Inhalt: Die Data Warehouse Cloud ermöglicht es Ihnen die Modellierung der Daten durchzuführen und in Modellen zusammenzuführen. Auf diese Weise können Sie Ihre Daten für das Reporting und den Analysen zur Verfügung stellen. In diesem Webinar demonstrieren wir Ihnen das Space Management, mit dem die Datenspeicherung und Wartung des Datenmodells erfolgt. Des Weiteren gehen wir auf die Datenintegration mit remote und lokalen Tabellen sowie der BW Bridge ein und erläutern die Implementierung einer Datenzugriffskontrolle (DAC) für das Reporting. Ebenso werden die Highlights und Features der neuen Semantik des Analytical Model (AM) durchleuchtet und über SAC dargestellt. Zielgruppe: - Fachbereichs IT - alle Fachbereiche mit IT Skills Agenda: - Space Management - Datenintegration - Analytical Model - Implementierung einer Datenzugriffskontrolle (DAC) für das Reporting Mehr über uns: Website: https://www.ibsolution.com/ Karriereportal: https://ibsolution.de/karriere/ Webinare: https://www.ibsolution.com/academy/webinare YouTube: https://www.youtube.com/user/IBSolution LinkedIn: https://de.linkedin.com/company/ibsolution-gmbh Xing: https://www.xing.com/companies/ibsolutiongmbh Facebook: https://de-de.facebook.com/IBsolutionGmbH/ Instagram: https://www.instagram.com/ibsolution/?hl=de Das könnte Sie auch interessieren: https://www.ibsolution.com/academy/blog/data-and-analytics/sap-datasphere-die-neue-generation-des-daten-managements

1. Simplify
Your Work Life

2. SAP Datasphere - von Bits und
Bites zu Widgets und Charts
Autoren:
Mohamed Moktatif
Manuel Huber
Heilbronn, 25.04.2023

3. Agenda
1. Space Management
2. Datenintegration
3. Analytical Model
4. Implementierung einer
Datenzugriffskontrolle (DAC) für das
Reporting
© 2022 -IBsolutionGmbH 3

4. Space Management
Aufbau einer LSA++ Struktur – Überblick
AL_EC C
N O N _S A P
S 4
EC C
AL_S4
AL_NON
_SAP
Ha r moni za ti on
La yer
Uni on La yer
R epor ti ng
La yer
Quellsysteme
SAP Datasphere
SAC SAC
© 2022 -IBsolutionGmbH 4

5. ▪ Pro Quellsystem ein Layer (AL_ECC_01, AL_S4_01)
▪ Anbindung kann z. B. über einen DP Agent erfolgen, verschiedene Adapter für ABAP oder HANA
Verbindungen verfügbar
▪ Anbindung weiterer Verbindungen wie z. B. Microsoft SQL Server, Oracle oder Google Cloud möglich
▪ Eingangsschicht über remote Tabellen wie z. B. BKPF, LFA1, BSIK, BSAK
▪ Namenskonventionen von der Eingangsschicht bis zur Ausgangsschicht (LFA1_A1 → LFA1_D1)
▪ Selektion der Spalten sowie Filtereinstellungen möglich
Space Management
Aufbau einer LSA++ Struktur – Acquisition Layer
AL_ECC
N O N _S A P
S 4
EC C
AL_S4
AL_NON
_SAP
© 2022 -IBsolutionGmbH 5

6. ▪ Mögliche Semantische Typen
▪ Relationales Datenset
▪ Basis Format eines Models, um die gegenseitigen Beziehungen darzustellen
▪ Dimension
▪ Für die Modellierung von Stammdaten sowie die Verwendung von Hierarchien und Assoziationen
▪ Analytisches Datenset
▪ Für die Verwendung von Kennzahlen und deren Verwendung in SAC benötigt
▪ Text
▪ Für die Verwendung eines Mehrsprachenkonzeptes für die Stammdaten
▪ Hierarchie
▪ Für die Verwendung einer Parent-Child Hierarchie
▪ Analytical Model
▪ Nachfolger vom Analytischen Datenset
Space Management
Aufbau einer LSA++ Struktur – Acquisition Layer
© 2022 -IBsolutionGmbH 6

7. ▪ Vereinigung aller Quellsysteme zu einem Layer über einen „ union“
▪ Keine fachlichen oder technischen Veränderungen
▪ Bei unterschiedlichen Feldern in den Quellsystemen muss ein leerer String hinzugefügt werden
Space Management
Aufbau einer LSA++ Struktur – Union Layer
AL_EC C AL_S4
AL_NON
_SAP
Uni on La yer
© 2022 -IBsolutionGmbH 7

8. ▪ Harmonisierung der Daten zwischen den verschiedenen Quellsystemen
▪ Berechnungslogiken können in diesem Layer vorgenommen werden
▪ Komplexe Views sollten aufgeteilt werden, um eine bessere Performance zu erzielen
▪ Eingangsschicht vom Union Layer: INVOICE_POSITION_00
▪ Berechnungslogiken in INVOICE_POSITION_10, INVOICE_POSITION_20…
▪ Ausgabeschicht für den Reporting Layer: INVOICE_POSITION_90
Space Management
Aufbau einer LSA++ Struktur – Harmonization Layer
Ha r moni za ti on
La yer
Uni on La yer
© 2022 -IBsolutionGmbH 8

9. ▪ Aufbereitung der Views für das Reporting (Business Names, Assoziationen, Analytical Dataset)
▪ Bisheriger Ansatz: großer View am Ende wie z. B. Invoice Position, welcher trotz Persistierung der
Daten keine gute Performance geboten hat
▪ Neuer Ansatz: Analytical Model
▪ Erstellung von „Data Marts“, welche die Informationen aus assoziierten Dimensionen erhalten und
nur den benötigten Teil von Invoice Position enthalten
▪ deutlich bessere Performance
▪ zukünftiger Weg der SAP
Space Management
Aufbau einer LSA++ Struktur – Reporting Layer
R epor ti ng
La yer
SAC
© 2022 -IBsolutionGmbH 9

10. ▪ Kundenspezifische Konfigurationen möglich, welche in den Harmonization Layer oder Reporting Layer
geteilt werden
▪ Kontengruppenfilter
▪ System Name
▪ Standard Sprache
▪ Zentraler Ort für einen geringen Pflegeaufwand
Space Management
Aufbau einer LSA++ Struktur – Configuration Layer
Ha r moni za ti on
La yer
R epor ti ng
La yer
C onfi g ur a ti on
La yer
© 2022 -IBsolutionGmbH 10

11. ▪ Sehr wichtig für einen reibungslosen Ablauf bei dem Zugriff der Views sowie der Persistierung der
Daten
▪ Space Priority
▪ Bei einem Zugriff der Daten entscheidet die Priorität, welcher Space bevorzugt wird
▪ Storage Assignment
▪ Disk und In-Memory Speicher wird dem Space zugeordnet
▪ Zu wenig Speicher verursacht Probleme bei der Verarbeitung der Daten
▪ Space Configuration
▪ Default
▪ Custom
→ Bei der Persistierung von großen Datenmengen ist es manchmal ratsam auf „ custom“ umzustellen und
kurzzeitig das „total statement thread limit“ und „total statement memory limit“ manuell hochzustellen
→ Oft bei Entwicklungssystemen mit geringeren Kapazitäten nötig
Space Management
Workload Management
© 2022 -IBsolutionGmbH 11

12. Agenda
1. Space Management
2. Datenintegration
3. Analytical Model
4. Implementierung einer
Datenzugriffskontrolle (DAC) für das
Reporting
© 2022 -IBsolutionGmbH 12

13. ▪ Remote Tabellen (BKPF, BSEG, Extraktoren)
▪ Nach der Anbindung eines Quellsystems kann eine remote Tabelle importiert werden
▪ Lokale Tabellen
▪ Manuell (Geo-Daten, Kurse)
→ Upload der Daten über CSV-Files möglich
→ Download nur über Umwegen möglich (HANA Database Explorer)
▪ Open SQL Schema über HANA Database Explorer (HANA Cloud oder 3. Anbieter)
Datenintegration
Import/Export Funktionalität
© 2022 -IBsolutionGmbH 13

14. ▪ Views
▪ Jeder View kann einzeln als JSON File exportiert werden
▪ ER-Modell
▪ Das komplette Datenmodell kann als ER-Modell exportiert werden
▪ Transportwesen
▪ Export und Import des ER-Modells von DEV nach QA /PROD
▪ Spaces und Verbindungen müssen bereits angelegt und namentlich identisch sein
▪ Nutzung des Content Network von der SAP
Datenintegration
Import/Export Funktionalität
© 2022 -IBsolutionGmbH 14

15. ▪ Virtueller Datenzugriff (Standard)
▪ Persistierte Daten (Partitionierungen)
▪ Real-time (Delta)
▪ Beladung durch Prozessketten
▪ Analytical Model mit Inputvariablen nicht persistierbar
Datenintegration
Datenpersistierung
© 2022 -IBsolutionGmbH 15

16. Agenda
1. Space Management
2. Datenintegration
3. Analytical Model
4. Implementierung einer
Datenzugriffskontrolle (DAC) für das
Reporting
© 2022 -IBsolutionGmbH 16

17. © 2022 -IBsolutionGmbH 17
Analytical Model
„Analytical model“ ist der Verbindungsbaustein zwischen Datasphere und
der SAP analytics cloud. Es ist der Nachfolger vom Analytical dataset (ADS)
Welche Abhängigkeiten bestehen zwischen „Analytical model“
und den herkömmlichen Datasphere Objekten?
Welchen Mehrwert hat das „Analytical model“ im Vergleich zu den klassischen Objekten?
Was bedeutet „Analytical model“ für greenfield Projekte?
Was bedeutet „Analytical model“ für bestehende Reportings in Datasphere?

18. © 2022 -IBsolutionGmbH 18
Analytical Model

19. Da s Anal yti cal Datase t, der für di e SAC ber ei tg estel l t i st, ver füg t
g l ei chzei ti g über zwei Komponenten:
• Ana l yti sche Komponente, sta r schema
• R el a ti ona l e Komponente, SQL-ba si er te Da tenba nk vi ew
Was ist ein Analytical Dataset

20. © 2022 -IBsolutionGmbH 20
Analytical Model in Datasphere
Data
Builder
Business
Builder
Physical
Tables/
Views
Sematic
Usage
Used in
Text
Hierarchy ADS*
Dimension
Consumption/Fact Model
Abstract
Entities
Fact**
ADS* Dimension
Analytic Model
Perspective
SAP Analytics Cloud
Phase
2***
*: ADS = Analytical Dataset
**: Semantic Usage Fact will be introduced in Q2/2023
***: Analytic Models will ultimately consume BL entities in the course of 2023
Mischform von Relational
u. analytisch
rein relational
rein analytisch

21. © 2022 -IBsolutionGmbH 21
Abhängigkeiten des Analytical Model in Datasphere
▪ Das analytische Model wird künftig die zentrale Drehscheibe
für das SAC Reporting im Datasphere sein
▪ Momentan kann das analytische Modell nicht mitdem
Business layer verbunden werden (Erwartet im Laufe des
Jahres 2023)
▪ Die strategischen Innovationen vonanalytischen features
werden auf das analytische model fokussiert sein
Data
Builder
Business
Builder
Physical
Tables/
Views
Sematic
Usage
Used in
Text
Hierarchy ADS*
Dimension
Consumption/Fact Model
Abstract
Entities
Fact**
ADS* Dimension
Analytic Model
Perspective
SAP Analytics Cloud
Phase
2***
*: ADS = Analytical Dataset
**: Semantic Usage Fact will be introduced in Q2/2023
***: Analytic Models will ultimately consume BL entities in the course of 2023

22. © 2022 -IBsolutionGmbH 22
Features des “Analytical Model”
▪ Trennung zwischen Relationalen von Analytischen Objekten
▪ Möglichkeit zur zentralen Bereitstellung der Kalkulierten Kennzahlen
▪ Erweiterte Kalkulationsmöglichkeiten (Exception aggregations, Distinct
counts,..etc)
▪ Vernetzte Dimensionen
▪ Input Variablen
▪ Referenz Datum
▪ Zeitabhängigkeit in Stammdaten / Dimensionen
▪ ..

23. ▪ Ähnlich wie bei den anderen Objekten, kann das “analytical model” als offline CSN file importiert
und exportiert werden
▪ Das erstellt CSN file enthält Metadaten über das “Analytical model” sowie alle zugehörigen
dependencies zu anderen Objekten
Import/Export von Objekten in CSN Format (1/2)

24. ▪ Beim Import des CSN Files in ein anderes Space können alle zugehörigen “dependencies” mit importiert werden
( E inzel s elektiert oder gesamt).
▪ Falls ein Objekt bereits im Zielsystem vorhanden ist, kann sich der User zwischen überschreiben oder
überspringen entscheiden
Import/Export von Objekten in CSN Format (2/2)

25. ▪ Transporte über Analytics Content Network sind voll supported für “Analytic Models”, jedoch NUR
für system in 2-tenant mode
Transport über Analytics Content Network (ACN)

26. Greenfield vs. bestehendes Reporting
Migration
Keine Änderung
ADS „Conversion“
SAC Dashboards auf
konvertiertes AM um-
pointen
Nachteil: Keine
Nutzung der neuen
Features
To do: Re-Build der
Dashboards auf AM
Basis
ADS
Bestehendes Reporting
Analytical model
Greenfield
SAP Entwicklungs-fokus
Fact
SAP Empfehlung
Im Laufe des
2.ten Quartals
(Wave 12)
Ggfls. Kalk.-Logik ins
AM verlagern

27. SAC Story Migration:
Muss ich migrieren? Wie funktioniert es? Wie groß ist der Aufwand?
▪ Kurz
▪ Grundsätzlich nein. Jedoch durch Umschalten auf “Analytical model” werden Sie die neuen Features
des AMs nutzen können. Künftig fokussieren die Innovationen auf das “Analytical model”
▪ Detailliert
▪ Aus Kompatibilitätsgünden werden beide data layer ADS & BL-Perspectiven koexistieren aber alle
neuen Entwicklungen werden nur in Analytic Model (AM) stattfinden. AM wird daher im Laufe der
Zeit immer attraktiver
▪ ADS kann leicht in AM konvertiert werden, aber sein Name wird anders sein. Da SAC -Storys das
Modell nicht wechseln können, ohne die Story neu zu erstellen, sollten Sie damit beginnen, neue
Stories nur auf AM zu erstellen und vorhandene Stories nur nach Bedarf zu migrieren
▪ Nach Erreichen der Feature-Parität zwischen AM und ADS wird das System Modellierer aktiv
ermutigen, Facts + AM anstelle von ADS zu verwenden, indem es Nachrichten über Vorteile und
Aspekte der Migration erhält.
▪ Dasselbe gilt für Business Layer’s Consumption Models & Perspectives , sobald auch dort die Feature-
Parität erreicht ist

28. SAC Story Migration:
Muss ich migrieren? Wie funktioniert es? Wie groß ist der Aufwand?
Data
Builder
Business
Builder
Physical
Tables/
Views
Sematic
Usage
Used in
Text
Hierarchy ADS*
Dimension
Consumption/Fact Model
Abstract
Entities
Fact
ADS* Dimension
*: ADS = Analytical Dataset
Analytic Model
Perspective
SAP Analytics Cloud
Phase
2
Controlled Availability of Analytic Model (AM)
• Analytic Models verwenden Analytical Datasets(ADS) alsQuelle
• ADS & AM existierennebeneinander. SACkann AM, ADS und Perspektiven
konsumieren
General Availability of Analytic Model
• Einführung desneuen semantischen Objektes Fakt alsQuelledes Analytic
Models
• AM kann sowohl Factsalsauch ADS alsQuelle
• DasSystem ermutigtModellierer aktiv, mit der Verwendung von Facts& AM
statt ADS zu beginnen(e.g. warning messages)
• Migration wizardzum Generieren von AM aus ADS, aber SAC-Storymuss
aufgrund unterschiedlicher Modellnamen neu erstelltwerden
• Mittelfristig: Neuanlagevon ADS nichtmehr möglich
On AM feature parity towards consumption model
• AM kann alles tun, was BL Fact Models & BL consumption modelskönnen
einschließlich Konsum von Business Layer
• DasSystem ermutigtUser aktiv, mit der VerwendungBL Business Entities + AM
over BL Business Entities + Consumption Models/Perspectives(e.g. warnings)
• Mittelfristig: NeueErstellung von Consumption Models/Perspectives nichtmehr
möglich

29. Agenda
1. Space Management
2. Datenintegration
3. Analytical Model
4. Implementierung einer
Datenzugriffskontrolle (DAC) für das
Reporting
© 2022 -IBsolutionGmbH 33

30. ▪ Eigener Space um eingeschränkten Zugriff zu gewährleisten
▪ Lokale Tabellen für das Berechtigungskonzept erstellen
▪ Zuordnung Benutzer → Benutzergruppe
▪ Zuordnung Benutzergruppe → System
▪ Zuordnung Benutzergruppe → Gesellschaften
▪ View als Ausgangsschicht für den Reporting Layer, welcher die Tabellen verknüpft
▪ User ID als Treiber in der Data Access Control
https://ibsolution-dwc.eu10.hcs.cloud.sap/dwaas-ui/index.html#/databuilder
Implementierung einer DAC für das Reporting
© 2022 -IBsolutionGmbH 34