- AI, SAP Business Data Cloud (BDC)
- SAP Business AI
- 6 Min Lesezeit
Maximilian Hahn
Dieses Wiki befasst sich mit der Verknüpfung von Artificial Intelligence (AI) und Business Intelligence (BI) für modernes Reporting im Databricks Lakehouse. Es wird erläutert, wie diese Kombination Unternehmen dabei unterstützen kann, ihre Daten effizienter zu nutzen und fundiertere Entscheidungen zu treffen.
Inhaltsverzeichnis
1. Die Konvergenz zweier Welten: Das Ende der Datensilos
In der klassischen IT-Architektur waren Business Intelligence (BI) und Künstliche Intelligenz (AI) oft in technologischen und organisatorischen Silos gefangen. Während die BI-Abteilung historisch gewachsene Data Warehouses pflegte, um Rückblick-Analysen zu erstellen, arbeiteten Data Scientists in isolierten Data Lakes an experimentellen Vorhersagemodellen – wie zwei Crews in getrennten Kontrollzentren, die zwar an derselben Mission, aber nicht mit denselben Instrumenten arbeiten.
Diese Trennung führt unweigerlich zu:
- Inkonsistenten Wahrheiten: Unterschiedliche Logiken in Warehouse und Lake.
- Hoher Latenz: Daten müssen aufwendig zwischen Systemen hin- und hergeschoben werden (ETL-Overhead).
AI & BI mit Databricks hebt diese Trennung auf und holt unsere Crews aus ihren jeweiligen Kontrollzentren erstmals in ein gemeinsames Cockpit – dem Lakehouse.
2. Das Fundament: Die Databricks Lakehouse Plattform
Das Lakehouse-Konzept ist die Antwort auf die Schwächen klassischer Architekturen. Es vereint die strengen Governance- und Performance-Features eines Data Warehouse mit der grenzenlosen Flexibilität eines Data Lake – gewissermassen die Kombination aus zuverlässiger Trägerrakete und flexibel erweiterbarem Orbitallabor.
Die technologischen Säulen
- Cloud Data Lake als Storage Layer: Das physische Fundament des Lakehouse. Hier werden alle Daten – ob strukturiert (Tabellen), semistrukturiert (JSON/XML) oder unstrukturiert (Bilder, PDFs) – in kosteneffizienten Cloud-Speichern wie Azure Data Lake Storage (ADLS), AWS S3 oder Google Cloud Storage Im Gegensatz zu klassischen Silos ermöglicht der Cloud Data Lake die Speicherung massiver Datenmengen im Rohformat, ohne vorab eine starre Struktur erzwingen zu müssen.
- Delta Lake: Diese Schicht bringt ACID-Transaktionen (Atomicity, Consistency, Isolation, Durability) in den Data Lake. Sie garantiert, dass Datenoperationen zuverlässig sind, ermöglicht Zeitreisen (Time Travel) durch Datenversionierung und bildet die Basis für die „Single Source of Truth“. Delta Lake stellt damit sicher, dass das Datenfundament stabil bleibt – unabhängig davon, wie viele „Missions-Updates“ (Datenänderungen) es im Hintergrund gibt.
- Unity Catalog: Das Gehirn der Plattform. Als zentrale Governance-Schaltstelle verwaltet er Berechtigungen, Lineage (Datenherkunft) und Zugriffskontrollen über alle Assets hinweg – egal ob Tabellen, Dateien oder ML-Modelle. Analysten und Data Scientists arbeiten so auf identischen, gesicherten Datensätzen. Unity Catalog übernimmt dabei die Rolle einer Art „Mission Control“, die genau weiss, wer auf welche Systeme zugreift und wie die Daten durch die Plattform fliessen.
3. Modernes BI: High-Performance Analytics
Business Intelligence auf Databricks bedeutet heute weit mehr als das blosse Betrachten von statischen Dashboards. Klassische Reports sind oft nicht mehr als eine Momentaufnahme: ein gestochen scharfes Bild aus dem RückspiegelBI auf Databricks tauscht diesen Blick gegen die Panoramascheibe des Cockpits. Sie ermöglicht interaktive, skalierbare Analysen, die auf Live-Datenströmen basieren. Statt nur Vergangenes zu bilanzieren, können Sie dynamisch auf Ereignisse reagieren, die sich direkt vor Ihnen entfalten – und so den Kurs proaktiv bestimmen.
Maximale Performance durch die Photon-Engine & Spark
Databricks setzt auf eine duale Strategie für Datenverarbeitung und kann auch mit hoher Arbeitslast problemlos umgehen:
- Apache Spark: Das bewährte Framework für die Orchestrierung und Verteilung massiver Arbeitslasten über Cluster hinweg.
- Photon-Engine: Eine in C++ geschriebene, native Vectorized Execution Engine. Photon ist für moderne CPU-Architekturen optimiert und übernimmt die tatsächliche Rechenarbeit der Queries. Das Ergebnis: SQL-Abfragen werden bis zu 10-mal schneller verarbeitet als in herkömmlichen Systemen.
Offene Konnektivität & Echtzeit
Dank offener Standards wie Delta Sharing und robuster Schnittstellen (ODBC/JDBC) lassen sich etablierte Tools wie Power BI, Tableau oder die SAP Analytics Cloud (SAC) ohne Performance-Verluste anbinden. Durch die native Integration von Streaming-Daten wandelt sich das Reporting von einer retrospektiven Betrachtung hin zu Real-Time Insights.
4. Künstliche Intelligenz: Von der Vision zur produktiven Wertschöpfung
Während BI erklärt, was passiert ist, liefert AI die Antwort auf die Frage: Was wird passieren? Databricks demokratisiert diesen Prozess, indem es die Distanz zwischen rohen Daten und intelligenten Vorhersagen minimiert. Um diesen Weg von der strategischen Idee bis hin zur operativen Anwendung zu ebnen, setzt die Plattform auf drei technologische Säulen, die den gesamten AI-Lebenszyklus abdecken:
- End-to-End ML Lifecycle: Mit MLflow integriert Databricks den gesamten Lebenszyklus eines Modells – vom Experimentieren in Notebooks (Python, R, SQL) über das automatisierte Training via AutoML bis hin zum Deployment.
- Generative AI & LLMs: Unternehmen können moderne Large Language Models sicher innerhalb ihrer eigenen Cloud-Umgebung auf proprietären Daten trainieren oder feinjustieren, ohne die Datenhoheit zu verlieren.
- Data Intelligence: Durch integrierte AI-Assistenten (wie den Databricks Assistant oder Genie (siehe Abb.2)) wird die Barriere für Fachanwender gesenkt. Ein einfacher Prompt in natürlicher Sprache genügt, um komplexe SQL-Logiken zu generieren oder Datenvisualisierungen zu erstellen.
Die folgenden Abbildungen zeigen anhand von Wetter-Daten beispielhaft, wie mithilfe der Genie-AI anhand eines Prompts in natürlicher Sprache eine Ausgabe geliefert und diese visualisiert wird.
Die folgenden Abbildungen zeigen anhand von Wetter-Daten beispielhaft, wie mithilfe der Genie-AI anhand eines Prompts in natürlicher Sprache eine Ausgabe geliefert und diese visualisiert wird.
5. Der entscheidende Faktor: Kontext für die AI-Engine
Ein Large Language Model (LLM) ohne spezifischen Kontext ist vergleichbar mit einem brillianten Piloten, der noch nicht auf ein spezifisches Raketenmodell geschult wurde. Die Fähigkeit allein reicht nicht.
Um präzise, geschäftsrelevante Ergebnisse zu erzielen, setzt Databricks auf drei Anreicherungsebenen für die AI:
- Metadaten: Die AI versteht die Struktur Ihrer Tabellen (z. B. aus SAP-Systemen) und interpretiert Felder im richtigen Zusammenhang.
- Branchen-Know-how: Fachspezifische Standards wie ISA-95 für die Fertigungsindustrie können als „Instructions“ hinterlegt werden (siehe Abb. 5). So berechnet die AI Kennzahlen (z. B. OEE) automatisch regelkonform.
- Geschäftsziele: Durch die Integration von Plandaten ermöglicht die Plattform automatisierte Abweichungsanalysen und proaktive Handlungsempfehlungen.
6. Das Beste aus beiden Welten:
Die Synergie von SAP und Databricks
Der entscheidende Vorteil liegt in der Kontextualisierung über ein gemeinsames semantisches Layer: Im Lakehouse lassen sich Daten aus SAP S/4HANA oder BW/4HANA nahtlos mit externen Quellen wie IoT-Sensoren oder Marktdaten korrelieren. Das semantische Layer fungiert dabei als „Übersetzer“, der komplexe SAP-Datenstrukturen in eine einheitliche, geschäftsorientierte Logik überführt. Diese Verknüpfung verwandelt starre Transaktionsdaten in eine dynamische Entscheidungsgrundlage, die weit über das klassische SAP-Reporting hinausgeht und völlig neue Möglichkeiten für AI-gestützte Prognosen eröffnet.
Praxisbeispiel: Intelligent Supply Chain
Ein Industrieunternehmen überwacht tagesaktuelle Verkaufszahlen aus SAP via BI auf Databricks. Dank des semantischen Layers greift das AI-Team direkt auf validierte Kennzahlen zu, um eine präzise Nachfrageprognose zu erstellen. Diese Ergebnisse fließen automatisiert zurück in das SAP-System, um die Lagerhaltung zu optimieren. Das Ergebnis: Reduzierte Kapitalbindung bei maximaler Lieferfähigkeit durch eine nahtlose Verbindung von operativer Effizienz und AI.
- SAP Databricks (via SAP BTP): Hier fungiert Databricks als integrierte Engine innerhalb der SAP Business Technology Platform. Dies bietet eine tiefe prozessuale Verzahnung und nutzt bestehende SAP-Governance-Strukturen – ideal für eine „SAP-first“-Strategie.
- Native Databricks: Die Plattform wird direkt auf Azure, AWS oder GCP betrieben. Dieser Ansatz bietet maximale technologische Freiheit, schnelleren Zugriff auf neueste Innovationen (z. B. GenAI) und eine flexiblere Skalierung. Er ist die erste Wahl, wenn das Lakehouse als universelle Datenplattform über das SAP-Ökosystem hinaus dienen soll.
7. Fazit: Eine strategische Investition in die Zukunft
Die Konsolidierung von AI und BI auf Databricks bedeutet nicht, Ihre bewährte Crew auszutauschen. Es geht darum, ihr endlich ein modernes, smartes Cockpit zu geben, in dem sie ihr volles Potenzial entfalten kann. Anstatt Systeme mühsam neu aufzusetzen, integriert sich das Lakehouse nahtlos und maximiert den Wert Ihrer vorhandenen Daten.
Dieser Ansatz reduziert Komplexität, sichert die Datenhoheit und beschleunigt den Weg zur fundierten Entscheidung – bei vollem Schutz Ihrer bisherigen Investitionen.
Möchten Sie das Potenzial Ihrer (SAP-)Daten voll ausschöpfen? Unsere Expert*innen begleiten Sie auf der Reise zur Data Intelligence.
Weiterführende Ressourcen
- Vergleich: SAP Databricks vs. Native Databricks
- Whitepaper: Technologische Grundlagen von Databricks und der SAP BDC
- Download: E-Book: Databricks Guide für SAP-Kunden
Die Raumstation: Medallion-Architektur als Herzstück der Lakehouse-Mission
Wie funktioniert das in der Datasharing mit SAP und Databricks? Die strategische Partnerschaft zwischen SAP und Databricks ermöglicht eine nahtlose Integration. Sie können aus dem SAP-System über den „BDC Connector“ direkt in Databricks als „Business Data Products“ bereitstellen. Dank Delta Sharing können diese Daten dann „live“ und „zero-copy“ für Analyse- und KI-Anwendungen genutzt werden, ohne sie aus der SAP-Umgebung extrahieren und kopieren zu müssen.
Mission Control: Die Architektur des Databricks Unity Catalog im modernen Enterprise-Datennetzwerk
Wie funktioniert das in der Datasharing mit SAP und Databricks? Die strategische Partnerschaft zwischen SAP und Databricks ermöglicht eine nahtlose Integration. Sie können aus dem SAP-System über den „BDC Connector“ direkt in Databricks als „Business Data Products“ bereitstellen. Dank Delta Sharing können diese Daten dann „live“ und „zero-copy“ für Analyse- und KI-Anwendungen genutzt werden, ohne sie aus der SAP-Umgebung extrahieren und kopieren zu müssen.
BDC Connect: Der direkte Draht zu Databricks, Snowflake und Co.
Die Integration von SAP-Daten in moderne Cloud-Plattformen wie Databricks oder Snowflake gleicht oft einem Hürdenlauf: Komplexe ETL-Prozesse, kostspielige Datenkopien und der Verlust wertvoller Geschäftslogik sind die Regel. Doch damit ist jetzt Schluss. SAP läutet mit BDC Connect eine neue Ära ein, in der der direkte Live-Zugriff auf Daten ohne Replikation zum Standard wird.
