im System angelegt. Kapitel 6 beschreibt das Laden der Daten per Datentransferprozess ins SAP-BW/4HANA-System sowie eine Auswertung der Daten im CompositeProvider. Das letzte Kapitel gibt einen Ausblick auf die geplanten Erweiterungen, speziell SAP Data Warehouse Cloud. Gerade die Kapitel 4 bis 6 enthalten sehr viele Übungen, in denen Sie das Vorgehen selbst praktisch am System üben können. Unter jeder Übung befinden sich Screenshots mit der Lösung, die Sie zur Kontrolle nutzen können.
An dieser Stelle vielen Dank an die Lektorin und meine Familie, die mich immer bei diesem Projekt unterstützt haben und ohne deren Hilfe das Buch in dieser Form nie möglich gewesen wäre.
Jetzt wünsche ich Ihnen viel Spaß bei der Lektüre!
Im Text verwenden wir Kästen, um wichtige Informationen besonders hervorzuheben. Jeder Kasten ist zusätzlich mit einem Piktogramm versehen, das diesen genauer klassifiziert:
Hinweis
Hinweise bieten praktische Tipps zum Umgang mit dem jeweiligen Thema.
Beispiel
Beispiele dienen dazu, ein Thema besser zu illustrieren.
Achtung
Warnungen weisen auf mögliche Fehlerquellen oder Stolpersteine im Zusammenhang mit einem Thema hin.
Übungsaufgabe
Übungsaufgaben helfen Ihnen, Ihr Wissen zu festigen und zu vertiefen.
Die Form der Anrede
Um den Lesefluss nicht zu beeinträchtigen, verwenden wir im vorliegenden Buch bei personenbezogenen Substantiven und Pronomen zwar nur die gewohnte männliche Sprachform, meinen aber gleichermaßen Personen weiblichen und diversen Geschlechts.
Hinweis zum Urheberrecht
Sämtliche in diesem Buch abgedruckten Screenshots unterliegen dem Copyright der SAP SE. Alle Rechte an den Screenshots hält die SAP SE. Der Einfachheit halber haben wir im Rest des Buches darauf verzichtet, dies unter jedem Screenshot gesondert auszuweisen.
1 Einführung in SAP Business Warehouse
In diesem Kapitel erhalten Sie eine generelle Einführung in das Thema »Business Intelligence« und einen kurzen Abriss zur Historie von SAP Business Warehouse. Abschließend werden die beiden Produkte SAP BW/4HANA und SAP SQL Data Warehousing kurz dargestellt.
1.1 Einstieg in Business Intelligence
Amazon hat es erfolgreich in seinem Geschäftsmodell eingesetzt: das sogenannte Cross- und Upselling. Mit Cross-Selling ist Folgendes gemeint: Wenn Sie sich auf der Internetseite von Amazon als Benutzer registrieren und nach interessanten Büchern stöbern, so speichert das E-Commerce-Versandhaus die Treffer Ihrer Suche. Sobald Sie das nächste Mal auf die Seite gehen, schlägt Ihnen Amazon weitere Titel vor, die zu Ihren Interessen passen. Unter Upselling ist dagegen zu verstehen, dass Ihnen während Ihrer Suche ein teurerer Artikel oder ein Set, das den gewünschten Artikel enthält, vorgeschlagen werden.
Die diesem Prinzip zugrunde liegende Frage ist: Wie bringe ich als Unternehmen meine Kunden dazu, beim nächsten Online-Besuch nicht nur den gewünschten, sondern eventuell weitere Artikel zu kaufen? Amazon hatte hierzu die entscheidende Idee: Wenn es gelingt, die Suchanfrage der Benutzer zu speichern, über einen Algorithmus verwandte Ergebnisse zu finden und sie dem Interessenten vorzuschlagen, kauft der Kunde eventuell mehr als nur einen Artikel. Die Umsetzung erfolgt mittels einer sogenannten Recommendation Engine [1] bzw. eines Empfehlungsdienstes. Im Hintergrund werden dabei Methoden des Data-Minings aufgerufen, die verwandte oder ergänzende Produkte ermitteln. Data-Mining und Recommendation Engines sind die bekanntesten Beispiele für den Einsatz von Business Intelligence.
Das Gabler Wirtschaftslexikon definiert Business Intelligence wie folgt:
»Sammelbegriff für den IT-gestützten Zugriff auf Informationen, sowie die IT-gestützte Analyse und Aufbereitung dieser Informationen. Ziel dieses Prozesses ist es, aus dem im Unternehmen vorhandenen Wissen neues Wissen zu generieren. Bei diesem neu gewonnenen Wissen soll es sich um relevantes, handlungsorientiertes Wissen handeln, welches Managemententscheidungen zur Steuerung des Unternehmens unterstützt.« [2]
Business Intelligence beinhaltet somit bei Weitem nicht nur die bloße Abfrage von Tabellen und das Anzeigen der Ergebnisse auf einer geeigneten Benutzeroberfläche. Vielmehr ist eines der Ziele, durch den Einsatz von Business-Intelligence-Tools und -Methoden neue Zusammenhänge zwischen Daten zu entdecken, die für die Erschließung neuer Kundenfelder oder die Nutzung alternativer Vertriebswege genutzt werden können.
1.2 Grundkonzepte des Data Warehousing
Neben der Globalisierung hat sich in jüngster Zeit auch die Erkenntnis von der Macht der Daten durchgesetzt. Ein Unternehmen, das in der Lage ist, persönliche Daten von Kunden, wie seine Adresse oder Vorlieben und Interessen, geeignet zu speichern und zu analysieren, hat enorme Wettbewerbsvorteile. So erzielt Facebook den meisten Umsatz nicht mit seiner Webseite oder mobilen App, sondern mit Diensten zur Auswertung der mehr als eine Milliarde Benutzerdaten. In diesem Zusammenhang geriet Cambridge Analytics 2016 in die Schlagzeilen, als herauskam, dass das Unternehmen den Präsidentschaftskandidaten Donald Trump im Kampf um Wählerstimmen mit analytischen Methoden, basierend auf Facebook-Nutzungsdaten, unterstützt habe. Technisch ermöglicht haben dies sogenannte Data Warehouses, die in der Lage sind, sehr große Datenmengen in einer Datenbank zu speichern und die die Möglichkeit bieten, Daten gezielt zu filtern sowie mit statistischen Verfahren der Varianzanalyse oder Stichprobentheorie auf Zusammenhänge zu prüfen. Außerdem lassen sich in kurzer Zeit Rechenoperationen oder Abfragen performant ausführen. 1988 stellte IBM als erstes Unternehmen ein Data Warehouse vor.
1.2.1 Definition Data Warehouse
Das Gabler Wirtschaftslexikon definiert den Begriff »Data Warehouse« als
»… eine von den operativen Datenverarbeitungssystemen separierte Datenbank, auf die nur Lesezugriff besteht. In regelmäßigen Abständen werden aus den operativen DV-Systemen unternehmensspezifische, historische und daher unveränderliche Daten zusammengetragen, vereinheitlicht, nach Nutzungszusammenhängen geordnet, verdichtet und dauerhaft in der Datenbasis des Data Warehouse archiviert. Ziel ist die Verbesserung der unternehmensinternen Informationsversorgung (Wissensmanagement) und damit der Unterstützung strategischer Entscheidungen. Als analytisches System liefert es Informationen zur Problemanalyse – Online Analytical Processing (OLAP) –, die durch die Anwendung von Methoden (z.B. des Data Mining) generiert werden.« [3]
Berichtswesen im Data Warehouse
Im Vordergrund eines Data Warehouse steht weniger das operative als vielmehr das taktische oder strategische Berichtswesen zur optimierten Entscheidungsfindung für das Unternehmensmanagement.
Die Daten aus den operativen Systemen werden in mehreren Schritten verdichtet, vereinheitlicht und geordnet, bis sie für das Berichtswesen im Management den geforderten Aggregierungsgrad aufweisen. Viele Unternehmen betreiben daher in der Praxis ein mehrschichtiges Data Warehouse, wie in Abbildung 1.1 dargestellt.
Abbildung 1.1: Data-Warehouse-Schichten
Die unterste Ebene enthält sehr detailliert operative Daten aus den angeschlossenen Vorsystemen, wie beispielsweise einem ERP- oder CRM-System. Meist finden sich hier die einzelnen Belege wie Bestellungen, Kundenaufträge oder Buchungsbelege aus der Finanzbuchhaltung.