Von Papierbergen zu Datensilos

Data Warehouse, Data Lakehouse oder auch Single Point of Truth – sie sind nichts anderes als digitale Speichersysteme. Ein riesiger Silo also. Ein Depot. Oder ein Warenlager. Dort werden alle Unternehmensdaten, die von Relevanz sind, abgelegt und zusammengeführt. Das heißt: Informationen, die etwa für die Management-Ebene wichtig sind, aber auch solche, die für operative Zwecke dienlich sind. Eben alles, was genutzt werden kann, um Erfolge zu erzielen und den Betrieb zu verbessern.

Während es für die robusten Data Warehouses strukturierte Daten braucht, also ein vorab entworfenes Schema, haben Data Lakes keine solchen Anforderungen. Sie sind unstrukturierte, aber dafür kostengünstige Speicher-Lösungen, die auch mit einem Data Warehouse kombiniert werden können. Dann entsteht ein Data Lakehouse. Hierbei werden die Silowände zwischen dem Data Lake und dem Data Warehouse entfernt, sodass Daten einfach zwischen dem soliden Data Warehouse und der flexiblen Speicherung in einem Data Lake verschoben werden können. Und um den Überblick nicht zu verlieren, gibt es on top passende Reporting-Möglichkeiten. Ein essenzielles Tool also, an dem heutzutage kein namhafter Software-Hersteller mehr vorbeikommt – daher hat auch SAP eine Lösung parat: die SAP Datasphere.

Reporting ist nicht gleich Reporting

Doch an dieser Stelle sei auch gesagt: Es braucht nicht zwingend für jede Reporting-Anforderung ein Data Warehouse als Grundlage. Wovon unterscheidet sich also nun ein Reporting aus einem ERP-System von einem aus einem Data Warehouse?
1
Reporting aus
ERP-System:
Für operative Analysen wird eher auf das ERP-System zurückgegriffen, weil es auf Live-Daten basiert. Kurzfristigere Handlungen stehen im Fokus.

Beispiel: Mitarbeitende müssen Produktionsutensilien bestellen und haben viele Lieferantinnen und Lieferanten zur Auswahl. Um die beste Wahl zu treffen, analysieren sie die Zahlungsmoral dieser. So wechseln sie von einer operativen Tätigkeit, nämlich dem Anlegen der Bestellung, in eine Analyse, die ihnen verrät, welche Lieferantinnen und Lieferanten in der Vergangenheit etwa pünktlich geliefert haben oder wo es Probleme gab.
2
Reporting aus
Data Warehouse:
Für Strategisches – beispielsweise um die Unternehmensperformance zu steigern – eignet sich hingegen die Datenbasis eines Data Warehouses besser, denn diese Analysen sind meist langfristig angelegt und schließen auch Daten aus der Vergangenheit ein. Auch künstliche Intelligenz spielt in diesem Bereich eine größere Rolle, weil ein umfangreicherer Datenbestand vorhanden ist, den die KI unter die Lupe nehmen kann, um etwa Prognosen zu erstellen.

Beispiel: Damit lässt sich etwa die Umsatzentwicklung der letzten Jahre betrachten, wodurch Ausreißer sichtbar werden. In weiterer Folge kann so eruiert werden, was die Gründe hierfür waren und wie dies künftig verhindert werden kann.

Ein Ort für alle Daten

Eine große Stärke von Data Warehouses ist die Tatsache, dass hier Daten aus unterschiedlichsten Quellen gebündelt werden können. Und das wird in Zeiten der Digitalisierung immer bedeutender, schließlich greifen Unternehmen auf viele unterschiedliche Systeme und Plattformen zurück. Die meisten dieser Produkte verfügen zwar mittlerweile selbst über eine gute Auswertungsmöglichkeit der eigenen Datenbasis – aber eben nur der eigenen. Und das ist das Problem.

Das Data Warehouse ist hingegen ein zentraler Punkt, an dem alles zusammenläuft, gebündelt und verknüpft wird. Und in weiterer Folge eben ausgewertet werden kann. Wenn es also darum geht, das große Ganze abzubilden – und das wird heutzutage immer wichtiger – kommen Unternehmen nicht mehr um eine moderne Datenplattform bzw. ein Data Warehouse herum.

Schicht für Schicht zum Datengold

Und wie gelangen nun Informationen aus unterschiedlichen Datentöpfen in einen solchen einheitlichen Silo? Das Zauberwort lautet: Layer, also Schichten. Denn jedes moderne Data Warehouse – ob SAP Datasphere oder Microsoft Fabric – setzt auf ein Schichtenkonzept:
1
Quellsysteme anzapfen:
In der ersten Schicht geht es zunächst darum, alle Daten in das System zu bringen und damit alle verfügbaren Quellsysteme anzuzapfen.
2
Daten verfeinern:
In der nächsten Schicht folgt die Verfeinerung in Form von Anpassungen. Die Daten werden also gefiltert und zugeordnet – je nachdem, welche davon für einen bestimmten Bereich und ein bestimmtes Unternehmensziel relevant sind. So ergeben sich Datenscheiben, die beispielsweise für den Finanzbereich essenziell sind oder andere, die dem Einkauf dienlich sind.

Wichtige Aspekte:

Schließlich können Visualisierungs-Tools zum Einsatz kommen, um die Daten übersichtlich aufzubereiten. Das Ergebnis ist ein modernes Dashboard, das dem jeweiligen Fachbereich hilft, Entscheidungen zu treffen. Doch damit das gelingt, sind zusätzlich ein paar wichtige Aspekte zu berücksichtigen:
1
Klares Ziel:
Es ist unabdingbar, genau zu wissen, was der jeweilige Fachbereich erreichen will und wie die Ziele aussehen. Nur so können die passenden Daten ausgewählt werden.
2
Sauberes Fundament:
Je sauberer die Daten aufbereitet werden, desto einfacher ist später die Visualisierung. Hier kann auch KI bereits unterstützen – aber eben nur, wenn die Grundlage stimmt.
3
Faktor Zeit:
Eine solche Umstellung hin zu einem strukturierten Data Warehouse ist nicht in wenigen Tagen erledigt, sondern benötigt Zeit – doch der Aufwand zahlt sich aus.

Die Zukunft heißt: Business Data Fabric

Moderne Datenplattformen bilden auch die Grundlage für das Konzept „Business Data Fabric“. Es ermöglicht Unternehmen, allen Datennutzer:innen aussagekräftige Daten bereitzustellen, einschließlich des passenden Geschäftskontextes und der entsprechenden Logik. Vereinfacht gesagt: Relevante Daten sind für Mitarbeitende einfach, schnell und unkompliziert zugänglich. Denn der Trend geht dabei immer mehr in Richtung Self Service. Das heißt: Der jeweilige Fachbereich soll zum Großteil dazu imstande sein, Berichte selbst zu modifizieren, um nicht bei jeder Anpassung auf die IT-Abteilung zurückgreifen zu müssen. Die IT kümmert sich also zwar um die Grundlagen, die Verantwortung des Reportings wird allerdings mehr und mehr den Fachbereichen übergeben. Und hier sind mittlerweile auch situative Eingriffe möglich, etwa wenn Daten nachträglich hinzugefügt werden müssen.

Die SAP Datasphere

Deswegen investieren große Software-Hersteller kräftig in die Benutzerfreundlichkeit. So auch SAP. Das Cloud-Data-Warehouse-System des namhaften Herstellers heißt SAP Datasphere. Und punktet mit folgenden Vorzügen:
1
skalierbare Datenplattform mit Layer-Prinzip
2
Daten können optimal für verschiedene Abteilungen aufbereitet werden (Spaces)
3
benutzerfreundlich und im Web zugänglich
4
perfekte Integration mit SAP S/4HANA
SAP setzt auch verstärkt auf die Cloud-Technologie, genauso wie Microsoft und deren Datenplattform Microsoft Fabric. Die Tage der klassischen SQL-Datenbanktabellen sind also gezählt, die Ära der modernen Datenbündelung kann beginnen – auch in Ihrem Unternehmen.

Jetzt müssen Sie sich nur noch für ein System entscheiden.

Unsere ganzheitliche Beratung

Doch das ist nicht so leicht, oder? Wir wissen: Das Ganze hängt von vielen Faktoren ab. Es gilt, vor allem die bisherige Systemlandschaft und etwaige Anbindungsmöglichkeiten zu analysieren, um abwägen zu können, was sich besser eignet. Unser Vorteil? Das scc-Team verfügt sowohl über Expertise im SAP- als auch Microsoft-Umfeld. Bei uns steht also kein Hersteller im Mittelpunkt, sondern Sie. Und Ihre individuelle Situation.

Ein erfolgreiches Unternehmen kommt heutzutage aufgrund der Menge an unterschiedlichen Systemen bzw. Datenlieferanten – neben Systemen eben auch Geräte und Maschinen – nicht mehr ohne Datenplattform aus. Ob SAP oder Microsoft – unser Vorteil ist, dass wir in beiden Welten zu Hause sind und Sie daher optimal beraten können.
Clemens Stadler
LoB Manager Analytics & Planning