BigQuery Machine Learning

Ende von ECC 6.0 und R/3 sowie Conversion zu Hana und S/4 bietet Chancen

Eine Migration der aktuell genutzten Datenbank zu Hana und ein Wechsel zu S/4 ist technisch und vermutlich auch kommerziell mittelfristig unausweichlich. Es ergibt also Sinn, sich zeitnah mit der Umstellung zu beschäftigen. Beim Systembetrieb sieht es so aus, als gäbe es zukünftig nur eine Zielplattform: die Cloud. Bei den Anwenderunternehmen dominieren derzeit noch On-premises-Modelle – allerdings mit abnehmender Tendenz – sowie das Hosting in externen Rechenzentren.

Die Public Cloud von SAP ist auf definierte Szenarien zugeschnitten und spielt bei der Betrachtung der meisten Unternehmen eine untergeordnete Rolle. SAP selbst forciert die Umstellung auf cloudbasierte Produkte und Dienstleistungen mit Rise with SAP. Neben dem Marketingdruck, der von SAP erzeugt wird, sind natürlich auch andere Hyperscaler daran interessiert, SAP-Workloads zu übernehmen. Derzeit bieten sieben Hyperscaler zertifizierte IaaS-Plattformen für OLAP und OLTP. Für den deutschsprachigen Markt sind Amazon Web Services (AWS), Google Cloud Platform (GCP) und Microsoft Azure die relevanten Anbieter.

SAP-Betriebsmodelle

Die Wahl des Betriebsmodells erfolgt anhand einer Reihe von Entscheidungskriterien wie Sicherheit, regulatorische Bedingungen, Steuerbarkeit im Betrieb, technische Anforderungen sowie Service-Level. Häufig kommt es vor, dass im Verlauf des Entscheidungsprozesses bei der Wahl des passenden Betriebsmodelles Überraschungen entstehen. Vermeintliche Vor- und Nachteile relativieren sich bei einer näheren Betrachtung zum Wechsel in die Cloud insbesondere beim Thema Sicherheit. Die drei genannten Hyperscaler bieten beispielsweise ihre Dienste in Übereinstimmung mit dem Cloud Computing Compliance Controls Catalog (C5) des Bundesamtes für Sicherheit in der Informationstechnik (BSI) an. C5 unterstützt somit Unternehmen beim Nachweis der betrieblichen Sicherheit.

Ein Aspekt, der in der initialen Betrachtungsweise kaum beleuchtet und auch in den Ausschreibungsprozessen der Anwenderunternehmen selten berücksichtigt wird, ist, wie sich eine Neuausrichtung des SAP-Betriebs auf die Innovationskraft und Wettbewerbsfähigkeit des Anwenderunternehmens auswirkt. Das sich die zukünftige Ausrichtung eines Kernsystems der unternehmerischen Wertschöpfung im Kriterienkatalog für die Auftragsvergabe nur selten wiederfindet, ist jedenfalls bemerkenswert.

Authority und Agility

Ebenso werden neue Geschäftsmodelle, etwa Direct-to-Consumer-Dienste (DTC) und Abonnements, immer beliebter. Das Warenwirtschaftssystem bleibt auch zukünftig die zentrale Datenhaltungseinheit (Source of Authority). Daneben stellen Hyperscaler Datenbanksysteme und Technologien bereit, mit denen Unternehmen effizienter und schneller auf die Anforderungen am Markt reagieren können (Source of Agility). Die Brücke zum Übergang in beide Welten bietet die SAP Business Technology Platform (SAP BTP). Bei den genannten Hyperscalern ist die SAP BTP eine etablierte Plattform, um intelligente Unternehmensanwendungen mit Datenbank- und Datenmanagement-, Analyse-, Integrations- sowie Erweiterungsfunktionen zu verbinden.

Was leistet nun diese Source of Agility? Dies verdeutlicht ein Beispiel: Google BigQuery, ein serverless Multi-Cloud-Data-Warehouse für datengestützte Innova-tionen in Unternehmen, wird über die BTP ans SAP-ERP-System angebunden und dient diesem als System of Agility. Die Daten des SAP-Systems werden dabei mit externen Datasets und Streaming-Daten in Echtzeit angereichert. BigQuery wird so die zentrale Lösung für Datenanalysten und Data Scientists. 

Mit Dataplex, einer intelligenten Datenstruktur, erhalten Unternehmen zusätzlich Zugriff auf vertrauenswürdige Daten und hilfreiche Analysen in großem Umfang. Sie können diese Daten zentral über Data-Lakes, Data Warehouses und Data-Marts mit einheitlichen Steuerelementen erfassen, verwalten, überwachen und bereitstellen. Im nächsten Schritt können sie das in BigQuery integrierte Machine Learning (ML) nutzen und mithilfe von Standard-SQL-Abfragen Modelle für maschinelles Lernen in BigQuery erstellen und ausführen.

Maschinelles Lernen mit großen Datasets erfordert umfangreiche Programmier- und ML-Frameworks-Kenntnisse. Diese Anforderungen beschränken die Lösungsentwicklung in den meisten Unternehmen auf einen kleinen Personenkreis. Datenanalysten gehören nicht dazu, da sie die Daten zwar verstehen, ihre Programmierkenntnisse und ihr Wissen im Hinblick auf maschinelles Lernen aber oft begrenzt sind. Mit BigQuery Machine Learning benötigen Datenanalysten kein neues Wissen und können bereits vorhandene SQL-Tools verwenden, um maschinelles Lernen zu nutzen. So kann sich das SAP-Betriebsteam um seine Aufgaben kümmern – die kundennahen Einheiten haben derweil den Zugriff auf hochverdichtete und visualisierte Echtzeitdaten, um die richtigen Entscheidungen zu treffen.