Kapitel 2

Moderne Planung und Analyse mit der SAP Analytics Cloud

IN DIESEM KAPITEL

• Kennenlernen des Einsatzspektrums der SAP Analytics Cloud
• Schwerpunkte der Unterstützung für Planung und Analyse
• Integration als Kernbotschaft der SAP Analytics Cloud

Der Plattformgedanke

Analyse- und Planungswerkzeuge haben sich seit vielen Jahren in Unternehmen etabliert. Ursprünglich in der Konkurrenz zu Tabellenkalkulation und den von spezifischen Anwendungssystemen mitgebrachten Analyse- und Berichtskomponenten stehend, hat sich ein integrierter Ansatz für das Reporting, Dashboarding und die interaktive Analyse bewährt. Solche Plattformen sind in der Regel hoch skalierbar, sodass nicht selten Hunderte, wenn nicht Tausende Anwender auf Unternehmensdaten über ein einheitliches Analysesystem zugreifen können.

Die SAP Analytics Cloud ist eine solche integrierte Analyseumgebung mit der Besonderheit, dass auch Planungsanforderungen umfassend abgedeckt werden. Das Ziel der Entwicklung dieses Werkzeugs war es von Beginn an, einen »One Stop Shop« für alle analytischen Anforderungen anzubieten. Gleichermaßen ist damit eine strategische Produktbereinigung anvisiert worden. Durch diverse Zukäufe hatten sich unterschiedliche Lösungsansätze für unterschiedliche Teilanforderungen etabliert.¹

Die Strategie der SAP ist es, die SAP Analytics Cloud als die Standardlösung zu positionieren, wenn es um Planung und Analytics geht. In diesem Kapitel sollen die wesentlichen Säulen dieses Plattformansatzes skizziert werden.

Die SAP Analytics Cloud ist 2015 auf den Markt gekommen und ist von vornherein als Cloud-Umgebung konzipiert worden. Sie stellt eine universelle Analyseplattform bereit und besteht aus diversen Komponenten.

• Die SAP Analytics Cloud bringt eine eigene Modellierungsumgebung mit. Hierbei ist ein mehrdimensionaler Ansatz gewählt worden. Diese Sicht ist nur virtuell, die Strukturen und Daten werden in relationalen Tabellen in einer SAP-HANA-Datenbank gehalten, die durch die Spalten-orientierte InMemory-Architektur eine hohe Performance ermöglicht.
• Berichte, Planungsmasken und Dashboards sind in sogenannten Storys eingebettet und werden über einen Berichtsgenerator erstellt. Eine erweiterte Interaktion kann mit der in eine Story integrierten Entwicklungsumgebung, die weitere Widgets und Scripting-Möglichkeiten umfasst, oder über die Excel-Integration erreicht werden.
• Eine Besonderheit in Bezug auf die Interaktion stellt der Digital Boardroom dar. Hier sind die Anforderungen an eine hohe Interaktion bei der Analyse, wie es in einem Meeting notwendig ist, umgesetzt worden.
• Insbesondere bei der Planung sind umfassende Verarbeitungen notwendig. Hierzu gehören zum Beispiel Allokationen, Skriptverarbeitungen oder auch Szenarioverwaltungen.
• Neben Planung und Analyse stellt die erweiterte Analyse einen zusätzlichen Funktionsbereich dar. Maschinelles Lernen soll auch von Nichtexperten einsetzbar sein.
• Die Datenversorgung ist nicht alles, aber ohne Datenversorgung ist alles nichts. Es werden leistungsfähige Importwerkzeuge benötigt.

Abbildung 2.1 stellt die verschiedenen Komponenten dar.

Abbildung 2.1: Verschiedenen Komponenten der SAP Analytics Cloud

Visualisierung

Berichtserstellung

Ein wichtiger Punkt ist die Art und Weise, wie Informationen präsentiert werden. Der Trend ging in den letzten Jahren in Richtung Selbstbedienung (Selfservice) beim Reporting und bei der Analyse im Gegensatz zum Redaktionsprinzip, das zwischen dem Berichtsentwickler und dem Berichtskonsumenten unterscheidet. Diese Trennung der Anwendergruppe hinsichtlich ihrer Ziele und Professionalisierung ist wichtig, da Analyseexperten in der Regel anders als gelegentliche Nutzer arbeiten. Häufig ist Expertenwissen notwendig. Dies kann zum Beispiel die Datenaufbereitung und die Berichtserstellung betreffen. Eine Abfrage – in SQL formuliert – ist maximal flexibel, erfordert aber technische Vorkenntnisse. Die eigenständige Erstellung von Abfragen durch den Endanwender ist mit modernen Werkzeugen deutlich einfacher geworden, indem unter anderem die Ergebnisse interaktiv erstellt werden können.

Typische Bausteine einer Analyseumgebung sind Diagramme, Filter oder Tabellen. Diese Objekte werden mit Datenobjekten verbunden. Über die Auswahl von Dimensionen und/oder Kennzahlen beziehungsweise Filterelementen werden beispielsweise die Achsen eines Diagramms oder die Spalten und Zeilen eines Berichts festgelegt. Hierbei ist die Strukturdynamik ein wichtiger Faktor, insbesondere bei Tabellenobjekten: Wenn sich die Strukturen ändern, muss der Bericht dies automatisch berücksichtigen können. So etwas ist mit einer Tabellenkalkulation eher schwer zu realisieren.

Zu berücksichtigen sind aber auch die genutzten Endgeräte. An einen PDF-Bericht werden andere Erwartungen gestellt als an einen Bericht auf dem Smartphone, in dem man navigieren kann. Ein universeller Berichtsgenerator muss beides unterstützen. Deswegen gibt es verschiedene Konzepte wie feste Berichtsstrukturen (Canvas) oder adaptive Berichte (Responsive) für mobile Geräte.

Die Ausgestaltung der Benutzerinteraktion erfolgt über Berichtsmappen, in der SAP Analytics Cloud Storys genannt. Dieses Konstrukt ist die Grundlage der Benutzerkommunikation. Eine Story soll alle Aspekte eines Sachverhalts darstellen und besteht aus einer beliebigen Anzahl an Berichtsseiten. Jede Seite besteht aus Berichtsabschnitten sowie Kopf- und Fußzeilen. Ein Berichtsabschnitt enthält Berichtsobjekte, die als Widgets bezeichnet werden. Widgets sind beispielsweise Diagramme, Berichtstabellen oder Dimensionsauswahllisten. Diese können miteinander über gemeinsame Dimensionselemente gekoppelt werden.

Der Komfort ist auch in der Leistungsfähigkeit eines Tabellenobjekts, das praktisch jedes analytische Werkzeug auf dem Markt mitbringt, sichtbar. So ist es hilfreich, dass Zeilen- oder Spaltenkalkulationen, wie von der Tabellenkalkulation her gewohnt, einfach im Bericht erstellt werden können, wobei allgemeingültige Berechnungen wie beispielsweise Kennzahlendefinition zur Modellbildung gehören. Auch eine flexible Formatierung ist notwendig.

Die Flexibilität einer solchen Plattform zeigt sich auch in der Weiterverwendung der Informationsobjekte. Berichtsobjekte können auch zur Planung genutzt werden. Häufig ist es zudem gewünscht, Informationen in Form von Berichten an Empfänger zu schicken, die keine Anwender der SAP Analytics Cloud sind. Unterstützt wird das Verteilen solcher Berichte als PDF- oder PPTX-Dokument.

Von besonderer Bedeutung ist sicherlich die Darstellung von Abhängigkeiten. Der Umsatz setzt sich beispielsweise aus Preis und Volumen zusammen. Hier hat sich eine hierarchische Darstellung der Treiberabhängigkeiten in Form eines Treiberbaums bewährt. Abbildung 2.2 zeigt einen Ausschnitt aus einem Treiberbaum.

Abbildung 2.2: Ausgestaltung eines Treiberbaums zur Simulation

Kreativität ist gut, aber nicht, wenn es um die Kommunikation von komplexen Sachverhalten geht. Eine Herausforderung ist es, auch eine gewisse Berichtsstandardisierung durch eine einheitliche Notation zu erreichen. Natürlich möchte der Anwender einen hohen Freiheitsgrad haben. Auf der anderen Seite sollte eine Vereinheitlichung dazu führen, dass Berichte schneller verstanden und interpretiert werden können. Die SAP Analytics Cloud hat die Standardnotation von IBCS² übernommen und ist zertifiziert. Diagrammtypen sind nach Möglichkeit einheitlich formatiert. So haben Ist- und Planwerte immer die gleichen Farben. IBCS ist als Standardformatierung bereits voreingestellt. Abbildung 2.3 zeigt einen solchen Bericht.

Abbildung 2.3: Visualisierung nach dem IBCS-Standard

Office Integration

Die Tabellenkalkulation ist bei der Analyse nicht wegzudenken. Trotz allen Komforts von Berichtsgeneratoren wird in vielen Unternehmen eine Vielzahl von (Eingabe-)Berichten mit einer Tabellenkalkulation erstellt. Das setzt eine entsprechende Datenversorgung voraus. Insofern erscheint es zweckmäßig, die gleichen Daten und Datenstrukturen der Analyseplattform auch in Excel zur individuellen Verarbeitung verfügbar zu machen und somit die vertraute Tabellenkalkulation-Umgebung mit den bestehenden Daten zu füllen. Zum Teil wird dies für Nebenrechnungen benötigt oder es wird einfach nur die gewohnte Umgebung favorisiert.

Entscheidend sind die Leistungsmerkmale der Anbindung. Für die Planung kommt die Eingabefähigkeit hinzu. Die SAP Analytics Cloud bietet ein eingabefähiges Excel-Add-in an, das auch für Office 365 in der Web-Umgebung geeignet ist.

Erweiterte Analysefähigkeiten

Der Einzug von Künstlicher Intelligenz in die Analyse (und Planung) ist nicht mehr aufzuhalten. Dies ist ein Prozess, der nicht erst mit ChatGPT begonnen hat. Natürlichsprachliche Kommunikation erlaubt den vereinfachten Zugang zu komplexen Datenstrukturen. Dies ist ein Beitrag zur Informationsdemokratisierung. Mit solchen Werkzeugen kann die Anwendungsschwelle gesenkt werden. Ein langer und aufwendiger Lernprozess soll so vermieden werden. Allerdings entbindet dies den Anwender nicht von der Verantwortung, die Sachverhalte auch zu verstehen. Erste Ansätze der erweiterten Analyse konzentrierten sich auf Suchfunktionen, um schnell geeignete Berichte oder Dashboards aufzufinden. Mittlerweile können aus Schlagwörtern ganze Dashboards erstellt werden.

Die SAP Analytics Cloud stellt einige Funktionen zur erweiterten Analysefunktion bereit: von der Verarbeitung natürlicher Sprache bis hin zu KI-gestützter Datenerkennung, -analyse, -visualisierung und -vorhersage. Diese Funktionen sind eingebettet in die BI- und Planungsfunktionen von SAP Analytics Cloud und können unmittelbar von Anwendern genutzt werden:

• Mit der Funktion »Search to Insight« können die Informationen aus den Modellen mithilfe von konversationeller KI und natürlicher Sprachverarbeitung interaktiv aufbereitet werden. Mit natürlichsprachlichen Abfragen können die Daten durchsucht und analysiert werden, indem Fragen gestellt werden – ähnlich einer Suchmaschine oder einem digitalen persönlichen Assistenten. Es sind keine Kenntnisse von Abfragesprachen erforderlich. Aus der Frage wird vom Algorithmus eine Best-Practice-Visualisierung erstellt.
• Mit der Funktion »Smart Insights« kann der Anwender ohne manuellen Aufwand tiefer in die Datenstrukturen eindringen. In Erweiterung zum Drill-down werden verschiedene Analysepfade vorgeschlagen und es wird eine grafische Visualisierung zur Darstellung der Details gewählt. Mit einem Klick lassen sich die wichtigsten Faktoren hinter Werten oder Abweichungen aufdecken und es kann weiter analysiert werden, welche Einflussgrößen zu den Ausgangsgrößen beitragen. Algorithmen schlagen hierbei Visualisierungen vor, die zu der Story hinzugefügt werden können, zusammen mit Texterklärungen und in einem mit natürlicher Sprache generierten Kontext.
• Mit der »Smart Discovery«-Funktion können maschinelle Lernmodelle verwendet werden, um Beziehungen und verborgene Muster in einem bestimmten Datenmodell ohne die Hilfe eines Daten-Experten aufzudecken. Intelligente Funktionen finden automatisch signifikante Korrelationen und weitere Auffälligkeiten wie Ausreißer in den Daten und zeigen die Ergebnisse in natürlicher Sprache an. Es können automatisch Datenvisualisierungen und umfassende, bis zu vier Seiten lange Storys erstellt werden, die wichtige Erkenntnisse wie Trends, relevante Einflussfaktoren und Ausreißer aufzeigen und interaktive Was-wäre-wenn-Simulationen ermöglichen.
• Mit der »Smart Predict«-Funktion können Vorhersagen mithilfe von Machine Learning erstellt werden. Auf der Basis von Tabellen oder Modellen können Zeitreihenanalyse, Klassifikation und Regression durchgeführt werden. Hierbei wird der Anwender komfortabel durch die Parametrisierung geführt. Hinsichtlich der Algorithmen und deren Konfiguration ist keine Benutzereingabe notwendig (Automated ML). In den Kapiteln 17 bis 19 wird der Einsatz im Detail erläutert.

Analytische Anwendungen

Über den Story-Konfigurator lassen sich Dashboards, Berichte und Planungsmasken einfach erstellen. Das reicht aber manchmal nicht aus: Insbesondere, wenn eine hohe Interaktivität gefordert wird, benötigt man häufig mehr als nur die skizzierten Standardobjekte. Es sollen beispielsweise analytische Anwendungen umgesetzt werden, die BI-, Planungs- und Vorhersagefunktionen zusammenführen und den Endanwender einfach durch den Bericht führen. Das Verhalten der Widgets soll dabei angepasst werden.

Einfache Interaktionen wie Navigationsmöglichkeiten mittels Hyperlinks sind zwar auch im Standard möglich, aber bedingte Sprünge, Validierungen oder Freigaben erfordert erweiterte Konzepte. Hier hat sich ein Objektmodell für die Widgets bewährt, das durch Programmierung angepasst werden kann. Das Verhalten der Berichtsobjekte kann über Scripts gesteuert werden. So kann in Abhängigkeit zur Anwenderaktion (zum Beispiel Klicken) aufgrund der Tabellenposition ein dynamisches Drill-down ermöglicht werden. Als Sprache wird Java Skript verwendet.

Ursprünglich waren Story und Application Designer verschiedene Werkzeuge. Mit der Einführung von »Unified Story«, einer Weiterentwicklung des ursprünglichen Story-Konzepts, werden die Funktionen der analytischen Anwendungen in die Standardoberfläche des Storybuilders integriert.

Zusammenarbeit

Planung und Analyse sind als Prozess mit verschiedenen Teilaufgaben zu sehen. Dabei arbeiten verschiedene Aufgabenträger zusammen und tauschen Informationen aus. Eine gemeinsame Datenspeicherung ist die Grundvoraussetzung. Zahlen sind häufig ohne weitere Erläuterungen nur bedingt aussagekräftig. Erkenntnisse während der Analyse können anderen Anwendern bei ihren Entscheidungen helfen. Dementsprechend ist es wichtig, Funktionen bereitzustellen, die die Zusammenarbeit erleichtern.

Die Kommentierung stellt dabei eine wichtige Funktion dar. Mithilfe einer Freitexteingabe lassen sich Annahmen oder Hintergründe zu Abweichungen oder Entwicklungen verdeutlichen. Dies hilft beispielsweise, Planzahlen in einen Zusammenhang zu stellen und besser zu verstehen. Auch bei der Abweichungsanalyse können Kommentare hilfreich sein. Was sind beispielsweise die Hintergründe für eine Kostenüberschreitung, falls keine weiteren Einflussfaktoren gegeben sind? Wichtig ist auch, dass die Kommentierung auf unterschiedlichen Ebenen stattfinden kann. Es können Storys, Anwendungen und ereignisspezifische Datenpunkte kommentiert werden.

Hilfreich sind zudem Diskussionen über Analysen, um mit anderen Benutzern – das können auch Teams sein – der SAP Analytics Cloud zusammenzuarbeiten, und das über unterschiedliche Devices hinweg.

Infrastruktur

Datenmodellierung mit der SAP Analytics Cloud

Wie sollte eine Datensicht ausgestaltet sein, die eine möglichst einfache Berichtsstruktur ermöglicht? Modellierung ist notwendig, um einen einfachen Zugriff zu ermöglichen, denn die auf die Verarbeitung operativer Transaktionen hin optimierten Tabellen haben sich als zu komplex erwiesen. Es gibt verschiedene Ansätze, die das zu überwinden versuchen. Die Frage der idealen Datensicht ist aber alles andere als endgültig geklärt. Alternative Ansätze sind Tabellen, die miteinander über Schlüssel verknüpft sind, oder mehrdimensionale Strukturen. Einige Systeme belassen es bei der originären Tabellenstruktur und konzentrieren sich darauf, Felder sprechender zu machen und Fremdschlüsselbeziehungen in Auswertungen automatisch aufzulösen. Zum Teil wird eine virtuelle Sicht über das Tabellenschema gelegt. In der Regel legt man die Daten aber für den Zugriff optimiert ab.

Die SAP Analytics Cloud basiert auf der Idee der mehrdimensionalen Analyse, das heißt, ein Datenmodell besteht aus (Zell-)Werten und Dimensionen im Sinne der verbreiteten OLAP³-Definition. Diese Betrachtungsweise geht auf E. E. Codd zurück,⁴ der insgesamt zwölf Regeln eines solchen mehrdimensionalen Systems beschrieben hat. Allerdings hat sich in der Zwischenzeit einiges weiterentwickelt. Codd ging noch von einer Gleichbehandlung der Dimensionen aus. Dies ist aber nicht immer zweckmäßig, denn Dimensionen sind nicht immer gleichwertig, entsprechend kann eine Anwendung den Berichtsersteller besser unterstützen. Einige Beispiele:

• Es gibt eine Kontenlogik (zum Beispiel Bestands- und Bewegungsgrößen). In der Konten-Dimension können auch Formeln definiert werden, die zur Laufzeit ausgeführt werden.
• Eine Organisationsdimension beinhaltet Verantwortlichkeiten, gegebenenfalls Eliminierung und Währungen.
• Die Zeitdimension kennt Besonderheiten hinsichtlich der Verdichtung. Bestandskonten dürfen beispielsweise nicht aggregiert werden. Vorgänger (Vormonat) und Nachfolger sind bei der Navigation wichtig.

Abbildung 2.4: Modellierungsumgebung

Ein (Daten-)Modell kann über Datenimporte automatisch aufgebaut werden. Alternativ dazu können die Dimensionen, Kennzahlen und Hierarchien manuell angelegt werden (Abbildung 2.4). Auch eine Kombination beider Vorgehensweisen ist möglich. Die Modellkomponenten wie beispielsweise Dimensionen, Währungen, Einheiten, Berechnungsformen und Hierarchien können in der SAP Analytics Cloud benutzerfreundlich bearbeitet oder übernommen werden.

Hierarchien und Eigenschaften helfen, die Daten weiter zu strukturieren. Pro Dimension können beliebig viele Hierarchien definiert werden. Hierarchien in der Form von Eltern-Kind-Beziehungen und Hierarchieebenen werden unterstützt.

Als Erweiterung ist 2022 das sogenannte Measure-based-Modell hinzugekommen. Eine solche Modellierung ist dem Star-Schema eines Data Warehouse näher als das bisherige, auf einer Kontenlogik basierende Modell. Für jede Kennzahl wird in der Faktentabelle eine Spalte angelegt. Dies führt in der Regel zu einer schnelleren Verarbeitung, da weniger Datensätze geladen werden müssen. Auch erweitert sich die Möglichkeit, Berechnungen wie zum Beispiel Bestandsfortschreibungen wie Lagerhaltung (Anfangsbestand = Endbestand der letzten Periode) dynamisch zu erstellen.

Wichtig ist auch der Zugriffsschutz für Modelldaten, um die Datensicherheit auf Dimensionsebene bis auf Zellebene zu definieren. Es handelt sich in der Regel um sensible Daten. Somit muss sichergestellt werden, dass nur Daten im Zugriff sind, für die eine Berechtigung besteht. Eng mit der Modellierung ist daher die Zugriffssteuerung zu sehen. Moderne Berichts- und Analysesysteme adressieren große Benutzergruppen. Hier ist die Übernahme von vorhandener Authentifizierung und Autorisierung aus einer zentralen Verwaltung notwendig, sodass Zugriffsrechte möglichst nur einmal definiert werden müssen.

Benutzer und Attribute werden von einem zentralen Identitätsanbieter repliziert und somit wird ein automatisches Single-Sign-On unterstützt.

Cloud oder On-Premise

SAP Analytics Cloud ist originär für den Cloud-Einsatz entwickelt worden und wird als cloudbasierte Software gemäß dem sogenannten Software-as-a-Service-(SaaS-)Modell bereitgestellt. Hierbei stellen Kunden nicht mehr selbst die notwendige Infrastruktur bereit und betreiben auf dieser die Softwarelösung, sondern die Software wird vom Hersteller in dessen Rechenzentrum oder über die sogenannten Hyperscaler, das heißt die großen Cloud-Anbieter, bereitgestellt und kann vom Anwender über einen Webbrowser benutzt werden. Nach Abschluss eines entsprechenden Subskriptionsvertrags ist die Software direkt einsatzbereit und kann sofort genutzt werden. Aufgaben wie beispielsweise das Einspielen von Patches und Updates oder auch das Erstellen eines Backups übernimmt der Anbieter. Die Software kann dann über Schnittstellen mit anderen IT-Systemen, die entweder ebenfalls über die Cloud zur Verfügung gestellt werden oder auch im klassischen On-Premise-Betrieb vorhanden sind, verbunden werden, um Daten auszutauschen oder Prozesse zu integrieren.

Für den Anwender sollte der Unterschied zwischen einer On-Premise- und Cloud-Umgebung in der Regel nicht sichtbar sein. Er greift mit einem Browser auf Storys zu. Browsergestützte Werkzeuge weisen mittlerweile den gleichen Komfort wie speziell entwickelte Applikationen auf.

Der Wechsel von On-Premise zu Cloud scheint auf den ersten Blick einen rein finanzwirtschaftlichen Effekt zu haben. Unternehmen sparen beim Einsatz von Cloud-Software kapitalintensive Investitionen in teure Hardware und Software-Lizenzen und zahlen dafür einen wiederkehrenden Betrag an den Hersteller der Software, der die Software bereitstellt. Diese eher finanzielle Betrachtung verschleiert aber leicht den Blick auf die eigentlichen Vorteile des Software-as-a-Service-Modells (SaaS).

Durch die Bereitstellung der betriebsbereiten Software über die Cloud können Fachabteilungen deutlich an Agilität und Geschwindigkeit gewinnen. Ein Umstand, der gerade bei der Einführung eines Planungs- und Analysewerkzeugs entscheidend sein kann. Eine der größten Herausforderungen in der Unternehmenssteuerung besteht darin, das aktuell volatile Umfeld zu beherrschen und entsprechend schnell auf neue Herausforderungen zu reagieren. Die Zeit, die für die Einführung beziehungsweise Anpassung eines Steuerungswerkzeugs aufgewendet werden muss, kann hier schnell zum Flaschenhals werden. Insbesondere verbrauchen klassische On-Premise-Lösungen IT-Ressourcen, die ohnehin knapp sind und an anderer Stelle gegebenenfalls gewinnbringender eingesetzt werden könnten.

Für die Administration ist es ebenfalls ein großer Unterschied, ob Cloud- oder On-Premise-Lösungen verwendet werden. Bei einer Cloud-Lösung können nicht nur komplexe Komponenten zusammenspielen, auch die Innovationsgeschwindigkeit lässt sich steigern. Erweiterungen können im Cloud-Betrieb unterbrechungsfrei ausgerollt werden, dies schafft den Rahmen für eine schnelle Integration. Cloudbasierte Planung- und Analysewerkzeuge haben zudem gezeigt, dass die Implementierungszeiten im Vergleich zu On-Premise-Lösungen deutlich reduziert werden können.

Eine integrierte Analyseplattform muss professionellen Ansprüchen genügen. Beim Anwender konfigurierte Planungs- und Analysesysteme entwickeln sich permanent weiter. Dies erfordert einen Freigabe- und Transportprozess von der kundenspezifischen Entwicklung zur produktiven Nutzung. Es muss sichergestellt sein, dass Berichtinhalte und -formate korrekt sind, damit verbunden ist ein entsprechender Freigabemechanismus. Hierbei hat sich eine Teilung zwischen Entwicklungs-, Test- und Produktivumgebung mit einem zugehörigen Transportverfahren zwischen diesen Umgebungen etabliert.

Insbesondere ein SaaS-Ansatz schafft eine deutliche Vereinfachung bei der Wartung und der Aktualität der entsprechenden Software. Letztlich wird dadurch die Agilität erhöht.

Business Content

Der Aufbau von unternehmensindividuellen Planungs- und Analysesystemen ist in der Regel aufwendig. Die fachlichen Erwartungen steigen ständig. Bei der Nutzung von generischen Werkzeugen, wie es die SAP Analytics Cloud tut, stellt sich die Frage, ob das sprichwörtliche Rad immer wieder neu erfunden werden sollte. Dies betrifft branchen- oder funktionsbezogene Berichte wie zum Beispiel eine Cashflow-Rechnung und einer Bilanzableitung. Aber auch ganze Planungsschritte lassen sich vordefinieren, wie zum Beispiel eine Personalplanung oder branchenspezifische Planungen.

Insofern besteht eine Nachfrage nach wiederverwendbaren Inhalten. Gleichzeitig sollen die Kernfunktionalitäten der Analysesoftware nicht überladen werden. Diese Lücke schließen mittlerweile Vorlagen (sogenannte »Best-Practices«), die Ausgestaltungen von Berichten, Modellen oder Verarbeitungen repräsentieren.

Unternehmensanalysen können über eine zentrale Bereitstellung mit teilweise frei verfügbaren Inhalten für Branchen und Geschäftsbereiche ausgebaut werden, die von SAP und Partnern entwickelt wurden und im »Business Content Network« hinterlegt werden. Über diese Netzwerk-Funktion stellt SAP eine Vielzahl von sogenannten Best-Practice-Paketen zur Verfügung, die als Template für die eigene Implementierung verwendet werden können. Die Content-Pakete enthalten Datenmodelle, Geschäftsregeln sowie Eingabemasken für die gängigsten Prozesse aus den Bereichen der Unternehmenssteuerung. Darüber hinaus verfügen die Content-Pakete über vordefinierte Datenintegrationsroutinen zu den relevanten Schnittstellen der jeweiligen Transaktionssysteme. Der Rückgriff auf den Business Content hilft dabei, die Implementierung oder Erweiterungen der Planungs- und Analyselösung des Kunden zu beschleunigen – jedenfalls wertvolle Zeit zu gewinnen, die in einem volatilen Umfeld sinnvoll genutzt werden kann, um Handlungsalternativen zu entwickeln und zu bewerten.

Zugriff auf Vorsysteme

ERP-Systeme weisen in der Regel einen hohen Qualitätsstandard auf. Bei den relevanten Daten handelt es sich klassischerweise um Informationen, wie sie in den transaktionalen Systemen zur Verfügung stehen. Der Zugriff ist aber häufig aufgrund der Transaktionsausrichtung der Daten kompliziert. Es handelt sich zum einen um Stammdaten, aber auch um die aktuellen Bewegungsdaten, die im Rahmen der Planung oftmals als Referenz oder Aufsatzpunkt genutzt werden.

Der gesamte SAP-Kontext kann zur Nutzung in der SAP Analytics Cloud einfach genutzt werden. Zentraler Anlaufpunkt ist sicherlich das SAP S/4HANA-System. Dies gilt insbesondere für die finanzwirtschaftlichen Prozesse. Hier werden üblicherweise die meisten Strukturen und Daten, die als Planungsgrundlagen dienen, hinterlegt, dies gilt für die Analyse, aber auch für die Planung.

SAP Analytics Cloud bietet entsprechende Schnittstellen, um diese Daten automatisiert zur Verfügung zu stellen. Sind die Daten erst einmal in der Zielstruktur vorhanden, sollte die Berichtsgestaltung einfach sein. Allerdings kann die Transformation aufwendig werden. Sogenannte Core Data Services (CDS) erleichtern zwar das Datenverständnis, dennoch können verschiedene Transformationsschritte notwendig werden.

Hierfür gibt es Spezialwerkzeuge, wie »SAP Datasphere«, das zwischen Transaktion und Planungsanwendung geschaltet werden kann. Die SAP Analytics Cloud hat aber auch eigene Transformationsroutinen.

Es werden grundsätzlich zwei Kopplungsarten unterstützt:

• Bei einer persistenten Datenhaltung werden die Daten physisch in das Analysemodell der SAP Analytics Cloud übertragen und dort optimiert abgespeichert. Das bedeutet aber auch, dass die Analysedaten physisch in der Cloud liegen.
• Bei der Live-Connection ist dies nicht so. Daten werden nicht in der Analyseplattform abgespeichert, sondern zum Abfragezeitpunkt direkt aus dem Vorsystem abgerufen. Da die Aufbereitung vorgelagert ist, ist die Performance kaum beeinflusst.

Die Live Connectivity in die SAP-Backend-Systeme erleichtert die Anbindung, da viel Vorarbeit wiederverwendet werden kann, wie beispielsweise der Aufbau der Abfrage und die Security. Wichtig ist dabei, dass eine ausreichende Verständlichkeit des Datenschemas des Basissystems vorhanden ist.

Big Data und Analyse

Über die standardisierte Datenversorgung hinaus gibt es auch Anforderungen, weitere Daten im Rahmen des Planungs- und Analyseprozesses bereitzustellen, die nicht direkt Gegenstand der Planung selbst sind, sondern dem Anwender dazu dienen, ihn bei der Erfassung der Planwerte bestmöglich zu unterstützen und ihm alle dafür relevanten Informationen zur Verfügung zu stellen. Hierbei kann es sich sowohl um unternehmensinterne Daten handeln, das heißt, um Daten, die in den IT-Systemen des Unternehmens erfasst werden, als auch um externe marktbezogene Daten, die beispielsweise über Datenanbieter zur Verfügung gestellt werden. Die Datenmengen, die in heutigen Unternehmen erfasst und verarbeitet werden, sind immens. Moderne Technologien wie Sensoren haben die zu speichernden Datenmengen exponentiell anwachsen lassen. Die Herausforderung besteht heutzutage nicht mehr so sehr darin, die Menge der Daten zu beherrschen, als vielmehr darin, dem individuellen Anwender die für ihn relevanten Daten zugänglich zu machen.

IT-Systemlandschaften sind heutzutage deutlich heterogener, da Daten über viele verschiedene Systeme verteilt sind. Sollen Informationen für Fachanwender zugänglich sein, erfordert dies zum einen, die unterschiedlichen Daten mit einer Semantik anzureichern, und zum anderen, die Daten zu katalogisieren, sodass ein Anwender in die Lage versetzt wird, die für ihn relevanten Daten auch zu finden. SAP bietet in diesem Bereich mit dem Produkt SAP Datasphere eine entsprechende Lösung an, um Zugriff auf unterschiedliche Datenquellen bereitzustellen. SAP Datasphere ermöglicht neben dem reinen Bereitstellen unterschiedlicher Datentöpfe auch die Definition eines gemeinsamen semantischen Modells, das heißt einer formalen Darstellung eines Ausschnitts der abgebildeten Realität, was in der Regel erst die Grundlage bildet, um sinnvoll mit den Daten zu arbeiten und diese auch als Entscheidungsgrundlage zu verwenden. Beispielsweise wird es schwierig sein, externe Marktdaten über den Absatz bestimmter Produktgruppen nutzbringend zu verwenden, wenn die Taxonomie dieser Daten nicht zuvor in Einklang mit den eigenen Produktgruppen gebracht wird.

Der Wert solcher Informationen für einen Planungsprozess sollte auf der Hand liegen. Moderne Planungsansätze sollten stärker auf Daten und Fakten basieren und weniger auf der Intuition des individuellen Anwenders, auch um Entscheidungen und Annahmen im Nachgang nachvollziehbar zu machen, um so etwaige Abweichungen besser verstehen zu können. Dies dient auch dazu, die Ergebnisse der Planung und damit die Verlässlichkeit insgesamt zu verbessern. Abbildung 2.5 zeigt den Data Marketplace von SAP Datasphere, über den eine Vielzahl an weiteren externen Datenquellen zur Verfügung gestellt werden kann. Diese Informationen sind oftmals im Rahmen eines Planungsprozesses äußerst relevant, sie sind in der Regel aber nicht direkt in den transaktionalen IT-Systemen eines Unternehmens vorhanden und daher oftmals nur schwer bereitzustellen.

Abbildung 2.5: Zentraler Marktplatz in Datasphere

Die SAP Analytics Cloud ist eng mit dem Produkt SAP Datasphere verknüpft, sodass Informationen, die in SAP Datasphere verfügbar sind, leicht dem Anwender in der SAP Analytics Cloud für seine Aufgaben zugänglich gemacht werden können. Mit SAP Datasphere als Datenbasis und den Analysemöglichkeiten von SAP Analytics Cloud verfügt der Fachanwender über alle Informationen, die er für eine datengestützte Entscheidungsfindung im Rahmen eines Planungsprozesses benötigt.

Anmerkungen

1. 1  So wurden BPC und BW-IP für die Planung sowie die Business Objects Suite für die Analyse und das Berichtswesen verwendet.
2. 2  International Business Content Standards. Siehe auch https://de.wikipedia.org/wiki/International_Business_Communication_Standards.
3. 3  Online Analytics Processing
4. 4  Genau genommen hat Codd schon existierende Systeme (Essbase, TM 1) betrachtet.