Alle Kapitel aufklappen
Alle Kapitel zuklappen
1 Ziele und Einsatzgebiete von Data Warehousing
25
1.1 Neue Anforderungen an das Data Warehousing
27
1.1.1 Charakteristika eines Enterprise Data Warehouse
28
1.1.7 Echtzeit-Analysen
32
1.2 Data-Warehousing-Ansätze von SAP im Vergleich
33
1.2.1 SAP BW und SAP BW/4HANA
34
1.2.2 SAP Data Warehouse Cloud
39
1.2.3 SAP SQL Data Warehousing
43
1.3 Warum SAP SQL Data Warehousing?
47
1.3.2 Argumente für SAP SQL Data Warehousing
49
2 Einführung in SAP HANA als Plattform
55
2.1 Architektur der SAP-HANA-Plattform
55
2.1.2 Zwei-Schichten-Entwicklungsarchitektur von SAP HANA
61
2.2 Die Funktionen der SAP-HANA-Plattform
63
2.2.1 Datenbankservices
64
2.2.2 Datenzugriff und Schnittstellen
72
2.2.3 Analytische Prozesse
73
2.2.4 Anwendungsentwicklung
74
2.3 Werkzeuge der SAP-HANA-Plattform
77
2.3.1 SAP-Lösungen für das Enterprise Information Management
77
2.3.3 SAP PowerDesigner
81
TEIL II Architektur- und Datenmodellierungskonzepte eines SQL Data Warehouse
85
3 Referenzarchitektur eines modernen Data Warehouse
87
3.1 Data-Warehouse-Architektur
87
3.1.2 Sonstige Anforderungen
91
3.1.3 Architekturtypen
92
3.2 Zweck der Referenzarchitektur
96
3.3 Konzeption und Vorteile der Referenzarchitektur
97
3.4 Bestandteile der Referenzarchitektur
98
3.4.1 Acquisition Layer
98
3.4.4 Virtual Analytical Layer
104
3.5 Business-Intelligence-Tools
108
4 Entwicklungsansatz für das SAP SQL DWH
111
4.1 Unterschiedliche Entwicklungsansätze im Vergleich
111
4.1.1 Plangesteuerte Ansätze
112
4.1.4 DevOps auf einen Blick
125
4.2 DevOps-Ansatz für SAP SQL Data Warehousing
126
4.2.1 Klassische DWH-Entwicklung vs. DevOps
127
4.2.2 Quellcode-Verwaltung
129
4.2.3 Kontinuierliche Prozesse
132
5 Methodische Grundlagen für das Data Warehousing
141
5.1 Modellierungsprozess
142
5.1.1 Konzeptionelles Datenmodell
142
5.1.2 Logisches Datenmodell
149
5.1.3 Physische Datenmodelle
150
5.2 Modellierungsarten
154
5.2.1 Relationales Datenmodell
154
5.2.2 Data-Vault-Datenmodell
160
5.2.3 Dimensionale Datenmodelle
171
5.3 Prozessorganisation
178
5.3.1 Top-down-Ansatz
178
5.3.2 Bottom-up-Ansatz
179
5.3.3 Hybrider modellgetriebener Ansatz
180
5.4 Teamarbeit und Prozessautomatisierung
181
5.4.1 Quellcode-Verwaltung mit Git
182
5.4.2 Arbeitsverwaltung mit Issue Tracking
184
5.4.3 Automatisierung von Entwicklungsprozessen
185
6 Technische Grundlagen
189
6.1.1 Organisationen, Spaces und Projekte
190
6.1.2 Multi-Target Application
191
6.1.3 User, Rollen und Berechtigungen
195
6.2 Core Data Services
201
6.3.1 Row/Columns Store Tables
211
6.3.2 Temporal Tables
212
6.3.3 SAP HANA Document Store
214
6.4.1 Zugriff auf SAP-HANA-externe Datenquellen
215
6.4.3 Cross-Container Service
221
6.4.4 Common User-provided Service
229
6.5 Datentransformation und Orchestrierung
236
6.5.3 Datenorchestrierung
244
6.6.3 Calculation Views
246
6.7 Sonstige Datenbankobjekte
255
6.7.2 Benutzerdefinierte Funktionen
256
TEIL III Modellierung und Implementierung eines SQL Data Warehouse
259
7 Modellierung des konzeptionellen Datenmodells
261
7.2 Anforderungsaufnahme
266
7.2.1 Identifizieren der geschäftlichen Entitäten
267
7.2.2 Identifizieren der Business Keys
271
7.2.3 Identifizieren der geschäftlichen Beziehungen
274
7.2.4 Identifizieren der relevanten Kontextdaten
276
8 Modellierung der physischen Datenmodelle
281
8.1 Erstellen des Datenmodells der Quellsysteme
283
8.2 Erstellen des quellgetriebenen Datenmodells
292
8.2.1 Automatische Generierung
292
8.2.2 Anreicherung mit Data-Vault-Attributen
295
8.3 Erstellen des Core-Datenmodells
303
8.4 Erstellen der analytischen Datenmodelle
321
8.4.1 Virtual Analytical Layer
322
8.5 Export der Datenmodelle
331
9 Entwicklung des SQL Data Warehouse
337
9.1 Initialisierung von Git und SAP Web IDE
338
9.2 Import der SAP-PowerDesigner-Datenmodelle
342
9.2.1 Acquisition Layer
342
9.3.1 Zugriff auf Quellsysteme
346
9.3.2 DWH-interner Zugriff
353
9.4 Datentransformation
357
9.4.1 Flowgraphs im Acquisition Layer erstellen
358
9.4.2 Flowgraphs im Raw Data Vault erstellen
362
9.4.3 Flowgraphs im Business Vault erstellen
373
9.5 Implementierung von Calculation Views im Virtual Analytical Layer
378
9.5.1 Dimensionale Calculation Views
380
9.5.2 CUBE Calculation Views
385
9.6 Implementierung von Calculation Views in Data Marts
387
9.7 Berechtigungskonzept für analytische Sichten
391
10 Deployment des SAP SQL Data Warehouse
395
10.1 Manuelles Deployment
396
10.1.1 Erstellen des MTA-Archivs
396
10.1.2 Deployment des MTA-Archivs mit SAP Web IDE
398
10.1.3 Deployment des MTA-Archivs mit dem XSA Client
398
10.1.4 Manuelle Auslieferungskette
399
10.2 Automatisches Deployment
400
11 Beladung und Betrieb des SQL Data Warehouse
409
11.1 Beladung und Orchestrierung
410
11.1.1 Data Provisioning Task Monitor
411
11.1.2 SAP Data Intelligence
414
11.2 Data Lifecycle Manager
415
11.3 Data Distribution Optimizer
419
11.3.1 System Landscape
422
11.3.2 Join Path Analysis
422
11.3.3 Konfiguration und Ausführung
423
11.3.4 Extension Node
424
11.4 Data Warehouse Monitoring
425
TEIL IV Ergänzende Werkzeuge
429
12 SAP Analytics Cloud
431
12.1 SAP Analytics Cloud im Überblick
432
12.1.2 Business Intelligence
433
12.1.4 Predictive Analytics
434
12.1.5 Analytics Designer
435
12.1.6 SAP Digital Boardroom
435
12.1.7 SAP Analytics Hub und SAP Analytics Catalog
435
12.2 Anbinden von Datenquellen
436
12.2.1 Live Data Connection
436
12.2.2 Import Data Connection
438
12.2.3 Live Data Connection zum SAP SQL DWH
439
12.3 Datenmodellierung
441
12.3.1 Analytische Datenmodelle
442
12.3.2 Modell für SAP-SQL-DWH-Beispielfall
443
12.4 Erstellen von Storys
446
12.4.2 Story für SAP-SQL-DWH-Beispielfall
447
13 SAP Data Warehouse Cloud
453
13.1 SAP Data Warehouse Cloud im Überblick
454
13.1.3 Anbinden von Datenquellen
458
13.1.4 Datenmodellierung im Data Layer
459
13.1.5 Datenmodellierung im Business Layer
467
13.1.6 Datenanalyse im Consumption Layer
473
13.2 SAP Data Warehouse Cloud und SAP SQL DWH
474
13.2.1 Integration von SAP SQL DWH und SAP Data Warehouse Cloud
474
13.2.2 SAP Data Warehouse Cloud als Self-Service-Werkzeug
477
14 SAP Data Intelligence
485
14.1 Architektur von SAP Data Intelligence
486
14.1.3 SAP-Data-Intelligence-Komponenten
490
14.2 Datenmanagement und Datenorchestrierung
494
14.2.1 SAP Data Intelligence Connection Management
495
14.2.2 SAP Data Intelligence Metadata Explorer
496
14.2.3 SAP Data Intelligence Modeler
500
14.2.4 SAP Vora Tools
502
14.2.5 SAP Data Intelligence Monitoring
503
14.3 Machine Learning
504
14.3.1 ML Data Manager
505
14.3.2 ML Scenario Manager
507
14.4 Anwendungsbeispiel für SAP Data Intelligence
514
14.4.1 Beispielszenario
515
14.4.2 Verarbeitung maschineller Massendaten
515
14.4.3 Transformation und Kombination mit Stammdaten
519
14.4.5 Zusammenfassung
531
14.5 SAP Data Intelligence und SAP SQL DWH
532
14.5.1 Beladung des SAP SQL DWH mit SAP Data Intelligence
532
14.5.2 Integration von Data Lakes und ML-Prozessen
538
14.5.3 Self-Service und Data Governance
539
Abkürzungsverzeichnis
543