The following sessions are part of L4-DE:
Session 1 – ETL-Processing I includes:
L4-DE – Best Practices for Data Engineering
Top SAP Community D&A Blogs Q1/2023
Meine Top Blogs to read:
- 09.01.2023 – How to run a HANA Stored Procedure in SAP Data Warehouse Cloud from SAP Analytics Cloud
- 31.01.2023 – Building an End-To-End Machine Learning Solution for Product Inspection Centered On SAP Kyma
- 03.02.2023 – Announcement: New series exploring the SAP Analytics Cloud Data Export API – aktuell 3 Blogs!
- 03.02.2023 – Working with the Embedded Data Lake in SAP Data Warehouse Cloud
- 08.02.2023 – Major release of Data Analyzer for the next level of Data Exploration in SAP Analytics Cloud
- 13.02.2023 – Preparing an Analytical Data Model for HANA Cloud A ShowCase
Bonus Blog:
Automating SAP BTP setup with Terraform – Infrastructure as Code for Cloud Foundry and Kyma Environments – Weil IoC eine coole Sache ist 🙂
Aktuelle ChatGPT & Analytics Blogs:
S/4HANA – Die Zahlen – Q3/2022-Editon
Es wird immer herausfordernder, die Zahlen für neue S/4HANA-Kunden zu finden. Wie es aussieht, mag SAP nur noch Cloud-Umsätze und das Cloud-Backlog in € ausweisen. Konkrete Verkaufszahlen für Q3/2022 wurden daher nicht genannt, wie auch Gartner bemerkt „SAP did not disclose any SAP S/4HANA or RISE with SAP sales numbers, as Q3 is normally a slow quarter compared to the stronger Q4, when the SAP fiscal year ends.“
Aus dem Ergebnis-Call kann man folgendes entnehmen:
„We are clearly expanding our leadership in ERP with net new customers once again representing nearly 60% of our new S/4HANA deals in Q3, together nearly 800 go-lives.“ und „We are seeing strong year-over-year take-up since we introduced our RISE offering at the beginning of 2021. Overall, there are nearly 2,500 customers running in over 100 SAP and partner data centers around the globe who have selected RISE with SAP to transform their business processes and IT landscapes.„
Die Zahlen sind deshalb so spannend, weil bei dem absehbaren Trend die Ziele Richtung 2027 bzw. mit Verlängerung und 2% Wartungsaufschlag noch bis 2030 als schwer erreichbar gesehen werden können. Bis dahin müssten dann alle Kunden vom klassischen SAP ECC auf S/4HANA gewechselt haben. Mit RISE ist höchstens eine Verschiebung Richtung Cloud, jedoch keine Beschleunigung der Lizenzverkäufe sichtbar.
Warum dies für die Data & Analytics-Leute interessant ist, habe ich bereits in meinem vorherigen Blog dargestellt.
Das ganze wird dadurch erschwert, dass es nur Schätzungen darüber gibt, wieviele SAP ERP-Kunden (SAP ECC + SAP S/4HANA) es eigentlich aktuell gibt. Meine letzten Annahmen haben das Wachstum an Neukunden mit eingerechnet. Jedoch ist natürlich wenig darüber bekannt, ob auch Kunden von SAP auf Nicht-SAP-Lösungen im ERP-Umfeld wechseln. Zahlen von 35.000-40.000 werden schon seit Jahren spekuliert. Typischerweise sind rund 60% aller neuer Lizenzen Neukunden.
Die organgen Zahlen sind interpoliert als Durchschnittswerte. Die frühere Datenreihe hatte nur die Neukunden, nicht die kumulierte Zahl der Kunden. Dies ist nun auch korrigiert.
Bzgl. den Zahlen habe ich jetzt immer gehoft, doch noch irgendwo konkret die Zahlen der Neukunden zu finden. Man könnte jetzt grob ableiten, dass die Cloud-Kunden wiederum 50-60% ausmachen, . Evtl. war hier bisher die Datenlage dünn.
Der Trend zeigt auch bei fehlenden Zahlen in der Adoption keine Beschleunigung:
Natürlich kann man hier nochmal auf das zumindest beim Lizenzgeschäft oft stärkere Q4 warten.
Recap – DSAG JK 2022 – Data & Analytics
Trotz das ich zwei Tage beim DSAG JK war, hatte ich leider kaum Zeit für Vorträge. Gut das die DSAG diese zur Verfügung stellt. Im Folgenden – aus meiner persönlichen Sicht – spannenden Infos aus den Vorträgen.
Spannend ist ja auch immer, was nicht Thema auf der DSAG ist. Von SAP BusinessObjects ist trotz Ankündigung BI 2024 keine Rede und auch vom BW/4HANA hört man doch recht wenig, wie on-premise allgemein kaum eine Rolle spielt.
Die DSAG sieht uns am Beginn eines sich beschleunigenden Veränderungsprozesses. Zum Start hat man alle klassischen Sprüche gesammelt, die man im Kontext „Disruption“ gerne zitiert:
- „Ich glaube an das Pferd. Das Automobil ist nur eine vorübergehende Erscheinung.“ – Kaiser Wilhem II
- „Die Strahlen des Herrn Röntgen werden sich als Betrug herausstellen.“ – Lord Kelvin, 1897
- „Ich denke, dass es weltweit einen Markt für vielleicht fünf Computer gibt.“ – Thomas Watson
- „Der Fernseher wird sich nicht durchsetzen.“ – Daryl F. Zanuck, 1945
- „Es gibt keinen Grund, weshalb jeder einen Computer zu Hause haben sollte.“ – Ken Olsen, 1977
- „In zehn Jahren ist Google tot.“ – Christian Dumont Schütte, 2007
- „Es gibt keine Chance, dass das iPhone einen bedeutenden Marktanteil erobern wird. Keine Chance.“ – Steve Ballmer, 2007
Bei der Frage über den Weg in die Cloud gibt es wohl sehr unterschiedliche Sichtweisen:
Das Strategieupdate für Data & Analytics war überschaubar. Es wird das die Unifed Data & Analytics Strategy gehighlighted:
- Deliver data to value end to end instead of point solutions
- Drive time to value and protect existing investments
- Advance self service decision making
- Enable a central semantical layer to work with data in business terms
- Easily enrich organizations’ data and allow for secure sharing
Geteasert wird im Weiteren ein „New Analytic Model“ für SAP Data Warehouse Cloud sowie eine spezielle Roadmap for BW/4HANA mit einigen Erweiterungen für Hybrid, UX und API-Erweiterung für InfoObjects. SAC und DWC wachsen für die Planung in 2023 zusammen um Planning-as-a-Service zu liefern. Auch rückt der „One Data Catalog“ näher, der Anfang 2023 kommen soll und erstmal SAC, DWC und S/4HANA Cloud im Fokus hat.
Die SAC Roadmap zeigt, dass SAC auch nach Jahren noch stark Innovationen liefert. In den letzten 4 Quartalen wurden 181 Features ausgeliefert, davon 95 Influencer Requests. Von den neuen Features sind die meisten im Bereich Planung (49) und für Reporting, Story und Application Design (46), was als größte Einsatzgebiete aber auch nachvollziehbar ist. Auf der Roadmap stehen neben weiteren Erweiterungen die Integration mit den S/4HANA Planungsfähigkeiten und die bessere Abstimmung (Live-Fokus) mit BPC.
Die SAP HANA Cloud-Roadmap scheint überschaubar, jedoch Stück für Stück entwickelt sie sich weiter. Über das Zusammenspiel mit on-premise gibt es keine Aussage. Aktuell ist das nächste Minor-Release 2.0 SPS07 für 04/2023 angekündigt.
Bei der Vorstellung aktueller Entwicklungen der SAP Business Technology Platform wurden auch die Analytics-Themen gehighligted, richtig greifbar wird hier jedoch nichts gezeigt. Evtl. bringt die TechEd im November mehr.
Neben den offiziellen SAP-Präsentationen gab es natürlich im Bereich Data & Analytics auch einige interessante Kunden- & Technologiepräsentationen.
- Arvato Systems zeigt die optimierung in der Logistik durch Vorhersage des Kundenverhaltens mit SAP Data Intelligence
- Gelsenwasser plant mit SAC, DWC und BW/4HANA seinen Vertrieb
- ISR zeigt, wie SAP Data Warehouse Cloud als Data Warehouse-Lösung einzuschätzen ist
- Miele zeigt, wie man mit SAC im Zusammenspiel mit SAP BW das Financial Performance Management neu aufgesetzt hat
- Mann und Hummel erfindet seine Datenstrategie neu inkl. Data Mesh
- PCS interpretiert die aktuelle BW-Strategie inkl. BW Bridge
- Leipa Group löst ein SQL Data Warehouse mit Tableau-Reporting durch SAP DWC ab
- Tchibo zeigt, wie man mit SAP Analytics und Google Cloud Plattform die Zukunft gestaltet
100 Days of SAP Analytics – 30 Tage
Inspiriert einerseits von Aktionen wie #100DaysOfCode oder #66DaysOfData, andererseits von dem Bedarf bei den vielfältigen Themen im Bereich SAP Data & Analytics auf dem Laufenden zu bleiben, habe ich für mich die Aktion #100DaysOfSAPAnalytics gestartet.
Ziel ist es, jeden (Wochen-)Tag einen Blog in der SAP Community (blogs.sap.com) zu lesen. Das ist aus verschiedenen Gründen nicht zu unterschätzen:
- Die Blogs, die ich lese, sind i. d. R. keine „5 Minuten und gut“-Blogs. Solche gibt es nach wie vor, diese lese oder überfliege ich auch nach wie vor. Meine Blogs wähle ich aus, weil sie tiefer in das Thema gehen. Was oft auch viele Verlinkungen zu anderen Blogs, Dokumentation oder Quellen bedeuted. D. h. damit ist ein gewisser zeitlicher Aufwand verbunden.
- Mein Job hat sich die letzten Monate stark in die Breite entwickelt. Themen rund um SAP Analytics sind nicht die einzigen, über die ich mich auf dem Laufenden halte.
- Typischerweise ist ja der Beruf auch schon anspruchsvoll genug und auch dort lerne ich eine Menge. Man muss sich auch immer fragen, wieviel Zeit man nebenher investiert, da ich die Blogs i. d. R. in meiner Freizeit auswähle und lese. Mit Familie ist die Zeit dann sowieso schon knapp.
Gestartet habe ich am 24.06.2022 mit diesem Tweet:
Kurz darauf war auch der SAP Community-Account darauf aufmerksam geworden und hat mich gefragt, ob ich nicht dazu einen Post in der Coffee Corner der SAP Community Groups machen möchte, was ich dann auch gemacht habe:
Jetzt muss ich sagen, vielleicht war die Coffee Corner nicht der richtige Platz, grundsätzlich sehe ich in den Community-Gruppen eine überschaubare Aktivität. Daher habe ich beschlossen, hier in der regulären SAP Community zu posten und genauer zu erklären, weshalb ich mir die Challenge gesetzt habe. Daher auch der Titel „How do you read a blog? – #100DaysOfSAPAnalytics“ für den Blog, der auch alle gelesenen Blogs verlinkt. Wie oben schon dargestellt, es kann ganz schön aufwendig sein, so einen guten Blog zu lesen. Zu viele Blogs landen irgendwo in meinen Lesezeichen. Denn will man in das Thema etwas eintauchen, benötigt dies eben Zeit:
Nun, eine Überlegung war, von Zeit zu Zeit auch mal ein Zwischenfazit zu machen. Genau das mache ich hier aktuell. Und ich muss zugeben, dies mache ich hier aus dem SAPAnalytix-Blog, weil das für mich am wenigsten aufwendig ist. Den neben dem reinen lesen pflege ich noch eine lange Liste mit aktuell eher 200 lesenswerten Blogs:
Sondern diese bewegt sich auch noch, und ich mache mir zusätzlich Gedanken, welche Themen aufeinander aufbauen, wie ich den Blog in einem Tweet kompakt beschreiben kann usw.
Während die ersten Blogs auf meiner Liste noch stark aus dem Bauch kamen:
Habe ich mittlerweile einiges an Struktur reingebracht und stecke gerade mitten in einem länger laufenden Zyklus zusammenhängender Blogs, welche an entsprechender Stelle durch einführende Blogs unterstützt oder tiefergehende Blogs erweitert werden:
Aktuell folge ich seit Tag 16 einer Blogserie von 7 Blogs, welche um zwei weiter zum Theme AppGyver ergänzt wurden. Ich nutze die Gelegenheit, über weitere Blogs tiefer in Themen wie OData, DevOps, SAP Cloud Application Programming (CAP) und AppGyver reinzukommen. Abgesehen davon zeigt die Blogserie verschiedene Fazetten, wie mit den Data & Analytics Cloud-Services der SAP zusammenhängend gearbeitet werden kann. Soweit ich sehe geht es vielen so wie mir, dass IT-Mitarbeiter und Berater klassisch mit SAP BW und SAP BusinessObjects BI arbeiten und viele in den letzten Jahren mit SAP Analytics Cloud erste Schritte in die Cloud gemacht haben, während sich HANA-Entwicklung weitgehend auf HANA Calculation Views und ABAP-Managed Database Procedures (AMDP) beschränkt. Blogs bieten die hervorragende Möglichkeit nicht nur eine textbasierte, Schritt-für-Schritt SAP Hilfe zu lesen, um ein Thema besser zu verstehen, sondern von den Erfahrungen anderer zu profitieren.
Nach dieser Einführung und Beschreibung der Entwicklung der Idee von #100DaysOfSAPAnalytics möchte ich hier nach zumindest mal 30 Blogs meine Lessons Learned dokumentieren.
- Meine beste Lesezeit für Blogs ist morgens, direkt nach dem aufstehen. Zumindest Montag-Donnerstag. Der Samstag funktioniert für mich garnicht. Da muss ich wohl einfach mal andere Dinge tun. Am Sonntag freue ich mich aber schon darauf, welche Blogs und Themen die nächste Woche bringt und bastle ggf. an meiner Top 100-Liste.
- Mich motiviert es am meisten, spontan einen Blog herauszusuchen. Dafür ist es sehr gut eine Liste mit den aus meiner Sicht besten Blogs zu haben. Mittlerweile habe ich trotzdem eine stärkerer Planung entwickelt, zusammenhängende Blogs bzw. Blogs zum gleichen Thema zu lesen. Dies ist deutlich intensiver und nicht immer voll motivierend. Das Gefühl jedoch, von dem Thema nun wirklich ein gutes Verständnis mit verschiedenen Blickwinkeln zu haben ist jedoch auch sehr wertvoll.
- Oft schaue ich mir Themen an, weil diese für einen Kunden/ein Projekt relevant sind. Nun ist es so, dass man sich aus meiner Sicht Erfahrung deutlich schneller Themen aneignet, wenn die Basics sitzen. Das tägliche Lesen von Blogs ist aus meiner Sicht eine gute Gelegenheit, solche Basics aufzubauen um dadurch bei Bedarf größere Zusammenhänge schneller und besser verstehen zu können.
- Manchmal ist es wichtig, einfach zu starten. Als Side-Project steht nur eine gewisse Zeit am Tag/in der Woche zur Verfügung. Hätte ich erst einen großen Plan gemacht, welches sind die Top 100, wie möchte ich das in der SAP Community oder auf Social Media verarbeiten usw. würde ich wohl heute noch am Konzept arbeiten.
- Man muss sich bewusst machen, wieviel Zeit man investiert. Einerseits, wieviel Zeit man mindestens für am Tag aufbringen kann. Jedoch ist es genauso wichtig Grenzen zu setzen. Wenn es nämlich gut läuft, man z. B. in den sozialen Medien positive Feedbacks bekommt, kann ein das reizen, mehr Zeit zu investieren. Man muss sich seiner weiteren Verantwortungen bewußt bleiben und nicht zu sehr treiben lassen. Aktuell sehe ich meine Zeit für #100DaysOfSAPAnalytics neben doch ein paar anderen Updates zu non-SAP Themen, Familie und Job bei 30-60 Minuten/Tag. Wird es mehr, dann kann ich am nächsten Tag schauen ob ich nochmal die Zeit finde oder die Reise geht einfach weiter. Der Blog „SAP Business Technology Platform – integration aspects in the CI/CD approach“ für Tag 26 war so einer, wo ich mir eingestehen musste, hier gehst du nicht in jeden Link und schaust nicht jedes Video. Für mich habe ich daher eine „Jump and come back“-Regel festgelegt. Geh weiter und wenn du Zeit hast oder das Thema über ander Blogs vertieft hast, schau dir den Blog nochmal mit einem anderen Blickwinkel an.
- Manche Themen sind einfach schwer. Meine Ur-Basics aus dem Studium sind 20 Jahre alt. Lange dachte ich, super, du kannst alles verwerten, was du da gelernt hast. Mittlerweile ist doch sehr viel obsolet. Cloud bringt eine unglaubliche Geschwindigkeit in die Technologieentwicklung und verändert die Art und Weise, wie wir mit Technologie arbeiten. Agile Methoden wie Scrum, DevOps und Design Thinking sind heute die Normalität und die letzten Jahre haben die Digitalisierung und Remote-Arbeit mit Themen wie Video-Calls, digitalen Whiteboards und digitalen Coffee-Calls oder Water Cooler Conversations verändert. Manchmal suche ich 10 Minuten nach dem Kanal, auf dem eine Info kam (E-Mail, MS Teams Einzel-Chat, Gruppen-Chat oder Teams-Kanal, Messenger, usw.) Nicht zuletzt hat sich auch die Art, wie wir lernen verändert. Micro-Learnings, TikTok, YouTube, Tutorials, MOOC, Trials, usw. Nichts ist beständiger als der Wandel. Eine tägliche Dosis hilft hier, dies besser zu verarbeiten.
- Du bist für deinen Erfolg selbst verantwortlich. Täglich in kleinen Dosen zu lernen hilft dir, auf dem Laufenden zu blieben. Wer im IT-Umfeld denkt, die Weiterbildung 3-5 Tage im Jahr, durch meinen Arbeitgeber bringt mich weiter, fällt täglich zurück. Das merkt man Monate, evtl. 1-2 Jahre nicht, gerade wenn bei einem in der Cloud nicht viel passiert. Aber plötzlich steht man da und versteht die Welt nicht mehr. Wissen ist nur der eine Teil, welches man evtl. in ein paar Tagen vermittelt bekommen kann. Erfahrung zu sammeln ist der Andere. Dies geht nur durch kontinuierliches Auseinandersetzen mit den Themen, die in Zukunft auf einen zukommen.
- Stress dich nicht. Ich habe nach Woche 5 eine Pause gemacht, weil ich gemerkt habe, dass ich immer mehr Zeit reinstecke, gleichzeitig in der Arbeit viel los war und andere wichtige Dinge auf der Strecke blieben. Es ist eine Aktivität, die Spaß machen soll, weil ich mich mit für mich interessanten Themen beschäftige. Wenn es mal zäh wird, mach eine Pause (nicht zu lange) und prüfe die Richtung, die investierte Zeit und deine Aktivitäten. Ändere diese auf dass, was wieder mehr Freude macht.
Wie am Freitag zum Wochenabschluss gepostet:
100 Tage sind 20 Wochen – eine ganz schön lange Zeit. Noch 70 Blogs to go. Aber das ist es ja worum es geht. Dran zu bleiben, sich kontinuierlich weiter zu entwickeln, nicht nur Inhalte zu lernen sondern Erfahrungen zu machen. Schauen wir mal, ob ich die Aktion für mich im Dezember 2022 abschließen kann und was bis dahin meine weiteren Lessons Learned waren.
Data-Driven Company
Unternehmen habe weitgehend den Wert von Daten erkannt und nutzen diesen, um die Wertschöpfung zu optimieren. Die großen und Tech-getriebenen Unternehmen wie Amazon, Goolgle, Facebook, Uber, Airbnb oder Spotify zeigen, wie man nicht nur Prozesse optimiert sondern neue datengetriebene Geschäftsmodelle entwickelt und gar ganze Branchen neu erfindet. Eine Umfragen unter den Fortune 1000-Unternehmen zeigt jedoch, dass es trotz hoher Investitionen in Daten und KI-Initiativen herausfordernder als Gedacht sein kann, datengetrieben zu werden.
Neben veralteter Technologie ist die Etablierung einer Data Culture eine der größten Hürden, die dazu führen, dass Unternehmen aus ihren Daten Nutzen ziehen. Nicht umsonst heißt es „Culture eat strategy for breakfast“.
Veränderung jedoch benötigt einen langfristigen Horizont, Fokus und Engagement. Bei den Mitarbeitern müssen die notwendigen Fähigkeiten aufgebaut (Data Literacy) und Interesse und Verständnis für die Veränderung vermittelt werden.
McKinsey hat 7 Merkmale der zukünftigen datengetriebenen Unternehmen identifiziert und zeigt Schlüsselaktivitäten auf:
Daten sind in jede Entscheidung, Interaktion und in alle Prozesse eingebettet
- Eine Vision und Datenstrategie entwickeln, um Transformations-Use Cases mit Daten voranzutreiben
- Technologische Enabler und die richtige Daten- und Analyticsarchitektur einführen
- Data Literacy und Data Culture etablieren
Verarbeitung und Bereitstellung von Daten in Echtzeit
- Eine ganzheitliche Sicht auf die Unternehmensarchitektur entwickeln
- Leistungsfähiges Edge-Computing aufbauen
- Eine moderne mobile Infrastruktur entwickeln
- In-Memory Computing nutzen
Flexible Datenspeicher für integrierte, sofort einsetzbare Daten
- Eine modern Datenarchitektur aufbauen, die flexiblere Speichermöglichkeiten bietet
- Passende Datenmodelle und Digitale Zwillinge aufbauen
Datenorientiertes Betreibsmodell (DataOps) für Data as a Product
- Eine Datenstrategie entwickeln, die datengetriebene Business Cases priorisiert
- Verständnis der Datenquellen und Arten von Daten im Unternehmen aufbauen
- Ein Betriebsmodell für Data Product-Owner und dessen Team etablieren
Erweiterung der CDO-Rolle in Richtung Wertschöpfung
- Data Literacy aufbauen
- Ein ökonomisches Modell nutzen, welches den Nutzwert von Daten berücksichtigt
- Top Datentalente mit Fokus auf Innovationen aufbauen
- Venture Capital-artige Inkubatoren initiieren
Beteiligung an Daten-Ökosystemen sind die Norm
- Übergreifende Datenmodelle nutzen
- Entwicklung von Datenallianzen und Data Shareing-Agreements
Priorisierung und Automatisierung des Datenmanagements für Datenschutz, Datensicherheit und Ausfallsicherheit
- Hervorheben der Datensicherheit im ganzen Unternehmen
- Sensibilisierung der Anwender für personenbezogene Daten
- Automatisierung der Datenbankverwaltung
- Einführung von Cloud-basierte Datensicherheits- und Datenspeicheroptionen
Der Umfang an Daten und die Verfügbarkeit über fortgeschrittene Technologien im Bereich Data & Analytics steigt permanent. Diverse Untersuchungen zeigen, nur rund 20% der Mitarbeiter in Unternehmen verfügen über einen Zugriff auf Business Intelligence-Systeme. Rund 50 % der strukturierten und nur 1 % der unstrukturierten Daten werden zur Entscheidungsfindung genutzt. Etwa die hälfte der Entscheidungen wird lauf Führungskräften auf Basis von Daten getroffen. Nicht jede Entscheidung kann auf Basis von Daten getroffen werden, jedoch ermöglichen Daten, Entscheidungen zu unterstützen und zu verbessern. Gleichzeitig schreitet die Digitale Transformation voran und Unternehmen die Daten zur Automatisierung und Optimierung nutzen bieten Ihren Kunden bessere Services in einer kürzeren Zeit an.
Die beschriebenen Merkmale zeigen, dass für einer Transformation zur Data-Driven Company eine ganzheitliche Sichtweise wichtig ist. Unternehmen müssen sich klar werden, wo sie stehen und über welche Fähigkeiten sie heute verfügen. Danach muss ein klares Zielbild entwickelt werden. Will man Entscheidungen verbessern, dass aktuelle Geschäftsmodell optimieren oder evtl. das ganze Geschäftsmodell mit Hilfe von Daten transformieren. Daraufhin kann man die Datenstrategie, die Datenkultur und die passende Datenplattform ausrichten.
Data Culture
Um mit Daten im Unternehmen erfolgreich zu werden, liegt für viele die Hürde nicht in der Einführung von Technologien, sondern in der Schaffung der richtigen Unternehmenskultur, die die Nutzung von Daten und den Technologien nutzbar macht. Während Data Literacy die Fähigkeit eines Einzelnen beschreibt, mit Daten umzugehen und als Teil einer Data Culture gesehen werden kann, umfasst Data Culture die Fähigkeit und Rahmenbedingungen eines Unternehmens, mit Daten umzugehen und daraus Nutzen zu ziehen. BARC definiert Data Culture wie folgt:
Datenkultur (engl. data culture) ist ein Teilbereich bzw. Ausprägung der Unternehmenskultur. Kultur bezeichnet hier alle gemeinsamen Werte, sozialen Normen und Denkweisen, die das Verhalten der Organisationsmitglieder untereinander und in ihrer Wirkung nach außen bestimmen.
– BARC, 2022
Data Culture beschreibt damit wie datengetrieben ein Unternehmen ist, wie weit auf Basis von Daten Entscheidungen getroffen werden oder sogar das Geschäftsmodell auf Daten ausgerichtet ist.
SAP Indien hat diese Woche einen Artikel veröffentlicht, in dem 8 notwendige Voraussetzungen beschrieben werden, um eine starke Datenkultur zu entwickeln:
Nun ist ein kultureller Wandel deutlich aufwendiger, als die Einführung einer neuen Technologie. Die Veränderung muss aktiv angegangen werden, um den Weg zur erfolgreichen Data-driven Company einzuschlagen. Wo setzt man hier m besten an? Während wir oben sehen, was für die Entwicklung einer Datenkultur wichtig ist, hat sich McKinsey angeschaut, weshalb Data & Analytics-Initiativen und -Programme scheitern:
Dabei lohnt es sich für die Unternehmen, hier den Weg zu gehen. Immer mehr Daten stehen zur Verfügung und immer ausgereifter sind die Möglichkeiten diese nutzbar zu machen. Dort wo dies funktioniert, schaffen es Unternehmen auch signifikante Wettbewerbsvorteile zu erzielen. SAP Indien zeigt in einem weiteren Artikel 5 Wege auf, wie dies gelingen kann:
Nicht umsonst pusht SAP solche Artikel und zeigt die Nutzeneffekte auf. SAP verfügt über ein großes Portfolio an Lösungen im Bereich Data & Analytics, welche hier ihren Platz haben können. Gut dabei ist nicht aus den Augen zu verlieren, das neben der Technologie auch immer die Menschen und Prozess im Kontext der Wertschöpfung stehen und wenn es um Daten geht, diese im Mittelpunkt. Eine einseitige Betrachtung hilft daher wenig und sollte nie im Fokus einer Initiative wie Data Literacy und Data Culture stehen.
Data Literacy im Kontext SAP
Unternehmen erkennen zunehmend, dass die Kompetenz, Daten richtig zu nutzen einen Wettbewerbsvorteil darstellt und durch gezielte Initiativen, jenseits der reinen Schulung von Technologien, gefördert werden kann. Dabei ist u. a. einen eine fordernde und fördernde Datenkultur ein wichtiger Enabler, ebenso wie das Thema Data Governance dabei nicht zu vernachlässigen ist. Eine gängige Definition für Data Literacy (Datenkompetenz) ist:
Data literacy is the ability to read, write and communicate data in context, with an understanding of the data sources and constructs, analytical methods and techniques applied, and the ability to describe the use case application and resulting business value or outcome.
Gartner, 2022
Somit ist Data Literacy erstmal nicht an ein spezielles Werkzeug oder einen Anbieter wie SAP gebunden, sondern stellt eine in einer digitalen Welt zunehmend wichtiger werdende Fähigkeit des einzelnen Mitarbeiters dar.
Die Bundesregierung hat das Thema Datenkompetenz in ihrer 2021 veröffentlichten Datenstrategie aufgegriffen und sieht hier primär den Bedarf von Spezialisten in der Wirtschaft:
Aufgrund veränderter Anforderungen in der Wirtschaft verlangen auch immer mehr Unternehmen vorhandene Datenkompetenz bei ihren Beschäftigten. Der prozentuale Anteil der Datenexperten an der gesamten Beschäftigtenzahl ist zwischen 2013 und 2019 lediglich von 3,0 % auf 3,7 % gestiegen.6 Der Fachkräftemangel im Bereich der Datenexpertinnen und Datenexperten betrug im Jahr 2019 in Deutschland rund 114.000 offene Stellen. Für das Jahr 2025 werden bereits 126.000 unbesetzte Arbeitsplätze für Datenexperten vorausgesagt.
Quelle: Datenstrategie der Bundesregierung, Kabinettfassung, 27. Januar 2021
Ein Blick auf die SAP-Arbeitswelt eines Fachbereichsanwenders, anhand von zwei Beispielen, zeigt schnell typische Herausforderungen von Anwendern die nicht primär Datenexperten sind, jedoch regelmäßig und zunehmend Umgang mit Daten haben.
- SAP stellt für die Arbeit in SAP S/4HANA (ERP) mittlerweile viele analytische Funktionen und Apps zur Verfügung wie z. B. die folgende Einkäufer-App „Monitor Materials Without Contracts„. Basierend auf der SAP HANA Plattform können im typischweise transaktionalen ERP-System analytische und hybrid analytisch-transaktionale Anwendungen als Embedded Analytics bereitgestellt oder sogar selbst erstellt werden:
- SAP pusht im Bereich Analytics die Anwendung SAP Analytics Cloud als anwenderfreundliche, moderne Lösung für Business Intelligence, Planung und Predictive Analytics. Der Kunde kann hier zwischen dem Fast Track (2-wöchentliche Updates) und Quarterly Release Cycle (QRC) wählen. Während die Innovationsgeschwindigkeit positiv aufgenommen wird führen neue, erweiterte und veränderte Features dazu, dass sich Anwender mit permanenten Veränderungen konfrontiert sehen. Ein Auszug aus den Highlights des letzen Quartals gibt hier einen Eindruck:
Die Beispiele zeigen, dass Fachanwender heute einerseits viele Möglichkeiten haben, Daten und analytische Techniken nutzbar zu machen und dabei von den Systemen auch unterstützt werden (z. B. durch Augmented Analytics). Gleichzeitig jedoch sind sie hier auch herausgefordert, dies auch aktiv als Chance zu begreifen und auch dem technologischen Wandel, welcher ihnen Zugang zu den Daten ermöglicht, zu begegnen.
Die Verfügbarkeit und das Verständnis der Daten auf der einen Seite und die Nutzung durch Werkzeuge auf der anderen Seite stellt häufig das Spannungsfeld der Anwender dar.
Data Literacy geht aber noch deutlich weiter. So bietet SAP Data Warehouse Cloud Fachbereichen die Möglichkeit, nicht nur eigene Daten über abgegrenzte Arbeitsbereiche (Spaces) zu verwalten, sondern auch diese zu verarbeiten, zu transformieren und zu integrieren, was ein grundlegendes Verständnis der Daten und datenverarbeitenden Funktionen voraussetzt.
Im Bereich Advanced Analytics hat die SAP den Fachbereichen mit SAP Analytics Cloud Smart Predict (Prognoseverfahren) ein One-Click Machine Learning an die Hand gegeben, welches jedoch immernoch voraussetzt, dass man den grundsätzlichen Anwendungsfall erkennt, die Daten in der richtigen Form zur Verfügung stellt und die Tauglichkeit für einen weitere Nutzung bspw. über Metriken einschätzen kann.
Damit zeigt sich, dass Fachbereich zunehmend Werkzeuge an die Hand bekommen, die den Umgang mit Daten einerseits deutlich einfacher machen, andererseits aber neue Herausforderungen schaffen und dem Anwender die Interpretation – das Lesen der Daten nicht abnimmt. Natürlich können die Aufgaben nach wie vor auf verschiedene Rollen wie Fachbereich, IT und explizite Datenexperten aufgeteilt werden. Nur bringt das den Fachbereich, der letztendlich die Aufgabe hat, mit den Daten Nutzen im Rahmen seiner Arbeit zu erzeugen nicht weiter. Dies muss interaktiv erfolgen, als lernender Prozess verstanden werden und der Anwender muss über das richtige Verständnis verfügen, aus den Daten mit den richtigen Werkzeugen im Kontext seines Prozesse eigenständig Mehrwert zu schaffen. Hier kann eine Data Literacy-Initiative ansetzen.
SAP Data Warehouse Cloud – Teil 5 – Einschätzung als Cloud Data Platform
Cloud-basierte Datenplattformen (Cloud Data Platforms, CDP) stehen aktuell für den modernen Data Stack und beschreiben ein Angebot, welches technisch in der Lage ist, alle Anforderungen an Daten zu erfüllen.
Dabei ist nicht gemeint, eine Datenmangementlösung auf eine Cloud-Infrastruktur zu heben. CDPs nutzen die nativen Fähigkeiten von Cloud-Infrastrukturen und die verfügbaren Dienste, um eine skalierbare, integrierte und umfassende Platform für Datenmanagement und Datenanalyse zu schaffen. Dabei zeichnet sich u. a. eine Entwicklung hin zu dem ab, was aktuell als Data Lakehouse propagiert wird. Eine Datenarchitektur, die nicht nur Data Warehouse– und Data Lake-Fähigkeiten in einer Plattform kombiniert, sondern einen nahtlosen Übergang der Fähigkeiten mit optimalerweise dem Besten aus beiden Welten darstellt.
CDPs finden sich aktuell hauptsächlich bei den großen drei Hyperscalern (Azure, AWS, GCP) sowie darauf aufbauenden Diensten wie z. B. Snowflake oder Cloudera. Diese unterstützen i. d. R. offene Formte und Technologien wie Apache Parquet oder Apache Spark und umfassen Data Piplining-Funktionen und Datenkataloge.
Um SAP Data Warehouse Cloud (DWC) aus der Perspektive einer Cloud Data Platform zu betrachten, muss man sicherlich auf das breitere Produktportfolio rund um SAP Data & Analytics in der Cloud schauen. Die SAP positioniert, wie bereits in Teil 1 dargestellt folgende Produkte als Unified Data & Analytics Portfolio:
- SAP Data Warehouse Cloud (DWC) – Ein Data Warehouse-as-a-Service, welches eine semantische Ebene für Endanwender zur Verfügung stellt
- SAP Analytics Cloud (SAC)- Eine endanwenderorientierte Analytics-Platform für Business Intelligence, Enterprise Planning und Predictive Analytics mit einer hohen Integration in SAP DWC
- SAP HANA Cloud (HC)- Ein Multi-Tiering Datenbankservice, welcher In-Memory Technologie, einen relationalen Data Lake (IQ) sowie File-basierte Data Lake-Funktionen unterstützt sowie weiter Platformservices wie Machine Learning und Integrationsservices bietet und diese auch an DWC zur Verfügung stellt
- SAP Data Intelligence Cloud (DI)- Ein Werkzeug für Datenorchestration, Datenpipelining, Metadatenmanagement und maschinelles Lernen, mit einer hohen Integration mit SAP-Technologien wie SAP Analytics Cloud und SAP HANA Cloud
Einschätzung des SAP Unified Data & Analytics Portfolios als Cloud Data Platform
| CDP Fähigkeit | SAP Data Warehouse Cloud |
|---|---|
| Skalierbarkeit | HANA Cloud: aktuell nur Scale-Up, Scale-Out of der Roadmap, Storage-Skalierung ein stückweit durch Native Storage Extension (NSE) und den integrierten Data Lake möglich. DWC: Scale-Down auf der Roadmap für 2023 |
| Data Catalog | DWC: Rudimentäre Funktionen für Objektsuche und Data Lineage/Impact, umfassenderer Business Data Catalog für Q3/2022 angekündigt DI: Data Catalog und Profiling für übergreifende Datenquellen möglich |
| Data Pipelines | DWC: bedient sich technologisch bei DI, integriert Intelligente Suche und Python-Operator (Data Flow) DI: Data Pipeline als eine der Hauptfunktionen |
| Data Science Lab | DWC: Über Open SQL Schema kann der Zugriff auf die HANA Cloud mit Nutzung der Predictive Analysis Library (PAL) und Automated Predictive Library (APL) und z. B. über die Python Bibliothek hana-ml auf die Daten zugegriffen werden |
| offene Fileformate | HC: Data Lake Files unterstützt Parquet und ORC |
| Data Lake | DWC: Möglichkeit in einem Space den HANA Cloud, Data Lake freizuschalten. Aktuell ist der HANA Cloud Data Lake auf 90 TB limitiert. |
| Schemafreiheit | HANA Cloud unterstützt JSON Document Store |
| Spark-Support | HC: Data Lake Files unterstützt einen Spark-Treiber, bietet jedoch keinen integrierten Service |
Die aufgeführten Fähigkeiten beschreiben sicherlich noch kein vollständiges Bild und jede Ausprägung hat eigene Stärken und Schwächen.
Fazit
Es zeigt sich, das in Kombination mit den andern Lösungen des SAP Unified Data & Analytics Portfolios die DWC hierbei zumindest eine wichtige Rolle als Cloud Data Platform spielen kann, allerdings hier jedoch auch noch einiges in der Roadmap und der zukünftig evtl. noch stärkeren Integration der Möglichkeiten steckt. Mag DWC als CDP aktuell noch nicht auf der gleichen Höhe wie die von anderen Anbietern sein, bleibt die DWC bei der Integration und Anpassung in ein starkes SAP Kundenökosystem voraussichtlich ungeschlagen.
Teil 1 – SAP DWC – Fähigkeiten
Teil 3 – SAP DWC als Erweiterung für SAP BW/4HANA
Teil 4 – SAP DWC als Nachfolger/Ersatz für SAP BW/4HANA
Teil 5 – SAP DWC Einschätzung als Cloud Data Platform
SAP Data Warehouse Cloud – Teil 4 – Nachfolger für SAP BW/4HANA
Für viele Anwendungsunternehmen ist das SAP BW ein hohes, jahrelang aufgebautes Investment und zentraler Bestandteil der Datenstrategie. Durch die zunehmende Digitalisierung einerseits, wie auch hohe Anforderungen an Agilität und User Experience andererseits, werden Datentechnologien permanent vor neue Herausforderungen gestellt.
SAP hat auf diese Anforderungen mit der Weiterentwicklung des BW zu einem BW powered by HANA und zuletzt zum BW/4HANA reagiert. Die HANA-Technologie ermöglicht aufgrund der In-Memory-Technologie eine hochperformante Verarbeitung der Daten zu analytischen Zwecken. Anpassungen wie die Vereinfachung und HANA-Optimierung der Modellierungsobjekte, die feldbasierte Modellierung und Virtualisierungstechnologien wie HANA Smart Data Access (SDA) ermöglicheren agileres Arbeiten und föderiertes Datenmanagement. Die Modellierungsmöglichkeiten für gemischte Szenarien mit HANA Modeling bis hin zur Nutzung der HANA Plattform als HANA SQL Data Warehouse öffnet den SAP-basierten Data Warehouse-Ansatz für Praktiken wie Data Vault und DevOps.
Das Aufkommen von Cloud Data Plattformen
In den letzen Jahren hat es einen starken Aufstieg von Cloud Data Plattformen gegeben. Diese erweitern nicht nur den klassischen Data Warehouse Use Case – strukturierte Daten effizient zu verarbeiten – um Data Lake-Funktionalität zur Verarbeitung Semi- und Unstrukturierter Daten in beliebigem Umfang, sondern ermöglichen eine hohe Elastizität und Skalierbarkeit durch die Trennung der Compute & Storage-Ressourcen und quasi unbegrenzte Scale-Out-Möglichkeiten auf weitere Rechenknoten. Im Weiteren ist die oft geforderte Innovationsgeschwindigkeit sehr hoch und aufwendige Upgrades sind nicht mehr notwendig.
Use Case für SAP Data Warehouse Cloud
Während der HANA Cloud-Service viele der Fähigkeiten entspricht bzw. aktuell zumindest auf der Roadmap stehen (z. B. Scale-out), bietet die technisch weitgehend auf der HANA Cloud basierende DWC zusätzlich Self-Service-Fähigkeiten und eine moderne, anwenderorientiertes Benutzeroberfläche.
Da grundsätzlich die direkte Nutzung der DWC HANA Cloud über Open SQL Schema möglich ist, klingt DWC als Nachfolge eines bisherigen SAP BW-zentrierten Datenmanagement als logischer nächster Schritt, zeichnet sich die DWC doch im Vergleich zu anderen Cloud Data Platformen noch durch eine sehr gute Integration in SAP-Anwendungen und SAP-spezifischen Business Content aus.
Nun kann man im Weiteren die folgenden Aspekte beachten:
- Der Blick auf die DWC Roadmap zeigt, dass an vielen Stellen die DWC selbst noch nicht voll ausgereift ist und vielen Funktionalitäten im Vergleich zu einem SAP BW/4HANA fehlen und ein effizientes Arbeiten in großem Umfang evtl. nicht immer gegeben ist.
- Mit BW Bridge bietet SAP zukünftig einen Weg, Investments in bestehende BW-Systeme in einem gewissen Umfang in die DWC zu übertragen. Einiges steht hier jedoch noch auf der Roadmap, bis dies auch in jedem Fall sinnvoll möglich ist.
Fazit
Auch wenn die Situation und die Möglichkeiten immer individuell betrachtet werden müssen, zeichnet sich in der Tendenz zum jetzigen Zeitpunkt das Bild, dass SAP DWC als Erweiterung mit neuen, auch im BW nicht vorhanden Fähigkeiten, ein empfehlenswerter Schritt sein kann. Auch können speziell die DWC-spezifischen Fähigkeiten durchaus er Grund sein, DWC als Nachfolger für das BW-System in Betracht zu ziehen.
Für Unternehmen, die heute noch keine Data Warehouse-Lösung im Einsatz haben oder sich von einem Nicht-SAP Data Warehouse Richtung SAP orientieren wollen, kann DWC ebenfalls eine sinnvolle Option sein.
Teil 1 – SAP DWC – Fähigkeiten
Teil 3 – SAP DWC als Erweiterung für SAP BW/4HANA
Teil 4 – SAP DWC als Nachfolger für SAP BW/4HANA
SAP Analytix 