Coverstory 20-11 MAG 20-11

Damit Data-Driven Wirklichkeit wird

[shutterstock.com: 227959363, kentoh]
[shutterstock.com: 227959363, kentoh]

In den vergangenen Jahren ist nicht nur das Volumen an verfügbaren Daten rasant gestiegen. Auch die Anzahl der Konzepte zum Umgang mit Daten und die Menge an dazu geeigneten Technologien haben enorm zugenommen.

Vor dem Hintergrund „Data-Driven“ entfaltet sich eine Debatte, die reich ist an Buzzwords: von Artificial Intelligence über Natural Language Processing bis Robotic Process Automation. Das alles wirkt zwar schnell wie ein Hype. Allerdings hat der Hype in diesem Fall tatsächlich Substanz. Unternehmen können aus Daten auf unterschiedliche Weise einen enormen Nutzen ziehen.

Kompetenzen und Technologien

Die Tatsache, dass ein immenses Potenzial vorhanden ist, das bislang aber noch nicht vollumfänglich genutzt wird, legt aus unserer Sicht den Schluss nahe, dass Unternehmen rasch in zwei Dimensionen investieren müssen, um ihre Daten optimal zu nutzen und sich so Wettbewerbsvorteile zu verschaffen: in Kompetenz und Technologie.

Kompetenz auf der einen Seite ist notwendig, um Daten zielführend zu analysieren. Das setzt zunächst einmal ein tiefes mathematisches und ein breites Business-Verständnis voraus. Mitarbeiterinnen und Mitarbeiter müssen also beispielsweise in der Lage sein, Hypothesen zur Kundenzufriedenheit zu bilden und diese mithilfe der Daten zu verifizieren bzw. zu falsifizieren. Oder ihnen muss es gelingen, aus den in den Daten erkannten Mustern schlüssige Interpretationen für das Business abzuleiten.

Technologie ist auf der anderen Seite unverzichtbar, weil nur mit dedizierten Lösungen Daten verarbeitet werden können. Das betrifft nicht nur die reine Analyse der Daten, sondern auch die vorher erforderlichen Schritte – Erfassung, Harmonisierung und Verarbeitung. Technologie schlägt somit die Brücke zur Kompetenz, wenn beispielsweise Augmented Analytics in der SAP Analytics Cloud eine Datenaufbereitung zur Verfügung stellt, die Mitarbeiter durch ­Machine-Learning-Szenarien befähigt, schnelle, datenbasierte Entscheidungen zu treffen, ohne diese selbst langwierig und subjektiv selbst aufarbeiten und interpretieren zu müssen.

Data Democratization mit der Analytics Cloud

SAP hat in den vergangenen Jahren das datenorientierte Produktportfolio erheblich aktualisiert und bietet nun für alle Disziplinen innovative Lösungen an. Zentral ist dabei zum einen SAP Hana. Die In-memory-Datenbank, die OLTP und OLAP kombiniert, ist mittlerweile Bestandteil der SAP-Anwendungen.

Zum anderen nimmt die SAP Analytics Cloud (SAC) eine dominante Stellung ein, die als Software as a Service ebenfalls auf der Hana-In-memory-Datenbank basiert. Mit der SAC kann der Zugriff auf die zu analysierenden Daten auf zwei Arten stattfinden: Bei der Import Data Connection werden sie aus einem Quellsystem in die Cloud geladen und dort ausgewertet. Bei der Live Data Connection erfolgt keine Replikation der Daten in der Cloud. Stattdessen arbeitet die SAC auf dem Quellsystem.

Die SAC deckt funktional die Bereiche Reporting, Analyse, Planung und Predic­tive Analytics ab. Hinzu kommen die Möglichkeiten der Komponente Application Design, mit der sich Dashboards erstellen lassen. Die einzelnen Bereiche sind hervor­ragend integrierbar, wodurch Brüche im Workflow vermieden werden, die in der Vergangenheit beim Einsatz unterschiedliche Insellösungen die Regel waren.

Insgesamt zeichnet sich die SAP Analytics Cloud durch ein ausdifferenziertes Nutzerkonzept aus. So lassen sich Analysen nicht nur von Experten aus der IT-Abteilung oder dem Controlling durchführen – wie es bislang fast immer der Fall war. Self-Services erlauben es auch Mitarbeiterinnen und Mitarbeitern aus den Fachbereichen sowie dem Management (Citizen Data Scientists), Daten eigenständig auszuwerten und zu visualisieren.

Erst im Zuge dieser Data Democratization werden daten- bzw. erkenntnisbasierte Entscheidungen fest im Business-Alltag verankert. Auf dem Weg zum Intelligent Enterprise ist das ein wichtiger Schritt – denn so findet out of the box Data Science Anwendung in den Fachbereichen, auch ohne tiefgreifende Datenanalyse-Kompetenz.

SAP Analytics Cloud

Dass die SAP Analytics Cloud sich sehr gut eignet, legt „The BI Survey 19“ des Analysten und Marktforschers Barc nahe. Darin wurde die SAC in 34 Kriterien mit einer Reihe von anderen Tools verglichen – auf Basis einer Anwenderbefragung – und schnitt dabei hervorragend ab.

So würden beispielsweise 97 Prozent der Teilnehmer die SAC weiterempfehlen. 91 Prozent von ihnen bewerten die Funktionen zum Erstellen von Dashboards als ausgezeichnet oder gut. Und 88 Prozent halten die Fähigkeiten von SAP, die Bedürfnisse des Unternehmens zu verstehen, für sehr gut oder gut.

Dieses hervorragende Abschneiden der SAP Analytics Cloud können wir aufgrund unserer Erfahrungen aus Kundenprojekten absolut nachvollziehen. Die Projekte bei den Kunden haben uns aber auch gezeigt, dass bei der Einführung ein paar Punkte erfolgskritisch sind. Deshalb hat Nagarro ES, angelehnt an SAP Activate, ein Vorgehen entwickelt, das die Berücksichtigung aller relevanten Aspekte sicherstellt (siehe Kasten).

SAP Data Intelligence

SAP positioniert die Analytics Cloud als zentrale Lösung. Dennoch lohnt sich auch ein Blick über die SAP Analytics Cloud hinaus, um den Anforderungen gerecht zu werden, die Data Scientists an eine Technologie stellen. Für ihre anspruchsvollen Vorhaben dürfte das Potenzial der SAC in der Regel nicht ausreichen. Besser eignet sich für sie SAP Data Intelligence.

Die Lösung läuft auf der SAP Cloud Platform (SCP), verbindet die etwas konservativere Geschäftswelt mit der Open-Source-Welt und ist für entsprechende Anwendungen offen: zum Beispiel für Jupyter Notebooks von Project Jupyter, für Python und für Python-basierte Frameworks für maschinelles Lernen wie pandas, scikit-learn oder TensorFlow.

Die damit erstellten Datenmodelle lassen sich mit SAP Data Intelligence in die SAP-Umgebung übernehmen, dort weiterverarbeiten, automatisiert testen und schließlich in eine hochverfügbare und skalierbare Produktivlandschaft ausliefern – samt anschließendem Monitoring der Performance. Und, ganz wichtig im ­Business-Kontext: KI-Szenarien lassen sich auditieren, sodass sie beispielsweise den Anforderungen einer Wirtschaftsprüfung genügen.

Download Coverstory
https://e-3.de/partners/nagarro/

Einführung der SAC in vier Phasen

Discover

Fitting Workshop: Diskussion von grundsätzlichen Fragen; Erfassung der Ist-Situation; Formulierung der Soll-Situation; Definition der SAC-Architektur Jam (Reporting/Planung): Austausch über Geschäftsprozesse und Anforderungen; Abstimmung von Kenntnissen und Erfahrungen aus erfolgreichen SAC-Projekten.

Prepare

Entwicklung eines ersten SAC-Prototyps als Proof of Concept (PoC).

Explore

Design von Anwendungen; Einrichtung einer Live-Verbindung zum Testsystem; grundlegende Ausrichtung einzelner Aspekte der SAC – etwa Klärung von Sicherheitsfragen und Zuschnitt von Benutzerzugängen.

Realize

Einrichtung der SAP Analytics Cloud; Implementierung von Anwendungen und Berechtigungen; Validierung von Daten, Einrichtung einer Live-Verbindung zum Produktivsystem.

Über den Autor

Stefan Berghaus, Nagarro ES

Stefan Berghaus, Executive Director Consulting Services, Nagarro ES

Hinterlassen Sie einen Kommentar