Klaus-Peter Sauer - SAP Data Warehouse Cloud

Gleichzeitig lassen sich über ein offenes SQL-Schema die Bibliotheken für maschinelles Lernen aus dem HANA-Cloud-Scriptserver nutzen, um Data-Science-Projekte auf den vorhandenen Datenbeständen durchzuführen.

Für Analytics-Werkzeuge von Drittanbietern steht ebenfalls eine SQL-Schnittstelle zur Verfügung. Die weitere Roadmap sieht darüber hinaus Schnittstellen auf der Ebene von Spaces und der Datenmodellierung vor, über die Data-Warehouse-Cloud-Objekte von externen Werkzeugen erzeugt werden können.

Wie viele moderne Software-Umgebungen unterscheidet Data Warehouse Cloud zwei Phasen:

1. Design-Time (Entwurf): Die Design-Time beschreibt das Objekt beim Entwurf, wie z.B. die Definition einer Tabelle. Beim Speichern werden die Metadaten im lokalen Repository abgelegt. Um die Tabelle in anderen Modellen weiterzuverwenden oder mit Daten zu befüllen, muss sie schließlich als Runtime-Objekt in der Datenbank erzeugt werden.

2. Runtime (Laufzeit): Nach der Implementierung (Deployment) können Sie die Daten über das Laufzeitobjekt auswerten.

Anwendungsfälle, Einsatzszenarien, Use Cases – die Verwendung von Software-Produkten lässt sich mit verschiedenen Begriffen beschreiben. Sehr oft hängt dieser vom individuellen Blickwinkel des Betrachters ab. Den Anwendungsfällen liegt eine systemorientierte Sichtweise zugrunde.

Der Begriff hybrid wird in der IT-Branche mit vielfältiger Bedeutung verwendet. In diesem Zusammenhang wird darunter die nahtlose Integration vorhandener Data-Warehouse-Systeme mit Data Warehouse Cloud verstanden. In Kapitel 5erfahren Sie Details zu den Möglichkeiten hybrider Einsatzszenarien von Data Warehouse Cloud, insbesondere mit SAP BW, BW/4HANA und SQL-basierten Data Warehouses mit SAP HANA.

Die Lösung eignet sich sehr gut zum Aufbau von cloudbasierten Data Marts , also für Teile des gesamten Datenbestands. In den zuvor benannten Spaces werden neue Data Marts aufgebaut und die Daten bei Bedarf mit anderen geteilt – ebenfalls, ohne eine Datenkopie erzeugen zu müssen. Das können Daten für neue Projekte oder für Ihren Start in die Cloud sein. Diese Data Marts können auch zu einem Data Warehouse heranwachsen und so applikationsübergreifende Szenarien abbilden.

Wie zuvor erwähnt, ermöglicht die Self-Service-Modellierung das Erstellen neuer Modelle und Analysen, über die Endanwender zügig zu neuen Erkenntnissen (Time-to-Value) gelangen. Die IT kann gleichzeitig über unterschiedliche Spaces die Datendemokratisierung im Unternehmen weiter vorantreiben und Data-Science-Projekte der Fachabteilung durch die Verwendung der HANA-Cloud-Bibliotheken für maschinelles Lernen unterstützen.

Technisch ist SAP Data Warehouse Cloud auf SAP HANA Cloud als Datenbankplattform und SAP Analytics Cloud aufgebaut. So bedient sich die Applikation bei der Persistenz etwa an den Services von SAP HANA Cloud und beim Benutzer- und Rollenkonzept an einigen Services von SAP Analytics Cloud.

Abbildung 1.1 stellt die wesentlichen Funktionsbereiche und Software-Komponenten vereinfacht dar.

Abbildung 1.1: Architektur von SAP Data Warehouse Cloud

Sie können cloudbasierte sowie klassische On-Premises-Quellsysteme an Data Warehouse Cloud anschließen. Einige unterstützen den virtuellen Zugriff oder eine Echtzeitreplikation, manche auch nur Batch-Ladungen für Datenflüsse. Welche Konnektoren Data Warehouse Cloud bietet und welche Datentransferverfahren diese jeweils unterstützen, erfahren Sie in Abschnitt 2.4. Daneben gibt es eine Schnittstelle ( Application Programming Interface , kurz API ) für externe Werkzeuge von Drittanbietern, um das System mit Daten zu befüllen.

Daten lassen sich persistent speichern. Dafür stehen Ihnen drei Bereiche zur Verfügung:

Hauptspeicher (In-Memory)

SSD (Solid State Drive)

Relationaler Data Lake

Letzterer steht seit Mitte 2020 in den meisten Rechenzentren weltweit zur Verfügung und kann optional dazugekauft werden.

Wie eingangs schon erwähnt, sind SAP Analytics Cloud und Data Warehouse Cloud eng miteinander verzahnt, obwohl es sich lizenzseitig um zwei verschiedene Cloud-Lösungen handelt. Deshalb ist Analytics Cloud mit einer gestrichelten Linie in der Grafik umrandet, ebenso wie die externen Werkzeuge der SAP Business Technology Platform und anderer Anbieter.

Zur Datenkonsumierung steht ein weiteres API zur Verfügung, um externe Visualisierungswerkzeuge von Drittanbietern anschließen zu können.

Spaces sind die virtuellen und isolierten Arbeitsbereiche, in denen die Objekte wie Tabellen, Views, Business-Entitäten etc. zugeordnet und verwaltet werden (siehe Kapitel 2).

Die Business-Modellierung (siehe Kapitel 4) bietet die Möglichkeit, komplexe und technische Datenmodelle in Objekte mit normaler Sprache umzuwandeln. Hierauf, wie auch auf den Business-Katalog, werde ich in Kapitel 3genauer eingehen.

Administration und Security schließlich beschäftigen sich mit der Verwaltung und Absicherung der Lösung (siehe Kapitel 6).

Sobald für Sie ein Benutzer in einem SAP-Data-Warehouse-Cloud-System erstellt wurde, erhalten Sie eine E-Mail zur Begrüßung. Wenn Sie der Systemeigentümer sind (mehr dazu finden Sie in Kapitel 6), dann melden Sie sich über diese E-Mail erstmals am System an und aktivieren gleichzeitig Ihren Tenant. In beiden Fällen kommen Sie nach erfolgreicher Anmeldung zur Startseite (siehe Abbildung 1.2).

Abbildung 1.2: Data Warehouse Cloud – Startseite

Die Startseite gliedert sich in mehrere Bereiche:

Oben befindet sich die Kopfzeilemit diversen Funktionen.

Über die Menüleisteauf der linken Seite navigieren Sie zu den einzelnen Komponenten.

In der Mitte der Startseite wird ein Schnellmenüangeboten. Wie der Name schon sagt, erreichen Sie darüber unmittelbar die drei Komponenten Spaces , Data Builder und Story Builder .

Unterhalb des Schnellmenüs finden Sie aktuelle Blogszur Lösung.

Oben rechts können Sie direkt ein Feedbackzur Lösung geben oder Ihre Ideen in die Community einbringen.