Seminar SAP Datasphere – Analytic Models und semantische Schicht

Dieses Seminar behandelt den Aufbau analytisch nutzbarer Modelle in SAP Datasphere. Ausgehend von vorbereiteten Fakten- und Dimensionsdaten entstehen Analytic Models mit belastbarer Semantik, verständlichen Kennzahlen, Hierarchien, Variablen und fachlich konsistenten Aggregationsregeln.

Inhaltsverzeichnis

1. Zielsetzung
2. Lernziele
3. Zielgruppe
4. Voraussetzungen
5. Seminarinhalte
6. Praxisübungen

Zielsetzung

Inhaltsverzeichnis: fachliches Ziel · technisches Ziel · Qualität und Betriebsfähigkeit

Ziel ist die Bereitstellung einer wiederverwendbaren semantischen Schicht, die analytische Werkzeuge mit eindeutigen Geschäftsbedeutungen, korrekten Kennzahlen und kontrollierter Navigation versorgt.

Lernziele

Inhaltsverzeichnis: Einordnung · Umsetzung · Prüfung · Dokumentation

• die fachlichen und technischen Grundlagen zu Rolle der semantischen Schicht, Vorbereitung analytischer Quellen, Analytic Model anlegen sicher einordnen
• Anforderungen in nachvollziehbare Konfigurations-, Integrations- oder Modellierungsschritte überführen
• einen durchgängigen Praxisfall mit kontrollierten Zwischenschritten umsetzen
• Datenqualität, Berechtigungen, Abhängigkeiten und Laufverhalten mit festgelegten Prüfkriterien bewerten
• die Lösung dokumentieren, deployen und für einen geregelten Betrieb beziehungsweise die weitere Nutzung vorbereiten

Zielgruppe

Inhaltsverzeichnis: Rollen · Aufgabenbereiche · Projektbezug

Datenmodellierer, Analytics-Entwickler, BI-Architekten, Fachbereichsanalysten und SAP-Analytics-Cloud-Entwickler

Voraussetzungen

Inhaltsverzeichnis: Fachkenntnisse · technische Grundlagen · empfohlene Praxiserfahrung

Grundkenntnisse relationaler Datenmodelle und Kennzahlensysteme; praktische Datasphere-Grundlagen werden empfohlen

Seminarinhalte

Inhaltsverzeichnis: Rolle der semantischen Schicht · Vorbereitung analytischer Quellen · Analytic Model anlegen · Kennzahlen und Berechnungen · Zeit, Hierarchien und Navigation · Variablen, Filter und Zugriff · Qualität, Performance und Freigabe

1. Rolle der semantischen Schicht
2. Vorbereitung analytischer Quellen
3. Analytic Model anlegen
4. Kennzahlen und Berechnungen
5. Zeit, Hierarchien und Navigation
6. Variablen, Filter und Zugriff
7. Qualität, Performance und Freigabe

Modul 1: Rolle der semantischen Schicht

Inhaltsverzeichnis: physische Datenstrukturen, logische Modelle und analytische Semantik unterscheiden · Fakten, Dimensionen, Texte und Hierarchien fachlich einordnen · Granularität, Kardinalität und Aggregationsverhalten als Qualitätskriterien festlegen · ein fachliches Begriffsmodell in technische Modellanforderungen überführen

1. Schritt 1: physische Datenstrukturen, logische Modelle und analytische Semantik unterscheiden
2. Schritt 2: Fakten, Dimensionen, Texte und Hierarchien fachlich einordnen
3. Schritt 3: Granularität, Kardinalität und Aggregationsverhalten als Qualitätskriterien festlegen
4. Schritt 4: ein fachliches Begriffsmodell in technische Modellanforderungen überführen

Praxis: Eine bestehende Berichtsanforderung in Fakten, Dimensionen und Kennzahlen zerlegen

Modul 2: Vorbereitung analytischer Quellen

Inhaltsverzeichnis: Quellmodelle auf Schlüssel, Datentypen und Granularität prüfen · semantische Verwendungen für Kennzahlen, Attribute und Zeitfelder festlegen · Assoziationen zwischen Fakten und Dimensionen modellieren · Datenqualität vor der analytischen Freigabe mit Prüfabfragen validieren

1. Schritt 1: Quellmodelle auf Schlüssel, Datentypen und Granularität prüfen
2. Schritt 2: semantische Verwendungen für Kennzahlen, Attribute und Zeitfelder festlegen
3. Schritt 3: Assoziationen zwischen Fakten und Dimensionen modellieren
4. Schritt 4: Datenqualität vor der analytischen Freigabe mit Prüfabfragen validieren

Praxis: Ein Faktmodell und mehrere Dimensionen für ein Vertriebsbeispiel vorbereiten

Modul 3: Analytic Model anlegen

Inhaltsverzeichnis: ein Analytic Model aus einem geeigneten Faktmodell erzeugen · Dimensionen und Attribute zielgerichtet exponieren · technische Felder aus der Konsumsicht entfernen oder verständlich benennen · Vorschau und Metadaten auf fachliche Verständlichkeit prüfen

1. Schritt 1: ein Analytic Model aus einem geeigneten Faktmodell erzeugen
2. Schritt 2: Dimensionen und Attribute zielgerichtet exponieren
3. Schritt 3: technische Felder aus der Konsumsicht entfernen oder verständlich benennen
4. Schritt 4: Vorschau und Metadaten auf fachliche Verständlichkeit prüfen

Praxis: Ein erstes Analytic Model für Umsatz- und Mengenauswertungen erstellen

Modul 4: Kennzahlen und Berechnungen

Inhaltsverzeichnis: additive, semiadditive und nicht additive Kennzahlen unterscheiden · berechnete und eingeschränkte Kennzahlen definieren · Einheiten und Währungen korrekt mit Kennzahlen verknüpfen · Ergebnisse auf unterschiedlichen Aggregationsebenen kontrollieren

1. Schritt 1: additive, semiadditive und nicht additive Kennzahlen unterscheiden
2. Schritt 2: berechnete und eingeschränkte Kennzahlen definieren
3. Schritt 3: Einheiten und Währungen korrekt mit Kennzahlen verknüpfen
4. Schritt 4: Ergebnisse auf unterschiedlichen Aggregationsebenen kontrollieren

Praxis: Bruttoumsatz, Nettoumsatz, Marge und Durchschnittspreis mit passenden Regeln modellieren

Modul 5: Zeit, Hierarchien und Navigation

Inhaltsverzeichnis: Zeitdimensionen und Kalenderbezüge in das Modell einbinden · levelbasierte und parent-child-orientierte Hierarchien fachlich bewerten · Drill-down-Pfade für Organisation, Produkt und Region gestalten · Navigationsergebnisse auf Vollständigkeit und Eindeutigkeit prüfen

1. Schritt 1: Zeitdimensionen und Kalenderbezüge in das Modell einbinden
2. Schritt 2: levelbasierte und parent-child-orientierte Hierarchien fachlich bewerten
3. Schritt 3: Drill-down-Pfade für Organisation, Produkt und Region gestalten
4. Schritt 4: Navigationsergebnisse auf Vollständigkeit und Eindeutigkeit prüfen

Praxis: Zeit- und Organisationshierarchien für analytische Navigation konfigurieren

Modul 6: Variablen, Filter und Zugriff

Inhaltsverzeichnis: Eingabeparameter und Variablen für wiederkehrende Analyseszenarien definieren · Filterwirkung und Standardwerte aus fachlicher Sicht testen · Data Access Controls in die Konsumlogik einordnen · Berechtigungs- und Filterergebnisse mit Testbenutzern verifizieren

1. Schritt 1: Eingabeparameter und Variablen für wiederkehrende Analyseszenarien definieren
2. Schritt 2: Filterwirkung und Standardwerte aus fachlicher Sicht testen
3. Schritt 3: Data Access Controls in die Konsumlogik einordnen
4. Schritt 4: Berechtigungs- und Filterergebnisse mit Testbenutzern verifizieren

Praxis: Ein regional eingeschränktes Analysemodell mit Zeitvariable testen

Modul 7: Qualität, Performance und Freigabe

Inhaltsverzeichnis: Modellkomplexität und unnötige Berechnungen erkennen · Granularität, Join-Pfade und exponierte Attribute optimieren · fachliche Abnahmetests mit erwarteten Kennzahlenwerten durchführen · Version, Verantwortlichkeit und Freigabestatus dokumentieren

1. Schritt 1: Modellkomplexität und unnötige Berechnungen erkennen
2. Schritt 2: Granularität, Join-Pfade und exponierte Attribute optimieren
3. Schritt 3: fachliche Abnahmetests mit erwarteten Kennzahlenwerten durchführen
4. Schritt 4: Version, Verantwortlichkeit und Freigabestatus dokumentieren

Praxis: Ein Analytic Model anhand eines strukturierten Qualitätskatalogs abnehmen

Praxisübungen

Inhaltsverzeichnis: Vertriebsmodell mit Fakten, Dimensionen, Kennzahlen und Hierarchien erstellen · Aggregationen und Berechnungen mit definierten Erwartungswerten testen · Konsumsicht und Berechtigungswirkung für unterschiedliche Rollen prüfen

• Vertriebsmodell mit Fakten, Dimensionen, Kennzahlen und Hierarchien erstellen
• Aggregationen und Berechnungen mit definierten Erwartungswerten testen
• Konsumsicht und Berechtigungswirkung für unterschiedliche Rollen prüfen