Praxishandbuch SAP Business Warehouse mit BW/4HANA

Jürgen Noe

Praxishandbuch SAP^® Business Warehouse mit BW/4HANA

Jürgen Noe

Praxishandbuch SAP^® Business Warehouse mit BW/4HANA

ISBN:978-3-96012-027-8 (E-Book)

Lektorat:Monika Hong

Korrektorat: Bernhard Edlmann Verlagsdienstleistungen, Raubling

Coverdesign: Philip Esch

Coverfoto: © Dmitry Rukhlenko | 284867094 – stock.adobe.com

Satz & Layout: Johann-Christian Hanke

1. Auflage 2021

© Espresso Tutorials GmbH, Gleichen 2021

URL: www.espresso-tutorials.de

Das vorliegende Werk ist in allen seinen Teilen urheberrechtlich geschützt. Alle Rechte sind vorbehalten, insbesondere das Recht der Übersetzung, des Vortrags, der Reproduktion und der Vervielfältigung. Espresso Tutorials GmbH, Bahnhofstr. 2, 37130 Gleichen, Deutschland.

Ungeachtet der Sorgfalt, die auf die Erstellung von Text und Abbildungen verwendet wurde, können weder der Verlag noch die Autoren oder Herausgeber für mögliche Fehler und deren Folgen eine juristische Verantwortung oder Haftung übernehmen.

Feedback: Wir freuen uns über Fragen und Anmerkungen jeglicher Art. Bitte senden Sie diese an: info@espresso-tutorials.com.

Inhaltsverzeichnis

Cover

Titelseite

Copyright/Impressum

Vorwort

1 Einführung in SAP Business Warehouse

1.1 Einstieg in Business Intelligence

1.2 Grundkonzepte des Data Warehousing

1.3 Grundlegende Architektur von SAP BW/4HANA

2 Fallbeispiel

2.1 Aufgabenstellung

2.2 Datengrundlage

2.3 Feldbasierter Lösungsansatz

2.4 Ansatz mit InfoObjects

2.5 Mixed-Modeling-Ansatz

3 Arbeiten mit Eclipse

3.1 Überblick und erster Einstieg

3.2 Anlegen eines BW-Projekts

3.3 Navigieren im Project Explorer

3.4 SAP-GUI-Transaktionen aufrufen

4 Datenfluss Stammdaten

4.1 Verwendete Namenskonvention

4.2 SAP-BW-Projekt anlegen

4.3 InfoArea

4.4 Anwendungskomponenten

4.5 Datenflussdiagramme

4.6 DataSource anlegen

4.7 InfoSource anlegen

4.8 InfoObjects anlegen

4.9 Transformationen und DTPs anlegen

4.10 Datentransferprozesse (DTPs) anlegen

4.11 Übungsaufgabe zu Stammdaten

5 Datenfluss Bewegungsdaten

5.1 Datenflussdiagramm für Bewegungsdaten anlegen

5.2 DataSources

5.3 Kennzahlen anlegen

5.4 InfoSources für Bewegungsdaten anlegen

5.5 Überblick zum advanced DSO

5.6 aDSO für »NNE«

5.7 Transformation InfoSource »NNE« zu aDSO »ADNNE«

5.8 DTP – DataSource »NNE« zu aDSO »ADNNE«

5.9 aDSO für »PLZ Netze«

5.10 Transformation InfoSource »PLZ Netze« zu aDSO »PLZ Netze«

5.11 DTP für aDSO »ADPLZNETZ« anlegen

5.12 Standard-aDSO für Stromkosten

5.13 DTP für aDSO »ADSTRKST« anlegen

5.14 CompositeProvider für Stromkosten

6 Extraktion, Laden und Transformation (ELT)

6.1 Laden der Netzbetreiber-Stammdaten

6.2 Überprüfung der Stammdaten

6.3 Übungsaufgabe zur Stammdatenbeladung für Netze

6.4 Laden der Bewegungsdaten

6.5 Auswertung der Daten im CompositeProvider für Stromkosten

7 Mögliche Fehler und deren Behebung

7.1 Objekte können in Eclipse nicht angelegt werden

7.2 Fehler bei der Beladung

8 Ausblick

8.1 Strategische Ausrichtung

8.2 Überblick SAP Data Warehouse Cloud

A Der Autor

B Literaturverzeichnis

C Disclaimer

Willkommen bei Espresso Tutorials!

Unser Ziel ist es, SAP-Wissen wie einen Espresso zu servieren: Auf das Wesentliche verdichtete Informationen anstelle langatmiger Kompendien – für ein effektives Lernen an konkreten Fallbeispielen. Viele unserer Bücher enthalten zusätzlich Videos, mit denen Sie Schritt für Schritt die vermittelten Inhalte nachvollziehen können. Besuchen Sie unseren YouTube-Kanal mit einer umfangreichen Auswahl frei zugänglicher Videos: https://www.youtube.com/user/EspressoTutorials.

Kennen Sie schon unser Forum? Hier erhalten Sie stets aktuelle Informationen zu Entwicklungen der SAP-Software, Hilfe zu Ihren Fragen und die Gelegenheit, mit anderen Anwendern zu diskutieren: http://www.fico-forum.de.

Eine Auswahl weiterer Bücher von Espresso Tutorials:

 Julia Kraus, Andreas Kerner: SAP® Analytics Cloud

 Reynaldo Konrad, Christian Sass, Sebastian Zick: Schnelleinstieg in SAP® BPC optimized for SAP S/4HANA®

 Frank Riesner, Klaus-Peter Sauer:SAP® BW/4HANA und BW auf HANA – 2., erweiterte Auflage

 Dirk Vahlkamp, Leon Vahlkamp: Smart Predict in SAP® Analytics Cloud (SAC)

Vorwort

Vor etwa 20 Jahren begann der Siegeszug des SAP Business Warehouse. Damals wurde es hauptsächlich als eigenes OLAP-basiertes Berichtssystem eingesetzt, um das klassische OLTP-basierte Enterprise-Resource-Planning-System (ERP) von der aufwendigen Massendatenverarbeitung und -berechnung zu entlasten. Das erste SAP Business Warehouse nutzte dabei die SAP-NetWeaver-Architektur, um mit den verbundenen Systemen, wie etwa ERP, HR, CRM oder SCM, Daten auszutauschen. In den folgenden Jahren wurde SAP Business Warehouse mit immer mehr branchenspezifischem Content und neuen Funktionen erweitert. Doch mit überproportional wachsender Datenmenge gelangte selbst die SAP-NetWeaver-Architektur an Performancegrenzen, und Anwender begannen sich über zunehmend schlechte Leistung bei wachsender Datenmenge zu beschweren. Zusätzlich verstärkten aktuelle Themen wie Big Data und Industrie 4.0 den Druck, echte Massendaten im Terabyte-Bereich zu verarbeiten, im Idealfall auch in Echtzeit.

Hier führte SAP vor einigen Jahren SAP HANA ein. Bei SAP HANA handelt es sich um eine In-Memory-Datenbank, die in der Lage ist, Massendaten auch in Echtzeit zu verarbeiten. Damit begann gleichzeitig die Umstellung der grundlegenden Systemarchitektur weg von SAP NetWeaver zu einer SAP-HANA-basierten Architektur. Inzwischen sind die meisten Systeme, wie ERP, HR, CRM, SCM, auf SAP-HANA-Basis verfügbar und Kunden migrieren sukzessiv auf die neue Landschaft.

Dieses Buch zeigt Ihnen die ersten Schritte in SAP BW/4HANA sehr praxisnah mit vielen Screenshots und einer Schritt-für-Schritt-Anleitung. Anhand eines Fallbeispiels aus der Versorgungsbranche werden wir nach und nach ein Datenmodell zur Lösung des Fallbeispiels in einem SAP-BW/4HANA-System anlegen. Viele Übungsaufgaben ermutigen Sie hierbei, das gezeigte Vorgehen selbstständig umzusetzen. Am Ende jeder Übungsaufgabe finden Sie Screenshots, die die Lösung zeigen. Zur Bewältigung der Aufgaben und zur Nutzung des Buches sind jedoch einige Systemvoraussetzungen zu beachten:

Systemvoraussetzungen

Das Buch setzt eine Installation von SAP BW/4HANA voraus. Ferner benötigen Sie einen BW-Benutzer für die Modellierung der Objekte im Data Warehouse. Im Buch wird dafür der BW-Benutzer »DEVELOPER« verwendet.

Als weitere Voraussetzungen benötigen Sie eine Eclipse-Installation mit mindestens den installierten Plug-ins für ABAP Development Tools und den BW Modeling Tools.

Falls Sie eine Testversion von SAP BW/4HANA aus der SAP HANA Cloud (SAP BW/4HANA Trial) nutzen möchten, verwenden Sie »SAP BW/4HANA 1.0 SP05 and BPC 11 SP01 including BW/4 Content SP02«. Diese Applikation bildet die Grundlage für das vorliegende Buch. Wenn bei Ihnen Fehler auftreten, die über die in Kapitel 7 beschriebenen hinausgehen, und Sie Unterstützung zu deren Behebung im Rahmen der Testversion benötigen, können Sie mich direkt über E-Mail an info@juergen-noe-consulting.de kontaktieren. Ansonsten wenden Sie sich bezüglich der Systemadministration und aller benötigten Zugänge und Software bitte an Ihren zuständigen Systemadministrator.

Gliederung

Im ersten Kapitel gebe ich einen kurzen Überblick über die Historie und die Entwicklung des SAP Business Warehouse. Im zweiten Kapitel stelle ich das Fallbeispiel aus der Versorgungsbranche vor und beschreibe mögliche Lösungsansätze. Im dritten Kapitel erfolgt eine knappe Vorstellung von Eclipse als Entwicklungsumgebung sowie der BW Modeling Tools.

Mit Kapitel 4 beginnt die eigentliche Datenmodellierung: Es beschreibt den skizzenhaften Entwurf eines Datenmodells mit den Datenflussdiagrammen sowie die Erstellung der benötigten Stammdaten. Kapitel 5 widmet sich ausschließlich den Bewegungsdaten. Mit Ende des fünften Kapitels ist Ihr Datenmodell vollständig 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.

 In der Ebene Business Transformation (Umwandlung in Fachbereichsdaten) werden die operativen Daten interpretiert, harmonisiert und meist auch auf weniger Details verdichtet. In der Folge könnte das etwa bedeuten, dass nicht mehr der einzelne Buchhaltungsbeleg betrachtet, sondern z.B. ein Kontensaldo ermittelt wird. Auf dieser Ebene sind darüber hinaus zusätzliche Ableitungs- oder Zuordnungsregeln definiert, nach denen die Daten gegliedert werden. Hier kann man hinterlegen, welche Konten einer Tochtergesellschaft welchen Konten des Gesamtkonzerns zugeordnet sind.

 

 Nach der Business Transformation werden die Daten an die Reporting-Ebene weitergeleitet. Dort stehen sie für das Berichtswesen zur Verfügung. Meist werden die Daten auf der obersten Ebene noch weiter verdichtet, um ein leistungsstarkes Berichtswesen zu ermöglichen. Hier lassen sich letztlich die konsolidierte Bilanz des Konzerns sowie, bei Bedarf, die Bilanzen der Tochtergesellschaft abrufen.

Aus dieser Übersicht wird zum einen deutlich, dass die Daten in einem klassischen Data Warehouse oft redundant gespeichert werden, was viel Speicherplatz erfordert. Zum anderen bietet sich durch den Einsatz eines Data Warehouse die Möglichkeit, auf der Basis von vereinheitlichten und hoch aggregierten Daten zu berichten. Dies entlastet die operativen Systeme.

Basierend auf diesen Annahmen sowie mit zunehmendem Praxiseinsatz wuchs die Erkenntnis, dass Data Warehouses eine spezielle Architektur erfordern, um Insellösungen und Datensilos zu vermeiden.

1.2.2 Corporate Information Factory nach Bill Inmon

Im Jahr 1996 war es Bill Inmon vorbehalten, die Idee einer Corporate Information Factory (CIF) zu veröffentlichen. Sie ist in der vereinfachten Abbildung 1.2 dargestellt.

Abbildung 1.2: Corporate Information Factory

Die Kernidee einer CIF ist, dass Daten aus dem gesamten Unternehmen in einem von Bill Inmon skizzierten Enterprise Data Warehouse (EDW) abgelegt werden und dort nachgelagerten Systemen für Auswertungen zur Verfügung stehen. Im ersten Schritt werden die Daten aus verschiedensten Vorsystemen oder Applikationen extrahiert und in einem Staging-Bereich gespeichert. Hier können sie im nächsten Schritt per Extraktion, Transformation und Laden (ETL) homogenisiert und verdichtet werden, damit sich anschließend weitere Zusammenhänge zwischen ihnen ableiten lassen.

Staging

Die Prozessierung der Daten über Extraktion aus den angeschlossenen Quellsystemen bis hin zur Bereitstellung in Data Marts heißt Staging.

Im Anschluss an das ETL werden die Daten meist in verschiedenen Data Marts des Enterprise Data Warehouse gespeichert. Ein Data Mart kann in diesem Kontext einerseits eine persistente anwendungsspezifische Sicht, andererseits eine für einen bestimmten Organisationsbereich erstellte persistente Sicht auf die Daten sein.

Im Zentrum der CIF steht das Enterprise Data Warehouse, das die Daten an nachgelagerte Systeme liefert. Dies können Decision-Support-Systeme oder sogenannte Departmental Data Marts sein, also abteilungs- oder fachspezifische Data Marts. Die Daten im EDW erfüllen folgende Eigenschaften:

 granular

 integriert

 historisch