In diesem Blogbeitrag zeigen wir detailliert, wie Sie SAC-Modelle von Grund auf erstellen und effektiv nutzen können. Unser Ziel ist es, Ihnen einen umfassenden Überblick über die Modellierungsfunktionen in der SAP Analytics Cloud zu geben und zu zeigen, wie diese Modelle in realen Szenarien angewendet werden können. Die Modelle unterstützen Ihre Entscheidungen mit präzisen Analysen.
Von der Auswahl des richtigen Modelltyps – ob Live- oder Importmodell, analytisch oder planend – über die grundlegenden Schritte der Erstellung bis hin zu fortgeschrittenen Tipps für Datenintegration und -management. Wir decken alle wichtigen Punkte ab, die Sie benötigen, um Ihre Analysefähigkeiten auf die nächste Stufe zu heben und Ihre SAP Analytics Cloud Investitionen optimal zu nutzen.
Was ist ein SAP Analytics Cloud Model?
Ein SAC Model ist eine zentrale Struktur innerhalb der SAP Analytics Cloud, die es ermöglicht, Daten für Analysen, Planungen und prädiktive Szenarien zu organisieren und zu nutzen. In diesem Abschnitt betrachten wir die verschiedenen Typen von SAC-Modellen und ihre spezifischen Anwendungsfälle.
Live-Modell
![](https://titecon.de/wp-content/uploads/2024/05/SAC-Model-Live-Modell-e1715243762972.png)
Bei einem Live-Modell werden die Daten direkt in der Quelldatenbank verarbeitet. Das bedeutet, dass die Daten nicht physisch in die SAC-Plattform importiert werden, sondern bei jeder Anfrage in Echtzeit abgerufen werden. Dies minimiert die Datenredundanz und ermöglicht eine aktuelle Sicht auf die Daten. Typische Datenquellen für Live-Modelle sind SAP S/4HANA, SAP BW inkl. BPC, SAP Datasphere oder SAP HANA. Eher seltener genutzte Live-Datenquellen sind SAP Universen und SAP Web Intelligence Dokumente.
Importmodell
Im Gegensatz zu Live-Modellen werden bei einem Importmodell die Daten aus externen Quellen in die SAP Analytics Cloud geladen und dort gespeichert. Dies ermöglicht eine umfassendere Datenmanipulation und -bereinigung innerhalb der SAP Analytics Cloud, erfordert jedoch eine regelmäßige Aktualisierung der importierten Daten, um ihre Aktualität zu gewährleisten. Importmodelle sind nützlich, wenn Daten aus mehreren Quellen konsolidiert oder umfangreiche Berechnungen erforderlich sind, die nicht in der Quelldatenbank durchgeführt werden können. Des Weiteren ist Planung innerhalb der SAP Analytics Cloud nur auf Basis von Importmodellen möglich.
Da bei einem Live-Modell nach der Anbindung an die Datenquelle nahezu keine Einstellungen zu machen sind, bezieht sich der folgende Text nahezu ausschließlich auf die Besonderheiten von Importmodellen.
Analytisches Modell vs Planungsmodell
Analytisches Modell
Dieser Modelltyp ist darauf ausgerichtet, historische Daten zu analysieren. Analytische Modelle sind ideal für Berichte, Dashboards und Datenexploration. Sie unterstützen komplexe Aggregationen, Zeitreihenanalysen und können für detaillierte Analysen großer Datensätze verwendet werden.
Planungsmodell
Planungsmodelle erweitern die Funktionen der analytischen Modelle um planungsspezifische Features wie Versionierung von Planungsszenarien, What-if-Analysen und integrierte Finanzplanung. Sie ermöglichen den Benutzern, sowohl quantitative als auch qualitative Planungsdaten in ihre Prognosen einzubeziehen, und unterstützen kollaborative Planungsprozesse. Planungsmodelle setzen eine entsprechende Planungslizenz voraus.
Ein Dataset ist grundsätzlich vergleichbar mit einem SAC Model: Beides sind Elemente, um Daten in der SAP Analytics Cloud zu strukturieren und in beiden Fällen gibt es Live- und Import-Varianten. In der Praxis wird ein Datenset meistens im Zusammenhang mit Predictive Funktionalitäten verwendet, während ein Model für die Berichterstattung und Planung eingesetzt wird. Diese Verwendung ergibt sich durch die spezifischen Besonderheiten von Datasets und Modellen.
Datasets
Datasets bieten – außer einem HANA-Live-Datenrepository – keine Möglichkeiten zur Live-Anbindung von Daten. Ähnlich wie bei einem Importmodell können beim Laden der Daten diese transformiert werden und z. B. neue Spalten durch Kalkulationen berechnet werden. Die umfangreichen Funktionen berechneter Kennzahlen stehen hingegen nicht zur Verfügung. Dafür können die Prognoseszenarien: Klassifikation, Regression und Zeitreihenanalyse auf ein Datenset angewendet werden.
Model
Ein SAC Model bietet neben einer wesentlich umfangreicheren Live-Konnektivität auch als Importmodell mehr Möglichkeiten, wie z. B. Währungsumrechnung, Datenaudits, Planung inkl. Validierungen und Sperrregeln, die Verwendung globaler Dimensionen und umfangreiche Möglichkeiten berechnete Kennzahlen zu erstellen sowie mehr Möglichkeiten, die Daten im Modell zu exportieren. Dafür ist die Verwendung von Predictive Funktionen eingeschränkt: Ein Modell ermöglicht nur die Zeitreihenanalyse, während Klassifikationen und Regressionen auf Datasets beschränkt sind.
Faktisch wird deshalb im Predictive-Bereich mit Datasets und ansonsten mit Modellen gearbeitet.
Vorteile des “neuen” Modells (Kennzahlenmodell) gegenüber dem klassischen Modell (Kontenmodell)
Bis 2021 gab es in der SAP Analytics Cloud nur das klassische Modell, was das sogenannte Kontenmodell (Account Model) nutzt. Mit dem “New Model” kann seit Mitte 2021 das Kennzahlenmodell in der SAP Analytics Cloud genutzt werden.
Kontenmodell
Beim Kontenmodell gibt es exakt eine Kennzahl (z. B. Wert in €). Wofür diese Kennzahl steht, wird durch die Dimension “Konto” in dem Datenmodell definiert. Traditionelle Finanzmodelle verwenden oft das Kontenmodell, bei dem die Dimension Konto eine hierarchische Struktur in Form einer Bilanz oder Gewinn- und Verlustrechnung hat. Jedes “Konto” repräsentiert eine finanzielle Position oder einen Posten, wie z. B. “Umsatz”.
Kennzahlenmodell
Das “neue” Modell in der SAP Analytics Cloud hingegen basiert auf Kennzahlen. Dieser Ansatz ist flexibler und dynamischer. Anstatt ausschließlich feste Kontenstrukturen zu nutzen, können Daten über Kennzahlen modelliert werden. Zusätzlich kann der Konten- und Kennzahlenansatz im neuen Modell kombiniert werden. Am Beispiel eines Finanzmodells gäbe es dann z. B. die Kennzahlen Wert in Hauswährung, Wert in Transaktionswährung und Wert in Konzernwährung. Diese Kennzahlen werden mit einem Konto wie oben beschrieben kombiniert, sodass man daraus z. B. den Umsatz in Transaktionswährung oder den Umsatz in Konzernwährung anzeigen kann.
Neben mehr Flexibilität bei der Modellierung bietet das neue Modell eine bessere
Verwaltung der Daten – Importe und Exporte. So kann z. B. im klassischen Modell
ein einmal definierter Import nicht mehr geändert werden. Dies hatte in der
Vergangenheit dazu geführt, dass Importe bei sich ändernden Anforderungen immer
wieder komplett neu implementiert werden mussten. Mit dem neuen Modell ist dies
nicht mehr notwendig, da die Änderungen in der bestehenden Importlogik
umgesetzt werden können. Insofern empfehlen wir, bei neuen Entwicklungen immer das neue Modell zu nutzen und alte Modelle in das neue Modell zu migrieren.
Die wesentlichen Bestandteile eines Modells
Ein SAC Model besteht aus verschiedenen Komponenten, die entscheidend für die
Funktionalität des Modells sind. Sie beeinflussen die Art und Weise, wie Daten
organisiert, analysiert und visualisiert werden.
Öffentliche vs. Private Dimensionen
Dimensionen in einem Modell sind wie Merkmale in SAP BW: Sie beschreiben, wofür der Wert
einer Kennzahl steht. So enthält z. B. jedes Modell eine Dimension
“Datum”. Mit einer beispielhaften Kennzahl “Umsatz in €” erkennt man zusammen mit der Dimension Datum, an welchem Tag, Woche, Monat oder Jahr wie viel Umsatz erzielt wurde. Bei den Dimensionen unterscheidet man
zwischen zwei verschiedenen Typen:
Öffentliche Dimensionen
Diese Dimensionen sind global innerhalb der SAP Analytics Cloud verfügbar und können in mehreren Modellen verwendet werden. Sie fördern die Konsistenz und Wiederverwendbarkeit von Datenstrukturen. Öffentliche Dimensionen sind ideal, um einheitliche Sichten über verschiedene Modelle und Berichte hinweg zu gewährleisten. Beispiele für üblicherweise öffentliche Dimensionen sind der Buchungskreis oder das Buchhaltungskonto. Fügt man dem Buchhaltungskonto nachträglich z. B. ein Attribut wie “GuV- oder Bilanzkonto” hinzu, dann ist dieses Attribut anschließend in allen Modellen und Berichten verfügbar, die diese öffentliche Dimension verwenden.
Damit können für Kennzahlen Bedingungen anhand von fixen Zahlenbereichen oder dem Vergleich mit anderen Kennzahlen festgelegt werden. Zusätzlich können diese Bedingungen per Filter eingeschränkt werden, sodass sie nur auf definierte Daten wirken. Abschließend lässt sich – wie in der Story – die Darstellung der Bedingung wählen.
Private Dimension
Im Gegensatz dazu sind private Dimensionen spezifisch für ein einzelnes Modell und nicht wiederverwendbar in anderen Modellen. Sie werden oft für spezielle, modellabhängige Daten verwendet, die keine Relevanz außerhalb ihres spezifischen Kontexts haben. Private Dimensionen bieten Flexibilität in der Modellgestaltung, indem sie die Anpassung an spezifische analytische Anforderungen erleichtern. Des Weiteren können private Dimensionen beim Import von Bewegungsdaten automatisch aktualisiert werden, während dies für öffentliche Dimensionen vor dem Laden von Bewegungsdaten erfolgen muss.
Kennzahlen und berechnete Kennzahlen
Kennzahlen
Diese repräsentieren quantitative Daten, die in einem Modell gemessen, verfolgt und analysiert werden. Beispiele hierfür könnten Umsatz, Kosten oder Gewinnmargen sein. Kennzahlen sind essentiell für die Durchführung von Analysen und das Treffen datengestützter Entscheidungen.
Berechnete Kennzahlen
Neben standardmäßigen Kennzahlen erlaubt SAC auch die Definition von berechneten. Kennzahlen. Diese sind das Ergebnis von Formeln oder Funktionen, die auf bestehende Kennzahlen oder Dimensionen angewendet werden. Berechnete Kennzahlen können verwendet werden, um spezifische Geschäftsanforderungen wie Wachstumsraten, kumulative Summen oder Durchschnittswerte darzustellen. Die Flexibilität der Berechnungen hat sich in den letzten Quartalen deutlich erweitert: Neben der Einschränkung auf spezifische Werte in den Dimensionen (“eingeschränkte Kennzahlen”) können komplexe Berechnungen, Ausnahmeaggregationen, Zeitreihenvergleiche und vieles mehr als berechnete Kennzahl angelegt werden.
Datenintegration und -management
Ein wesentlicher Bestandteil bei Importmodellen ist das (üblicherweise regelmäßige) Laden der Daten. Beim Import der Daten können diese innerhalb der SAP Analytics Cloud durch unterschiedlichste Filter, Bereinigungen und Formeln angepasst werden. Trotzdem ist die SAC hier dem ETL-Prozess (Extraktion-Transformation-Laden) von z. B. SAP BW oder SAP Datasphere deutlich unterlegen. Größere Datenanpassungen empfehlen wir deshalb vor dem Import in die SAC umzusetzen.
Neben dem Import von Daten können Daten aus der SAC exportiert werden – z. B. in eine S/4HANA System – oder durch z. B. ein BW aus der SAC importiert werden.
Wichtige Überlegungen beim Design eines Modells
Beim Entwerfen eines SAC Modells ist es entscheidend, die mögliche zukünftige Nutzung mitzudenken. Hier sind einige Schlüsselaspekte, die berücksichtigt werden sollten, um ein robustes und effizientes Modell zu entwickeln:
Datenstruktur und Granularität
Die Struktur des Modells und die Granularität der Daten sind grundlegend für die Leistung und Skalierbarkeit. Es ist wichtig zu entscheiden, wie detailliert die Daten sein sollten, um die analytischen Anforderungen zu erfüllen, ohne die Leistung zu beeinträchtigen. Eine zu hohe Granularität kann zu langsameren Abfragen und schwierigerem Datenmanagement führen, während eine zu geringe Granularität möglicherweise nicht genügend Einblicke liefert. Dieser Aspekt ist besonders wichtig, wenn es sich um ein Planungsmodell handelt, da hier Performanceauswirkungen besonders deutlich auftreten.
Auswahl und Definition von Dimensionen
Die Auswahl der richtigen Dimensionen (z.B. Zeit, Produkt, Kunde) und ihre sorgfältige Definition sind entscheidend für die Flexibilität und Nutzbarkeit des Modells. Üblicherweise ist hier bereits im Quellsystem viel Vorabreit geschehen, sodass sich die Folgefrage anschließt, ob eine Dimension öffentlich oder privat sein soll. Insbesondere Dimensionen mit Hierarchien, die in unterschiedlichen Modellen vorkommen, bieten sich als öffentliche Dimensionen an. Typische Beispiele im SAP Umfeld sind der Buchungskreis, die Vertriebsorganisation oder das Konto.
Anwendung von Hierarchien
Hierarchien in Dimensionen erleichtern tiefere Einsichten durch Drill-Downs und Roll-Ups. Sie sollten klar strukturiert sein, um die Navigation innerhalb der Daten zu erleichtern und mehrdimensionale Analysen zu unterstützen.
Datensicherheit und Zugriffskontrolle
Mit der Verwendung eines Importmodells müssen zwangsweise Sicherheitsüberlegungen angegangen werden, da die Berechtigungen aus dem Quellsystem nicht mehr greifen. Dementsprechend muss der Zugriff auf die Daten gemäß den organisatorischen Richtlinien und Compliance-Anforderungen konfiguriert werden. Rollenbasierte Zugriffskontrollen und die Definition von Benutzerberechtigungen sind entscheidend, um sicherzustellen, dass sensible Daten geschützt bleiben.
Integration und Erweiterbarkeit
Während es für Live-Modelle gute Gründe geben kann, je Bericht ein spezifisches Live-Modell zu erstellen, sollten Importmodelle flexibler und nicht nur auf eine spezifische Berichtsanforderung angelegt werden. Es sollte stattdessen auch die Möglichkeit bieten, erweitert zu werden, wenn neue Anforderungen oder Datenquellen hinzukommen.
Tipps und Best Practices
Um das volle Potenzial der SAP Analytics Cloud Modelle auszuschöpfen, ist es wichtig, gängige Fehler zu vermeiden, die Modellpflege zu erleichtern und die Datenintegrität sowie die Benutzerzufriedenheit zu verbessern. Hier sind einige wesentliche Tipps und Best Practices für die Arbeit mit SAC-Modellen.
Allgemeine Fehler, die es zu vermeiden gilt
Verkomplizierung des Modells
Vermeiden Sie es, das Modell unnötig komplex zu gestalten. Eine zu detaillierte Granularität oder zu viele berechnete Kennzahlen können die Performance beeinträchtigen und die Benutzerfreundlichkeit verringern.
Vernachlässigung der Datenqualität
Die Qualität der Daten hat direkten Einfluss auf die Analyseergebnisse. Fehlerhafte oder unvollständige Daten sollten vor der Integration in das Modell bereinigt und korrigiert werden.
Unzureichende Dokumentation
Eine gute Dokumentation des Modells und seiner Komponenten ist essenziell, um dessen Nachvollziehbarkeit und Wartbarkeit zu sichern. Da es innerhalb der SAP Analytics Cloud keine (sinnvolle) Dokumentationsmöglichkeit gibt, ist diese insbesondere bei vielen berechneten Kennzahlen oder komplexen Transformationen beim Beladen hilfreich.
Manuelle Prozesse
Automatisieren Sie regelmäßige Aufgaben wie Datenimporte und -aktualisierungen, um Fehler zu minimieren und die Effizienz zu steigern.
Empfehlungen für die fortlaufende Schulung und Unterstützung
Schulung der Endbenutzer
Regelmäßige Schulungen für die Endbenutzer sind entscheidend, um sicherzustellen, dass sie die Fähigkeiten haben, das Modell effektiv zu nutzen und die verfügbaren Daten vollständig auszuschöpfen. Gerade im Bereich Ad-Hoc Reporting und bei der Nutzung des Data Analyzers ist es essenziell, dass die Endanwender das Modell verstehen.
Bereitstellung von Support-Ressourcen
Für Key-User und Ad-Hoc Reporting sollten neben einer Schulung umfassende Hilfsmittel und Support-Ressourcen zur Verfügung stehen, darunter Anleitungen, FAQ-Dokumente und Kontaktmöglichkeiten für technische Unterstützung.
Förderung von Feedback und Verbesserungen
Ermutigen Sie die Nutzer, Feedback zu geben und Verbesserungsvorschläge zu machen. Dies fördert nicht nur die Akzeptanz des Modells, sondern kann auch wertvolle Einblicke in mögliche Optimierungen bieten.
Zusammenfassung und Schlussfolgerung
In diesem Blogbeitrag haben wir einen umfassenden Überblick über die Erstellung und Nutzung von SAC-Modellen gegeben. Sie wissen nun, was ein SAC-Modell ist und kennen die Unterschiede zwischen Live- und Importmodellen, zwischen analytischen und Planungsmodellen, zwischen Konten- und Kennzahlenmodellen sowie den Unterschied zwischen einem SAC-Modell und einem Dataset.
Die einzelnen Bestandteile eines Modells, wie öffentliche und private Dimensionen, Kennzahlen und berechnete Kennzahlen sowie die Integration und das Management von Daten, wurden ebenfalls erwähnt. Darüber hinaus wurden wichtige Überlegungen beim Design eines Modells und bewährte Praktiken für die Pflege, Aktualisierung und fortlaufende Schulung im Umgang mit SAC-Modellen aufgezeigt.
Zusammenfassend empfehlen wir dringend, wo immer möglich das neue Modell zu verwenden. Sprechen Sie uns gerne an, wenn Sie konkrete Fragen zur Modellierung oder auch generell zur SAP Analytics Cloud haben.
- SAC Model – Alles wissenswerte zu effizienten Analysen
- Technische Information
- Denis Titho
Weitere interessante Blogbeiträge
![SAP Analytics Cloud Data Analyzer - im SAC Menü](https://titecon.de/wp-content/uploads/2024/02/SAP-Analytics-Cloud-Data-Analyzer-im-SAC-Menue-min-300x180.png)
SAP Analytics Cloud Data Analyzer ☁️ Ad-hoc Datenanalysen
Lesedauer 7 mins In diesem Beitrag erfahren Sie, was der SAP Analytics Data Analyzer ist, wofür er eingesetzt wird, sowie die Anwendung und deren Hauptfunktionen mit unserem Best Practice zum Schluss.
![4.2.2.3.2 Berechnete Kennzahlen: Laufende Summen und Zeitvergleiche](https://titecon.de/wp-content/uploads/2023/12/Berechnete-Kennzahlen-min-300x169.png)
Alle Neuerungen 2024 ☁️ SAP Analytics Cloud
Lesedauer 10 mins Erfahren Sie alles Wichtige über die Neuerungen 2024 bei der SAP Analytics Cloud. Es erwartet Sie Veränderung für mehr Leistung, Flexibilität…
![SAP Digital Boardroom - Theme Einstellungen & Preview](https://titecon.de/wp-content/uploads/2023/10/SAP-Digital-Boardroom-Theme-Einstellungen-Preview-300x175.png)
SAP Analytics Cloud Digital Boardroom ☁️ Professionelle Besprechungen
Lesedauer 7 mins In diesem Beitrag erfahren Sie was der SAP Digital Boardroom ist, wofür er eingesetzt wird, unser Best Practice in der Anwendung und die Vorteile & Nachteile.
Denis Titho ist SAP Analytics Cloud Experte. Über 20 Jahre an Erfahrungswerten bei Unternehmensberatungen und IT-Unternehmen, lassen ihn die Möglichkeiten von souveränen, datenbasierten Entscheidungen bestens wissen. Er ist überzeugt, dass Erkenntnisse aus den eigenen Unternehmenszahlen gepaart mit datenbasierten Entscheidungen die Zukunft eines Unternehmens erfolgreich gestalten lässt.
Zuletzt aktualisiert am 5. August 2024