere eher als No-/Low-Code-Plattform positioniert und bietet nicht die gleiche Tiefe und Performance bei komplexen Transformationen wie Databricks.

Besonders betont wird der AI-Agent von SAP Databricks, der aus natürlicher Sprache ausführbaren Python- oder SQL-Code generiert und damit die Rolle klassischer Entwickler verändert, weil KI immer stärker Programmieraufgaben übernimmt.

Abb. 4: Schlüsselmerkmale von SAP Databricks, Quelle SAP SE

BDC Connect ist die technische Drehscheibe für die Zero-Copy-Integration zwischen BDC-Datenprodukten und bestehenden Plattformen wie Enterprise Databricks, Snowflake, Google BigQuery und zukünftig Microsoft Fabric.

Unter der Haube setzt SAP auf einen Delta-Sharing-Server und bewährte Sicherheitsmechanismen, um bidirektionalen, fein steuerbaren Zugriff auf SAP-Datenprodukte zu ermöglichen.

Es entstehen zwei zentrale Szenarien:

• „Greenfield“, bei dem Kunden über SAP Databricks oder SAP Snowflake direkt aus der BDC-Core-Welt heraus starten, und
• „Brownfield“, in dem bestehende Enterprise-Instanzen über BDC Connect an die Business Data Cloud angebunden werden. In diesem Szenario fallen im Vergleich zur klassischen physischen Extraktion lediglich relativ geringe Gebühren für den Zero-Copy-Lesezugriff an, während semantische Konsistenz und Governance der SAP-Daten erhalten bleiben.

In der Brownfield-Variante adressiert SAP Kunden, die Databricks, Snowflake, Google BigQuery oder künftig Microsoft Fabric bereits im Einsatz haben und diese mit BDC-Datenprodukten verbinden möchten. BDC Connect stellt dafür eine Partnerschnittstelle bereit, die über einen integrierten Delta-Server Zero-Copy-Delta-Sharing in beide Richtungen ermöglicht und dabei gängige Sicherheitsstandards wie mTLS und OpenID Connect nutzt.

BigQuery und Snowflake werden in diesem Szenario zunächst ausschließlich als Enterprise-Varianten angebunden, also nicht als von SAP vertriebene „Greenfield“-Lösungen; für diese Plattformen ist BDC Connect aktuell der einzige Weg an BDC-Datenprodukte. Gleichzeitig erweitert SAP den Partnerkreis kontinuierlich, sodass neben den bestehenden vier Anbietern perspektivisch weitere hinzukommen können.

 

Abb. 5: Übersicht über BDC Connect, Quelle: SAP SE

Für Enterprise Databricks stehen prinzipiell dieselben Integrationsmöglichkeiten wie für SAP Databricks zur Verfügung, inklusive Zugriff auf BDC-Datenprodukte. Darüber hinaus bietet Enterprise Databricks jedoch zusätzliche Funktionen, etwa besonders rechenintensive Transformationen auf eigenen Compute-Clustern sowie ein breites Ökosystem an Konnektoren (z. B. für Tableau, Qlik, Power BI, Informatica oder Alteryx), die in der serverlosen OEM-Variante SAP Databricks so nicht verfügbar sind.

 

Abb. 6: BDC Connect für Enterprise Databricks, Quelle SAP SE

Für Snowflake verfolgt SAP das Ziel, die eigene OEM-Variante „SAP Snowflake“ funktional möglichst deckungsgleich mit der Enterprise-Version zu gestalten. Snowflake kann – ähnlich wie Databricks – Daten sehr performant verarbeiten und bringt mit Snowconvert AI ein starkes KI-Werkzeug mit, das bestehende Datenmodell-Logik aus Systemen wie Teradata oder Oracle nach Snowflake überführen kann.

Die Anbindung an die SAP Business Data Cloud erfolgt über BDC Connect und ist ab dem 1. Halbjahr 2026 geplant – zunächst dort, wo BDC und Snowflake auf demselben Hyperscaler laufen, beginnend mit AWS-Rechenzentren. Perspektivisch sollen auch Google- und Microsoft-Umgebungen folgen; parallel stehen Databricks-Integrationen über BDC Connect bereits jetzt auf allen großen Hyperscalern zur Verfügung, inklusive Cross-Hyperscaler-Szenarien (z. B. BDC auf AWS, Enterprise Databricks auf Azure).

In der Demo geht es um ein Attrition-Modell. Dies ist ein psychologisches Konzept, das erklärt, wie sich Organisationskulturen entwickeln, indem es den Kreislauf von Anziehung (Attraction), Auswahl (Selection) und Ausscheiden (Attrition) von Mitarbeitern beschreibt.

Im Fallbeispiel nutzt Anna, die HR-Verantwortliche, zunächst eine vorkonfigurierte People-Intelligence-App auf Basis von SAP SuccessFactors-Daten, um Fluktuation und Austrittsgründe in SAP Analytics Cloud zu analysieren. Auffällig hohe Kündigungen in bestimmten Rollen und Zeiträumen führen zur Frage, ob sich mit Hilfe einer kürzlich durchgeführten Mitarbeiterbefragung zukünftige Austritte besser vorhersagen lassen.

 

Abb. 7: Fallbeispiel für SAP Databricks Demo für ein HR Attrition Use-Case, Quelle: SAP SE

Derek, ein Data Modeler, teilt daraufhin das zugrunde liegende Workforce-Datenprodukt aus BDC via Delta Sharing mit einem SAP-Databricks-Workspace, wo Allen, ein Data Scientist, die Daten mit Umfrageergebnissen (z. B. Zufriedenheit mit Führungskraft, Karrierechancen, Work-Life-Balance) anreichert, anonymisiert und mit Python-Libraries analysiert. Mithilfe von Korrelationsanalysen und einem Klassifikationsmodell werden Einflussfaktoren auf Mitarbeiterfluktuation identifiziert. SHAP-Werte machen transparent, wie stark etwa Rolle, Alter, Firmenzugehörigkeit und wahrgenommene Attraktivität des Arbeitgebers zur Abwanderungswahrscheinlichkeit beitragen. (SHAP-Werte ergeben sich aus der Differenz zwischen dem erwarteten Modelloutput und dem tatsächlichen Output für einen bestimmten Input.)

Das trainierte Attrition-Modell und die abgeleiteten Vorhersagen werden anschließend zurück in den BDC-Katalog publiziert, in SAP Datasphere als zusätzliche Tabellen in ein bestehendes analytisches Modell integriert und schließlich in die HR-App übernommen.

Die HR-Verantwortliche sieht nun direkt in SAC, welche Mitarbeitergruppen mit hoher Wahrscheinlichkeit das Unternehmen verlassen werden und welche Treiber (z. B. Gehalt, Karrierepfad, Angebote am Markt) dominieren – ergänzt durch erklärende Texte aus SAP AI Core.

 

Abb. 8: Screenshot der Demo, wie die Ergebnisse des Vorhersagemodells mit AI Foundation erklärt werden, Quelle: SAP SE

• “Wie kann eine Integration zwischen SAP Databricks und Azure Databricks aussehen. Was ist dafür erforderlich?“
  Constantin Leyh rät davon ab, SAP Databricks und Azure Databricks parallel zu nutzen, wenn der Kunde Azure Databricks bereits lizenziert hat. Stattdessen sollte besser direkt über BDC Connect auf das beste-hende Azure Databricks zugegriffen werden, um das breitere Feature-Set (z. B. dedizierte Compute-Server, Power BI-Integration) zu nutzen. Technisch wäre ein Sharing zwischen beiden möglich: Ein angereichertes Datenprodukt aus SAP Databricks wird via SDK im BDC-Katalog publiziert, von dort aus über BDC Connect (separat zu lizenzieren) mit Azure Databricks geteilt. Premium-Share-Gebühren fallen jedoch an, weshalb es sich empfiehlt, auf eine Plattform zu fokussieren, idealerweise das vorhandene Azure Databricks.