1 Geänderte Rahmenbedingungen für das Datenmanagement

23

1.1 Digitalisierung

24

1.1.1 Digitalisierung vs. digitale Transformation

25

1.1.2 Auswirkung der Digitalisierung

30

1.1.3 Beispiel: WeChat und digitale Zahlungen

32

1.2 Aktuelle Herausforderungen für das Datenmanagement

36

1.3 Von Business Intelligence zu Predictive Analytics

41

1.3.1 Big Data und Data Management

43

1.3.2 Business Intelligence

44

1.3.3 Predictive Analytics

46

1.4 Einsatz von Machine Learning und künstlicher Intelligenz

53

1.4.1 Unüberwachtes Lernen

56

1.4.2 Überwachtes Lernen

56

1.4.3 Bestärkendes Lernen

57

1.5 SAPs Umgang mit der neuen Datenflut

58

1.6 Zusammenfassung

63

2 Relevante Technologien für das Datenmanagement

67

2.1 Evolution des Datenmanagements

68

2.1.1 Klassisches Datenmanagement

68

2.1.2 Modernes Datenmanagement

71

2.1.3 Intelligentes Datenmanagement

76

2.2 Das SAP-Technologieportfolio für das Datenmanagement

80

2.2.1 SAP-HANA-Plattform

83

2.2.2 SAP Business Warehouse und SAP BW/4HANA

85

2.2.3 SAP Cloud Platform

87

2.2.4 SAP Data Warehouse Cloud

88

2.2.5 SAP Data Intelligence

89

2.3 Zusammenfassung

92

3 Einführung in SAP Data Intelligence

95

3.1 Was ist SAP Data Intelligence?

95

3.2 Funktionen von SAP Data Intelligence im Überblick

99

3.3 Betrieb und Administration der Applikationen

104

3.4 Entwicklung von Datenflüssen

105

3.5 Machine-Learning-Szenarien

111

3.6 Zusammenfassung

112

4 Connection Management

115

4.1 Einführung in das Connection Management

115

4.1.1 Die Applikation »Connection Management« im Überblick

119

4.1.2 Funktionen auf Basis der Verbindungstypen

124

4.1.3 Zertifikate

125

4.2 Verbindungen zu SAP-Systemen

127

4.3 Verbindungen zu Datenbanken

130

4.4 Verbindungen zu cloudbasierten Systemen

131

4.4.1 Amazon

132

4.4.2 Google

133

4.4.3 Microsoft

133

4.4.4 Weitere Clouddatenquellen

134

4.5 Technische Verbindungen

136

4.6 Zusammenfassung

137

5 Metadata Explorer

139

5.1 Einführung in den Metadata Explorer

140

5.1.1 Navigation innerhalb des Metadata Explorers

141

5.1.2 Datasets

142

5.1.3 Funktionen des Metadata Explorers

145

5.2 Funktionsbereich »Catalog«

150

5.2.1 Connection Browser

151

5.2.2 Generierung von Katalogobjekten

156

5.2.3 Organisation des Katalogs

159

5.2.4 Fact Sheets

166

5.2.5 Verwaltung von Datasets im Status »Profiled«

173

5.2.6 Self-Service Data Preparation

175

5.2.7 Verwaltung der Preparations

190

5.3 Funktionsbereich »Rules«

192

5.3.1 Regeln und Regelkategorien

193

5.3.2 Regelwerke

200

5.3.3 Rules Dashboards und Scorecards

206

5.4 Funktionsbereich »Business Glossary«

210

5.4.1 Terms und Term Template

212

5.4.2 Verknüpfungen definieren

216

5.5 Administration, Monitor und Einstellungen

217

5.5.1 Monitor

217

5.5.2 Administration

224

5.5.3 Settings

228

5.6 Zusammenfassung

229

6 Modeler

231

6.1 Einführung in den Modeler

232

6.2 Operatoren

235

6.2.1 Porttypen

237

6.2.2 Typkonvertierungen

241

6.2.3 Ausführung von Operatoren zur Laufzeit

244

6.2.4 Ausgewählte Basisoperatoren im Detail

247

6.2.5 Eigene Operatoren erstellen

264

6.3 Graphen modellieren

270

6.3.1 Graphen erstellen

270

6.3.2 Subgraphen erstellen

276

6.3.3 Validierung von Graphen

279

6.3.4 Graphen ausführen

280

6.3.5 Graphen debuggen

282

6.3.6 Ausführung eines Graphen einplanen

283

6.3.7 Ressourcenanforderungen für Graphen pflegen

286

6.3.8 Anwendungsfälle für Gruppen, Tags und Docker-Dateien

290

6.4 Zusammenfassung

295

7 Customer Data Export

297

7.1 Einen Export durchführen

298

7.2 Ergebnis eines Exports

300

7.3 Zusammenfassung

302

8 Vora Tools

303

8.1 Einführung in die Vora Tools

304

8.2 Verarbeitung von Daten aus unterschiedlichen Quellsystemen

308

8.2.1 Datenextraktion

309

8.2.2 Datenaufbereitung

317

8.3 Zusammenfassung

324

9 Policy Management

325

9.1 Berechtigungsverwaltung in SAP Data Intelligence

325

9.2 Standard-Policys

331

9.3 Eigene Policys und Berechtigungen erstellen

334

9.3.1 Policys anlegen

334

9.3.2 Policys ändern

336

9.3.3 Policys zuweisen

337

9.4 Zusammenfassung

339

10 System Management

341

10.1 Einführung in das System Management

342

10.2 Applikationen verwalten

343

10.2.1 Aktionen auf dem Reiter »Applications«

344

10.2.2 Verschachtelte Applikationen

347

10.2.3 Verwaltung des Speichers für Metadatenkatalog und Data Preparations

348

10.2.4 Verwaltung von Data-Lineage-Extraktionen

350

10.2.5 Größenbeschränkungen für hochgeladene Dateien verwalten

352

10.3 Benutzer verwalten

352

10.4 Dateien verwalten

358

10.5 Strategien und Lösungen verwalten

365

10.6 Zusammenfassung

371

11 Monitoring

373

11.1 Zielsetzung der Monitoring-Funktionen in SAP Data Intelligence

373

11.2 Monitoring mit der Monitoring-Applikation

374

11.2.1 Überwachungs- und Überprüfungsmechanismen

375

11.2.2 Automatisierung von Prozessen

382

11.3 Monitoring im Modeler

388

11.3.1 Reiter »Status«

389

11.3.2 Reiter »Log« und »Schedule«

392

11.3.3 Reiter »Trace«

392

11.3.4 Reiter »Validation«

395

11.4 Zusammenfassung

395

12 Audit Log Viewer

397

12.1 Datenschutzrelevante Ereignisse zugänglich machen

398

12.2 Auswertungsmöglichkeiten

400

12.3 Zusammenfassung

403

13 License Management

405

13.1 Verwaltung von Lizenzen

405

13.2 Messung lizenzpflichtiger Aktivitäten

407

13.3 Zusammenfassung

409

14 Applikationen für Machine Learning

411

14.1 Machine-Learning-Szenarien entwickeln

412

14.1.1 Verständnis für den Geschäftsprozess

414

14.1.2 Verständnis für die Daten

416

14.1.3 Data Preparation

418

14.1.4 Modellierung

420

14.1.5 Evaluation

423

14.1.6 Deployment

425

14.2 ML-Applikationen im Überblick

426

14.2.1 ML Data Manager

426

14.2.2 ML Scenario Manager

433

14.2.3 AutoML

449

14.3 Einsatz von Jupyter Notebooks

458

14.3.1 Zugriff über das Python SDK von SAP Data Intelligence

459

14.3.2 Methoden der Python-Client-API für SAP HANA

463

14.4 Zusammenfassung

471

15 Beispielszenario

475

15.1 Überblick über das Beispielszenario

475

15.1.1 Use Case und Systemlandschaft

476

15.1.2 Vorgehen im Pilotprojekt

477

15.2 Benutzer im System Management anlegen

479

15.3 Kundeneigene Policys im Policy Management erstellen

481

15.4 Systemverbindungen im Connection Management anlegen

487

15.5 Daten im Metadata Explorer anreichern

490

15.5.1 Sichtung und Data Profiling der Adressdaten

491

15.5.2 Datenvalidierung mit Regeln

495

15.5.3 Data Preparation für die Adressdaten

502

15.5.4 Publikation des Datasets

506

15.5.5 Sichtung und Publikation der SAP-HANA-Tabelle im Metadata Explorer

510

15.5.6 Business Glossary anlegen

513

15.5.7 Sichtung und Publikation des Advanced-DataStore-Objekts im Metadata Explorer

516

15.6 Graph im Modeler modellieren

517

15.6.1 Extraktion der Daten

518

15.6.2 Transformation der Daten

525

15.6.3 Laden der Daten in ein Ziel

536

15.7 ML-Szenario im ML Scenario Manager erstellen

541

15.7.1 Erste Datenanalyse

543

15.7.2 Data Preparation und Clustering

550

15.7.3 Visualisierung und Evaluation

557

15.8 Export und Einplanung des Graphen im System Management

563

15.8.1 Export des Graphen

564

15.8.2 Veröffentlichung des Graphen

566

15.8.3 Einplanung des Graphen

567

15.8.4 Export des ML-Szenarios

569

15.9 Zusammenfassung

569

16 Beispiele für weitere Einsatzmöglichkeiten

571

16.1 Integration von Clouddatenquellen

571

16.2 Systemübergreifende Modellierung von Datenflüssen

574

16.3 Globales Datenmanagement

577

16.4 Professionelles Machine Learning

581

16.5 Zusammenfassung

583

17 Ausblick auf die weitere Produktentwicklung

585

17.1 Schnittstellen und Integration

586

17.2 Metadaten und Governance

588

17.3 Modellierung von Graphen

589

17.4 Administration

590

17.5 Zusammenfassung

591