1

SAP Business Information Warehouse

SAP R/3 BW

3

Namenskonventionen

Selbst definierte Objekte werden nach dem Muster VBH3XX… benannt

• VB BIB Paderborn• H3 die aktuelle Gruppe• XX Platz-Nr. / Team-Nr.

• Beispiel: VBH310_Cube01

Richtlinien zum Umgang mit dem SAP BW

4

Navigation im SAP BW

• SAP Easy Access Menü

• Favoriten• Transaktionscodes

– Eingeben– Kombination mit /o

und /n– Technische Namen

einschalten

© SAP AG

5

Hilfe zum SAP BW

• Feldhilfe (F1)• Wertehilfe (F4)• Hilfe zu Fehlermeldungen

• SAP-Bibliothek• Glossar• http://help.sap.com,

Bereich SAP NetWeaver™• http://service.sap.com/bi

© SAP AG

6

Werkzeuge des SAP BW

AdministratorWorkbench (AWB)Administrationdes Systems

BEx AnalyzerAufbereitung undPräsentation von Reports

BEx BrowserVerwaltung undAusführen von Reports,Portalfunktion

BEx Query DesignerDefinition von Reports

Web Application DesignerErstellung von Web Applications

7

Administrator Workbench (AWB)

• Datenbereitstellung und –haltung

• Aufbau, Pflege und Betrieb des BW-Systems

• Datenladeprozess• Administrator-

Werkzeug

8

Business Explorer Analyzer (BEx Analyzer)

• Reporting- und Analysewerkzeug

• Definition von Reports

• läuft in Excel• ermöglicht Web-

Reports

9

Business Explorer Browser

• Verwaltung und Ausführung von Reports

• Links auf Favoriten: externe und SAP R/3 Transaktionen

10

Werkzeuge und Zielgruppen

11

Arten von Analyse-Anwendern

• Konsumenten: – einfache Anwender, – nutzen vorgefertigte Queries über feste Datenmengen

• Analysten– navigieren innerhalb von Berichten und betrachten

diese aus verschiedenen Perspektiven

• Autoren– = Queryentwickler– vollständiger Zugriff auf Queries und

Datenzusammenstellungen– Erstellung neuer Queries

12

Anwendergruppen und deren Anforderungen

Metamodell Querydefinition und Query

• Querydefinitionen beziehen sich auf einen InfoProvider

• Querydefinition werden auf BW-Server gespeichert

• Query wird mit Excel-Arbeitsmappe gespeichert (lokal oder zentral in Business Content Service)

• Individuelle Query-Zustände können als View gespeichert werden

13

Komponenten einer Query

• Kennzahlen: Zahlen aus Faktentabelle des InfoCubes

• Merkmale: Daten aus Dimensionen des InfoCubes

• Berechnete Kennzahlen: Formel auf Kennzahlen. In Infocube speicherbar.

• Variablen: sind beim Aktualisieren einer Query in einem Formular änderbar; auf ihnen können z.B. Filter basieren

14

15

Bereiche einer SAP-Query

© SAP AG

16

Exception Reporting

17

Exception Reporting

• Ziel: Potenzielle Probleme möglichst frühzeitig erkennen

• Kennzahlen innerhalb bestimmter Wertebereiche als Ausreißer definieren

• Ausreißer innerhalb eines Berichts kenntlich machen

• Entscheider über Ausreißer informieren– Alert-Monitor– EMail-Nachricht

18

Schritte zur Implementierung eines Frühwarnsystems

1. Exception definieren

2. Output: Farbliche Hervorhebungen im Query-Arbeitsblatt

3. Reporting Agent Einstellungen definieren

4. Einplanen

5. Output: Alert Monitor und Nachrichten

19

Ablauf des Exception Reporting

20

Reporting Agent

• Administrator Workbench -> Reporting Agent• Hintergrundfunktionen• Verwaltungsfunktionen• Alert-Monitor-Funktionen• u.A.

– Auswerten von Exceptions– Drucken von Queries– Vorberechnen von Web Templates– Verwalten von Bookmarks

21

Reporting Agent Einstellungen

• Administrator Workbench -> Reporting Agent -> Exceptions

1. Einplanungspaket definieren

2. Exception erstellen

3. Exception einplanen

22

Grundobjekte der Modellierung

23

InfoObjects• InfoObjects bezeichnen die kleinsten Informationsbausteine

(vergleichbar mit Feldern)

• durch technischen Namen identifizierbar

• Durch InfoObjects werden die fachlichen und technischen Informationen der Stamm- und Bewegungsdaten im SAP BW beschrieben.

• InfoObjects werden zum Aufbau von Tabellen und Strukturen eingesetzt

• InfoObjects werden für die Definition von Berichten verwendet

• InfoObjects werden unterschieden in

– Merkmale

– Kennzahlen

– Einheiten

– Zeitmerkmale.

24

Info-Objects: Kennzahlen

25

InfoObjects: Merkmalen

26

Stammdaten• Stammdaten sind dadurch gekennzeichnet, dass sie

über einen längeren Zeitraum unverändert bleiben• Stammdaten werden im BW zu den Merkmalen gezählt

(stammdatentragende Merkmale)• Den Stammdaten können Texte, Hierarchien und

Attribute zugeordnet werden• Man unterscheidet zeitabhängige und zeitunabhängige

Stammdaten

27

• Attribute

Attribute sind selbst InfoObjects, die zur näheren Beschreibung von Merkmalen verwendet werden. So sind z.B. dem Merkmal Kunde u.a. die Attribute PLZ und Ort zugeordnet.

- Anzeigeattribute: nur in Kombination mit Merkmal in Abfrage- Navigationsattribute: erlauben Navigieren anhand des Attributes innerhalb einer Abfrage

• Texte

können einem Schlüsselwert zugeordnet werden. Texte können sprach- und zeitabhängig definiert werden. Beispiel: dem Merkmal Warengruppe sind Texte zugeordnet.

• Hierarchien

Hierarchien können in der Analyse zur Beschreibung alternativer Sichten auf die Daten verwendet werden. Eine Hierarchie besteht aus Knoten und Blättern, wobei die Knoten in einer Parent-Child-Beziehung stehen und die Blättern durch Merkmalsausprägungen repräsentiert werden.

Stammdaten

28

Erweitertes Sternschema von SAP BW

29

Hierarchien• Einem Merkmal kann eine Hierarchie zugeordnet werden.

30

InfoProviderAlle mit Hilfe des Reporting auswertbaren Objekte werden unter dem Begriff InfoProvider gruppiert.

Es wird unterschieden:• Physisch datentragende Objekte, d.h. die Daten zu diesen

Objekten sind in zugeordneten Datenbanktabellen im SAP BW gespeichert.– ODS-Object (Operational Data Store)– BasisCubes– Stammdatentragende InfoObjects

• Logische Sichten, d.h. Objekte, deren Daten in einem anderen System oder in anderen physischen Objekten gespeichert sind.– InfoSets (enthalten keine Daten, nur Schlüssel, verbinden (z.B. flache)

Tabellen über Joins)– RemoteCubes (Datenstrukturen und Stammdaten in SAP BW,

Bewegungsdaten in externem Quellsystem)– MultiProvider (führt Daten aus mehreren InfoProvidern zusammen,

enthält selbst jedoch keine Daten)Infoprovider werden in InfoAreas gegliedert.

31

ODS-Objekte

• ODS = Operational Data Store• Ein ODS-Objekt dient zur Ablage von konsolidierten und bereinigten

Bewegungsdaten.• ODS-Objekte werden durch einfache Tabellen realisiert.• Die in ODS-Objekten abgelegten Daten sind (falls freigeschaltet),

direkt für das Reporting zugänglich.• Die in ODS-Objekten abgelegten Kennzahlen können nicht nur

durch Summation, sondern auch durch Überschreiben geändert werden.

• Es gibt Einschränkungen zu beachten:– Die Anzahl der Schlüsselfelder ist auf 16 begrenzt

– Die Anordnung aller Schlüssel- und Nichtschlüsselmerkmale und Kennzahlen in einem Datensatz führt zu erheblichen Satzlängen

32

InfoCube• InfoCubes sind die zentralen Objekte im SAP BW,

auf denen Berichte und Analysen basieren.• Ein InfoCube beschreibt aus Sicht eines Reporting-

Anwenders einen in sich geschlossenen Datenbestand eines betriebswirtschaftlichen Bereichs, auf dem Queries definiert bzw. ausgeführt werden können.

• InfoCubes sind InfoProvider• Folgende InfoCube-Typen werden unterschieden:

– BasisCube: Daten im Cube – RemoteCube: Bewegungsdaten liegen außerhalb BW– Virtueller InfoCube: Datenloser Cube, Daten intern oder

extern

Dimension• Unter einer Dimension versteht man die

Gruppierung logisch zusammengehöriger Merkmale unter einem gemeinsamen Oberbegriff. In einer Dimension können maximal 248 Merkmale zusammengefasst werden.

• Dimension eines BasisCubes besteht aus– einer Dimensionstabelle– SID-Tabelle (Surrogat-ID), von BW erstellt– u.U. mehreren Stammdatentabellen

33

34

BasisCube• Ein BasisCube besteht aus

– Einer Faktentabelle, in der bis zu 233 Kennzahlen abgespeichert werden

– bis zu 16 Dimensionstabellen, die mit den Stammdatentabellen verknüpft sind. (bis zu 248 Merkmale)3 Dimensionen sind durch SAP vordefiniert:

1. Zeit

2. Einheit

3. InfoPackage (Def. von Datenladevorgängen)

• und weitere, z.B. Material- oder Kundendimensionstabelle

35

Multidimensionale Datenstrukturen

36

Multidimensionalität

Vertriebsweg

Zeit

Produk

tWeitere Dimensionen sind

nicht dargestellt:• Verkaufsorganisation• Sparte• Auftraggeber

Umsatz:2 Mio.

Fakten (Kennzahl(en))

Dimension

37

Was bedeutet Multidimensionalität?

• Multidimensionalität ist meist ein Hauptcharakteristikum von Daten in DWs– Andere

Datenstrukturierungen sind aber gängig (z.B. rein hierarchisch)

• Keine tabellenartige Darstellung

• Beliebig viele analyserelevante Kriterien (Dimensionen bzw. Merkmale)

• Möglichst genaue, detaillierte Beschreibung der Daten

• Veranschaulichung oft durch einen Datenwürfel– Besser n-dimensionaler

Quader

38

Analysetechniken und SAP BW

• Für detaillierte Fragestellungen des Anwenders stehen im multidimensionalen Datenmodell verschiedenartige Operationen zur Manipulation des Datenwürfels zur Verfügung.

• Hierbei handelt es sich überwiegend um einen Wechsel von Dimensionen und Verdichtungsstufen, d.h. um eine Navigation im Datenraum.

• Diese Analysemöglichkeiten werden im BEx Analyzer z.B. über das Kontextmenü im Ergebnisbereich angeboten, an den OLAP-Prozessor weitergegeben und von diesem interpretiert und auf den Datenbestand angewendet.

39

Operationen auf Datenwürfeln

• Sicht ist die Einschränkung auf bestimmte Dimensionen• Filtern ist das Einschränken der Datenmenge auf

Teilmengen in einer Dimension• Dicing (engl. dice = Würfel) ist das Erzeugen eines

„kleineren“ Datenwürfels durch Filtern in mehreren Dimensionen

• Slicing (engl. slice = Scheibe) ist Dicing in einer Dimension mit einelementiger Teilmenge

• Pivoting ist ein Wechsel der Sicht (anschaulich ist das Drehen des Datenwürfels)

• Drill down ist Pivoting mit erweiterter Sicht• Roll up = Gegenteil von Drill down

40

Mehrdimensionale Analyse

41

Business Content

42

Warum vorkonfigurierte Informationsmodelle?

• Modellierung anforderungsgerechter Datenmodelle ist eine langwierige und teilweise hoch komplexe Angelegenheit

• Der Aufwand ist umso höher, je individueller die Anforderungen sind und je weniger die Entwickler auf bereits existierende Vorlagen zurückgreifen können.

• Unternehmen modellieren in vielen Fällen immer dieselben Sachverhalte

43

Inhalt des Business Content

© SAP AG

© SAP AG, Marianne Kollmann, Product Management BI

44

Def. Business Content

• Business Content sind umfassend vorgefertigte Informationsmodelle für die Analyse von Geschäftsprozessen

• Komponenten dieser Modelle sind:– Extraktoren in SAP-Systemen– Elemente des Datenmodells (wie Kennzahlen, Merkmale,

InfoCubes und ODS-Objekte)– Komponenten für den Datenladeprozess (wie InfoSources

und Fortschreibungsregeln)– Reportingkomponenten (wie Queries, Web Templates und

Arbeitsmappen)• SAP BW liefert einen sehr umfangreichen Satz an Business

Content mit: 2500 InfoObjects, 450 Reports, 60 Rollen• Der technische Name aller Business-Content-Objekte in SAP

BW beginnt mit 0

45

Arbeiten mit dem Business Content

BusinessContent

OhneAnpassungverwenden

Verfeinerungoder

Vergröberung

Vorlage füreigenen

Business Content

46

Business Content Versionen

• Im BW werden 3 Objektversionen des BC unterschieden:– D-Version: SAP-Auslieferungsversion– A-Version: aktive Version– M-Version: überarbeitete Version

• Um mit den Objekten des BC arbeiten zu können, müssen diese in die aktive Version (A-Version) überführt werden.

47

Auf der Suche nach dem richtigen Business Content

• Business Content kann im Metadata Repository durchsucht werden.

• Das Metadata Repository ist in der Administrator Workbench (AWB) integriert.

48

Metadata-Repository

49

Metadata-Repository 1

50

Was sind (eigentlich) Metadaten?

• Informationen über die Datenstrukturen und ihre Beziehungen sind „Daten über Daten“ und werden als Metadaten bezeichnet– Z.B. „Jede Klasse hat genau eine

Superklasse“ – Oder: „Eine Query referenziert genau einen

InfoProvider. Ein InfoCube ist ein InfoProvider“

51

„Das Metadata Repository“

• Etwas missverständliche Bezeichnung für ...– ... das Verzeichnis aller in SAP vorhandenen Objekte in

Zusammenhang mit OLAP-Funktionalität (Business Content)– Dient der Administration eines DW– Z.B. vorgefertigte (und hinzugefügte)

• Merkmale

• InfoCubes

• Queries

• Datenmodelle

• Mappings (z.B. Fortschreibungsregeln)

technische/fachliche Metadaten

• Technische Metadaten: Administratoren-Sicht auf Daten. DB-Felder, DB-Tabellen, Speicherbedarf der DB, Datenmodelle, Mappings.

• Fachliche Metadaten: Anwendersicht auf Daten. Kommentare, Beschreibungen, Geschäftsregeln, Details über Auswertungen. Genutzt in Frontend-Tools.

52

53

Modellierung von Datenstrukturen

1. InfoObjects und InfoCubes erstellen und bearbeiten

2. Semantische Datenmodellierung3. Logische Datenmodellierung

54

Datenbankentwurf OLAP

Entwurfsebene Entwurfsmethoden

Konzeptueller

(semantischer)

Entwurf

Semantisches Data Warehouse Modell

Multidimensionales ERM

Dimensional Fact Modeling

Application Design for Analytical Processing Technologies

Logischer Entwurf Starschema

Erweitertes SAP-Starschema

Galaxy Schema

Snowflake Schema

Physischer Entwurf Speicherungsstrukturen

Zugriffsmechanismen

Datenbanktuning

usw.

55

Modellierung von Datenstrukturen: InfoObjects und InfoCubes

erstellen und bearbeiten

56

InfoObjects erstellen

• Unterscheiden zwischen Kennzahlen und Merkmalen

• Jedes InfoObject ist einem InfoObject-Katalog zugeordnet– Kennzahlen-InfoObject-Katalog– Merkmale-InfoObject-Katalog

• Jedes InfoObject liegt in einer InfoArea

57

1. InfoObject-Katalog anlegen2. InfoObject innerhalb dieses Kataloges

anlegen3. InfoObject prüfen

auf syntaktische Korrektheit4. InfoObject aktivieren

Datenbanktabellen werden generiert

InfoObjects neu erstellen

58

InfoCube anlegen

1. InfoCube erstellen

2. Kennzahlen hinzufügen

3. Merkmale hinzufügen

4. Dimensionen hinzufügen

5. Merkmale in Dimensionen einordnen

6. Prüfen, sichern, aktivieren

59

Modellierung von Datenstrukturen:Semantische Datenmodellierung

60

semantischer OLAP Entwurf

• Warum semantischer Entwurf eines Data Warehouse?– Begriffsklärung– Informationsbedarfsanalyse bei Fachabteilungen– Dokumentation– Datendefinition

• muss Basis-Bausteine eines multidimensionalen Informationsssystems abbilden können

• noch keine allgemein akzeptierte Notation - verschiedene Ansätze

• eine Möglichkeit: Multidimensionales Entity-Relationship-Modell (MERM)

61

Entity-Relationship-Modell ERMfür OLTP-Datenbanken

62

Multidimensionales Entity-Relationship Modell (MERM)

• angelehnt an das Entity-Relationship-Modell der OLTP-Datanbanken

• minimale Anzahl von Strukturelementen• in MERM neu gegenüber ERM:

– Faktenrelation– hierarchische Beziehung– Dimensionsfeld

63

Beispiel eines MERM

64

Schritt Bezeichnung Beschreibung

1 Relevante Daten der Geschäftsprozesse identifizieren

Analyse und Aufspaltung eines ERM in einen oder mehrere Teilbereiche von relevanten Daten der Geschäftsprozesse

2 Faktenrelation erzeugen n-m-Beziehungen zwischen starken Entitäten ergeben z.B. die Faktenrelation, die numerischen Attribute sind Kandidaten für Kennzahlen

3 Dimensionen bilden Inhaltliche Zusammenfassung der verbleibenden Entitäten zu Gruppen, die von starken Entitäten dominiert werden

Transformation ERM -> MERM

• Ein ERM -> evtl. mehrere MERM• Grund: ERM zu komplex. Sie bilden oft viele/alle

Geschäftsprozesse gleichzeitig ab.• Die MERM können sich überschneiden.

65

ERM->MERM: 1. Relevante Daten identifizieren

66

ERM->MERM: 2. Überschneidungsentitäten suchen

67

Beispiel für eine Überschneidungsentität

Customer

Material Sales Person

Material group Sales Department

Customer noCustomer nameCityRegion

Material noMaterial nameMaterial type color price

Material group noMaterial group name....

Sales TransactionDateCustomer noMaterial noSales pers noAmountQuantityCurrency

Sales pers. noSales pers. name.......

Sales dep. noSales dep. location.......

68

ERM->MERM: 3. Dimensionen bilden

69

ERM->MERM: 4. fertiges MERM

70

Granularität

• = "Detail" einer Datenstruktur• hohe Granularität: die Daten werden von vielen

Merkmalen beschrieben• niedrige Granularität: die Daten werden von

wenigen Merkmalen beschrieben

• Hohe Granularität hat:• positive Auswirkung auf Möglichkeiten in

Queries: drill down • negative Auswirkungen auf Performanz der

Abfragen und Ladezeit

71

Relativ hohe Granularität

72

Relativ niedrige Granularität

73

• Transformation ERM ->MERM in 3 Schritten• Granularität von Artikel und Zeit: Wie wird sie ausgedrückt, wie lässt sie sich verfeinern?

74

Modellierung von Datenstrukturen: Logische Datenmodellierung

75

Vom MERM zum SternschemaFaktentabelle• Zentrale Faktenrelation

Faktentabelle mit Kennzahlen• numerische Attribute der

Faktenrelation werden zu Kennzahlen

• Der Primärschlüssel setzt sich aus den Dimensions-IDs zusammen

Dimensionstabellen• Dimensionen

Dimensionstabellen• Attribute der Dimensions-

entitäten werden zu Feldern der Dimensionstabellen

• Jeder Datensatz der Dimensionstabelle bekommt eine eindeutige Dimensions-ID zugewiesen

76

einfaches Sternschema in BW

Kennzahlen

Faktentabelle

Dimensions-attribute

Dimension 2

Dimensions-attribute

Dimension 1

Dimensions-attribute

Dimension 3

Dimensions-attribute

Dimension 4

77

Probleme beim einfachen Sternschema

• keine Unterstützung der Mehrsprachigkeit• Alphanumerische Fremdschlüssel möglich• keine Unterstützung von zeitabhängigen

Stammdaten• Hierarchiebeziehungen müssen als Attribute

einer Dimensionstabelle modelliert werden

78

Erweitertes Sternschema von BW

• Faktentabelle bleibt unverändert

• Die Merkmale der Dimensionen werden in Segmente aufgeteilt– Attribute– Texte– Hierarchien

• Attribute und Texte können zeit- und sprachabhängig definiert werden

• Einführung von SID

79

Erweitertes Sternschema

Trennung von Stammdaten (Merkmale) und Bewegungsdaten (Faktentabelle). Die Stammdaten stehen für das ganze DataWarehouse zur Verfügung.

80

Lösungsabhängige und –unabhängige Daten

• Lösungsabhängige Daten:Fakten- und Dimensionstabellen

• Lösungsunabhängige Daten:Merkmale

G e b ie t 1 G e b ie t 2 G e b ie t 3

B e z irk 1

G e b ie t 3 a

B e z irk 2

R e g io n 1

G e b ie t 4 G e b ie t 5

B e z irk 3

R e g io n 2

G e b ie t 6

B e z irk 4

G e b ie t 7 G e b ie t 8

B e z irk 5

R e g io n 3

V e rtr ie b s o rg a n is a t io n

M a t e r i a l G r o u p

M a t e r i a l H i e r a r c h y T a b l e

M a t e r i a l N u m b e rL a n g u a g e C o d e

M a t e r i a l N u m b e rL a n g u a g e C o d e

M a t e r i a l N a m e

M a t e r i a l T e x t T a b l eM a t e r i a l _ D i m e n s i o n _ I D

M a t e r i a l N u m b e r

M a t e r i a l D i m e n s i o n T a b l e

M a t e r i a l M a s t e r T a b l e

M a t e r i a l N u m b e rM a t e r i a l N u m b e r

M a t e r i a l T y p e

M a t e r i a lM a t e r i a l D i m e n s i o n D i m e n s i o n

81

Surrogat-ID SID • SID-Tabellen verbinden den lösungsabhängigen InfoCube-

Bereich mit dem lösungsunabhängigen Stammdatenbereich• SID-Tabellen sind Zeigertabellen• Verknüpfung zwischen Dimensionstabelle und

Merkmalstabelle• Verknüpfung zwischen Merkmal und zugehörigen Attributs-,

Text- und Hierarchietabellen• 4-Byte-Ganzzahl• künstlicher Primärschlüssel

• Vorteile:– DataWarehouse-eigene Primärschlüssel performanter als

importierte Primärschlüssel– aus mehreren externen Quellen kommende Primärschlüssel sind

nicht unbedingt eindeutig oder haben unpassende Datentypen

82

SID-Tabellen

Text

SID Tables

Master

Hierarchies

Hierarchies

Master

SID Tables

Text

Hierarchies

Master

SID Tables

Text

Hierarchies

Master

SID Tables

Text

Hierarchies

Master

SID Tables

Text

Hierarchies

Master

SID Tables

Text

Text

SID Tables

Master

Hierarchies

Text

SID Tables

Master

Hierarchies

Text

SID Tables

Master

Hierarchies

DimensionTable

Text

SID Tables

Master

Hierarchies

DimensionTable

DimensionTable

DimensionTable

DimensionTable

Hierarchies

Master

SID Tables

Text

FACT

Masterdata: Stammdaten

83

Schneeflocken- und Galaxyschema in BW

• Schneeflockenschema– Merkmalsattribute verweisen auf andere

Merkmale

• Galaxyschema– Beliebig viele Faktentabellen– Einheitliche Merkmale (Stammdaten) können

von beliebig vielen Faktentabellen genutzt werden.

84

Unternehmensweites Data Warehouse

• ein unternehmensweites Data Warehouse kann sehr groß werden.

• Aufgrund der Größe findet häufig eine thematische Trennung in Teilbereiche statt:Data Marts

• Problem: Redundanz• Lösung:

– einheitliche Merkmale. Können von allen Faktentabellen genutzt werden. Galaxyschema.

– standardisierte Kennzahlen

85

• Entwickeln Sie aus folgenden Anforderungen ein SAP-Sternschema:„Wir wollen in unserem Data Warehouse Umsätze, (variable) Kosten und Verkaufsmengen unserer Produkte auswerten können. Die Auswertungen benötigen wir hinsichtlich unserer Kunden, Regionen, Produkte und Sparten. Unser Chef benötigt die Berichte eigentlich meistens monats-, manchmal auch tagesgenau“

• Ändern Sie das Sternschema aufgrund folgender Anforderungen zu einem erweiterten Sternschema:– Auswertung nach Ländern ermöglichen– Produktbezeichnung, Entwicklerteam– Produktbezeichnung in den Sprachen Deutsch,

Englisch und Spanisch

86

Stagingszenarien

Staging=Datenbereitstellung

87

Staging-Szenarien• Stagingszenarien mit

nicht persistenter Datenablage

• Daten werden immer wieder neu beschafft und nur für die Dauer einer Transaktion im BW-System gehalten.

• RemoteCubes, virtuelles DW. Nur die Struktur wird bereitgestellt, Daten liegen extern.

• Sinnvoll, wenn zeitnahe Verfügbarkeit der Daten aus Quellsystem erforderlich ist oder nur kleine Datenmengen sporadisch bearbeitet werden.

• Stagingszenarien mit persistenter Datenablage

• Die aus dem Quellsystem ins SAP BW-System geladenen Daten werden über die Dauer einer Transaktion hinaus gespeichert

• Standard

• wird im Folgenden behandelt

Datenfluss

(DTP)

(IP)

Infoprovider

• E:- Extraktion• T:- Transformation [TR]• L:- Laden• PSA:- Persistent staging area

89

Staging

DataSource mit Transferstruktur in PSA

InfoCube

Transformation

quellsystem-unabhängiges Datenformat

Fortschreibungssregeln

PS

AD

aten

ziel

.txt DBF SAP R/3 Quellsysteme

Extraktion

InfoObjectsODS-Objekte

Dat

enqu

elle

Altes versus neues Staging

90

91

SAP BW-Objekte für den Datenfluss

• Eine DataSource beschreibt das Datenangebot eines Quellsystems in Form von Feldstrukturen. Die DataSource besteht aus der Extraktstruktur (sämtliche bereitgestellte Felder) und der Transferstruktur (Auswahl von Feldern der Extraktstruktur).

• Eine InfoSource ist eine zu einer Einheit zusammengefasste Menge von logisch zusammengehörigen Informationen. Die Kommunikationsstruktur ist die Feldstruktur, in der die Informationen abgelegt werden.

• Übertragungsregeln transformieren Daten aus gegebenenfalls mehreren Transferstrukturen in einer Kommunikationsstruktur.

• Fortschreibungsregeln transformieren Daten aus einer Kommunikationsstruktur in ein oder mehrere Datenziele.

• Für jedes Quellsystem kann einer DataSource nur eine InfoSource zugewiesen werden.

92

Quellsysteme

• Alle Systeme, die Daten zur Extraktion in das SAP BW liefern– SAP R/3– Textdateien (ASCII)– Datenbanksysteme– andere BW-Systeme

• Voraussetzung: Daten liegen strukturiert vor

93

DataSources

• Im Quellsystem liegen logisch zusammen-gehörige Daten in Form von DataSources vor.

• DataSources sind quellsystembezogen.• Sie umfassen eine Menge von Feldern, die in

einer flachen Struktur (Extraktstruktur) zur Datenübertragung ins BW angeboten werden.

• In Form einer Auswahl an Feldern der Extraktstruktur, der Transferstruktur, werden die Daten vom Quellsystem in das BW übertragen.

94

PSA

• Die Persistent Staging Area (PSA) stellt innerhalb des SAP BW die Eingangsablage von angeforderten Daten aus verschiedenen Quellsystemen dar. Die angeforderten Daten werden unverändert in Form der Transferstruktur in transparenten, relationalen Datenbanktabellen abgelegt und können somit auch fehlerhaft sein, wenn sie schon im Quellsystem fehlerhaft sind. Die logischen Datenpakete (Requests) können nun auf Qualität und Sinnhaftigkeit, Reihenfolge und Vollständigkeit überprüft werden.

© SAP AG

95

Persistentes Stagingszenario

Quell-system

PSA

InfoCube

InfoObjects(Merkmale)

96

Stagingszenarien: Überblick

ohne persistenteDatenablage

mit persistenterDatenablage

InfoCube/ODS RemoteCube

Quellsystem RemoteCube

Quellsystem PSA InfoCube

ODS InfoCubeQuellsystem PSA ODS

InfoCube

InfoCube InfoCube

Quellsystem PSA ODS

Stagingszenarien

97

Transformationen• Transformationen dienen dazu, Daten von der Datenquelle

(DataSource) in das Datenziel (InfoProvider, z.B. InfoCube oder Merkmal) zu übertragen und dabei eventuell zu transformieren und zu modifizieren.

• Folgende Methoden gibt es :– Daten werden 1:1 übertragen (keine Manipulation der Daten)

– Die Felder des Datenziels werden mit einer Konstanten gefüllt.

– Die Transformation mit Hilfe des Formel-Editors erstellt

– Durch eine ABAP-Routine können Übertragungsregeln flexibel gestaltet werden.

• Die Kommunikationsstruktur einer InfoSource ist quellsystemunabhängig, hingegen sind die Übertragungsregeln quellsystemspezifisch.

98

Übertragungsregeln - wieÜbertragungs-

regeln

Feld in Feldschreiben konstanten Wert

zuweisenABAP-Routine

Formel

© SAP AG

99

InfoSource definieren

• InfoSource – Menge aller verfügbaren Daten zu einem

Geschäftsvorfall – Einheit von logisch zusammengehörigen

Informationen– kann unter Verwendung von

Übertragungsregeln Daten aus einer oder mehreren DataSources beziehen

– Die Struktur der InfoSource heißt Kommunikationsstruktur.

100

Fortschreibungsregel – Definition

Fortschreibungsregeln:– spezifizieren, wie die Daten (Kennzahlen,

Zeitmerkmale, Merkmale) aus der Kommunikationsstruktur einer InfoSource in die Datenziele fortgeschrieben werden

– verbinden eine InfoSource mit einem InfoCube, Merkmal oder ODS-Objekt

101

Fortschreibungsarten

Flexible Fortschreibung• Bewegungsdaten• Stammdaten

= mit Fortschreibungsregeln

• Die Daten einer InfoSource werden unter Verwendung von Fortschreibungsregeln in die Datenziele (InfoCube, ODS-Objekt, InfoObject) geladen.

Direkte Fortschreibung• Nur Stammdaten (Merkmale mit

Attributen, Texten oder Hierarchien)

• = ohne Fortschreibungsregeln• Stammdaten eines InfoObjects

werden direkt ohne Fortschreibungsregeln nur unter Verwendung von Transferregeln über die Kommunikationsstruktur in die Stammdatentabelle fortgeschrieben.

Einfacher, daher vorzuziehen, wenn keine Transformationen in den Fortschreibungsregeln benötigt werden.

102

Datenfluss bei flexibler Fortschreibung

© SAP

103

Fortschreibungsregel – InfoObjects

• Bei InfoObjects gibt es die Fortschreibungsregel Überschreiben

• Mit dieser Option werden neue Werte in das InfoObject fortgeschrieben

104

InfoPackage anlegen und einplanen

• Datenanforderung

• beinhaltet diverse Parameter für den Upload

• können per Jobverwaltung eingeplant und terminiert werden

105

Monitor

• Der Monitor ist das Überwachungswerkzeug der Administrator Workbench.

• Mit Hilfe des Monitors wird die Datenanforderung (Request) und Datenverarbeitung der Administrator Workbench überwacht. In den verschiedenen Ebenen der Detailanzeige wird der Status der Datenverarbeitung angezeigt.

© SAP AG

106

Laden von Stammdaten

= Master Data Staging

107

Daten im SAP BW

Daten im BW

MetadatenAnwendungs-

daten

fachlicheMetadaten

technischeMetadaten

Bewegungs-daten

Stammdaten

Attribute Texte Hierarchien

108

Hinweise für das Laden aus Flatfiles

• Spalten-Überschriften beachtenBeim Ladeprozess können Kopfzeilen ignoriert werden.

• Datumsangaben: JJJJMMDDZeitangaben: hhmmss

109

Stammdaten laden ohne InfoPackage

1. Merkmal als Datenziel festlegen

2. DataSource anlegen

3. Transformation zwischen DataSource und Datenziel anlegen

4. Datentransferprozess anlegen und starten

110

Stammdaten laden mit InfoPackage

1. Merkmal als Datenziel festlegen

2. DataSource anlegen

3. InfoPackage erstellen und Daten in PSA laden

4. Transformation zwischen DataSource und Datenziel anlegen

5. Datentransferprozess anlegen und starten

111

Laden von Bewegungsdaten

112

Daten im SAP BW

Daten im BW

MetadatenAnwendungs-

daten

fachlicheMetadaten

technischeMetadaten

Bewegungs-daten

Stammdaten

Attribute Texte Hierarchien

Laden von BewegungsdatenData Store Object (DSO) als Kopie der Struktur des InfoCubes anlegen.1.Quellsystem auswählen2.DataSource anlegen3.InfoPackage anlegen,Daten in PSA laden und prüfen4.Transformation anlegen zwischen Data Store Object und Data Source5.Datentransferprozess zum DSO anlegen6.DTP ausführen7.Transformation anlegen zwischen DSO und InfoCube8.Datentransferprozess zum InfoCube anlegen und ausführen.

113

114

Open Hub Service

115

Open Hub Service

Der Open Hub Service ermöglicht es, Daten aus einem SAP BW System in nicht-SAP Data Marts, Analytical Applications und anderen Anwendungen zu verteilen. Damit wird die kontrollierte Verteilung über mehrere Systeme hinweg gewährleistet.

Zentrales Objekt für den Datenexport: Open Hub Destination. Durch sie wird definiert, aus welchem Objekt welche Daten bezogen werden und in welches Ziel sie weitergeleitet werden. Transformationen sind möglich.

116

Factless Fact Tables

117

Universitäre Wahlen

• Studenten nehmen an universitären Wahlen teil (oder auch nicht)

• Die Wahlen finden in einem bestimmten Raum statt.

• Die Wahlen haben einen Anlass.• Die Wahl findet in einem bestimmten

Semester statt.• Nicht erfasst werden darf: das

Wahlergebnis des einzelnen Studenten

118

Merkmale & Kennzahlen

Merkmale• Student-Name• Alter• Wahlanlass• Semesterbezeichnung• Raum-Nr• ...

Kennzahlen• ?

119

Abbildung von Factless Fact Tables

Theoretisch• Faktentabelle enthält

keine Kennzahlen• Faktentabelle besteht

lediglich aus Fremd-schlüsseln (auf die Dimensionstabellen)

SAP BW• Faktentabelle muss

mindestens eine Kennzahl enthalten

• Integration einer Dummy-Kennzahl (=1)

120

Vorgehensweise

1. Eine numerische, ganzzahlige Dummy-Kennzahl Dummy wird definiert.

2. Man integriert die Kennzahl Dummy in einen bislang faktenlosen InfoCube.

3. Beim Laden der Bewegungsdaten in den InfoCube wird der Kennzahl Dummy der konstante Wert „1“ zugewiesen.

4. Bei Auswertungen auf den InfoCube kann der Dummy dazu verwendet werden, die Anzahl der Ereignisse, hier der Wahlbesuche, darzustellen.