Was moderne Datenarchitekturen heute verlangen

SAP-Datenintegration bedeutet im Kern seit jeher dasselbe: Daten aus operativen SAP-Systemen extrahieren und für Reporting, Analytics oder Data Warehouses bereitstellen. Daran hat sich nichts geändert – wohl aber daran, was heute zusätzlich gefordert wird. Cloud- und Lakehouse-Architekturen, automatisierte Prozesse sowie neue datengetriebene Anwendungen erweitern das Anforderungsprofil erheblich.

Daten müssen nicht nur zuverlässig verfügbar, sondern auch möglichst aktuell, nachvollziehbar und über unterschiedliche Plattformen hinweg nutzbar sein – etwa in Cloud- und Analytics-Umgebungen wie Microsoft Fabric, Databricks oder Snowflake. Dadurch verändert sich auch die Rolle der Datenintegration. Die reine Verbindung zwischen Quell- und Zielsystem wird zunehmend zur Grundlage für die unternehmensweite Nutzung von SAP-Daten, auch als Basis für KI-Agenten und -Anwendungen.

Dies wiederum bringt ein Zusammenspiel verschiedener Anforderungen mit sich: Unternehmen benötigen SAP-konforme Zugriffswege, müssen Daten je nach Anwendungsfall möglichst aktuell bereitstellen und dabei ihren fachlichen Kontext erhalten. Zugleich müssen sie neue Abhängigkeiten vermeiden. Nicht zuletzt stellt sich die Frage, wie Daten und daraus gewonnene Erkenntnisse wieder in operative Prozesse zurückfließen können. Mit diesen neuen Nutzungsszenarien rückt die Frage in den Fokus, wie Unternehmen auf SAP-Daten zugreifen.

Neue Spielregeln für Datenzugriff

Moderne Integrationslösungen müssen künftig Performance und SAP-konforme Zugriffswege zusammenführen.

CDS-Views spielen dabei eine entscheidende Rolle und bilden die Grundlage für die strukturierte und gezielte Bereitstellung von SAP-Daten. Für Unternehmen stellt sich damit die Frage, welcher Zugriffsweg zum jeweiligen Anwendungsfall passt. Dabei spielen beispielsweise Datenmenge, Aktualitätsanforderungen und bestehende Systemlandschaften eine Rolle.

Die neueste Entwicklungsstufe Xtract Universal.iQ von Theobald Software unterstützt unterschiedliche Wege: Neben ODP OData als etablierter SAP-Standardschnittstelle für den Zugriff auf CDS-Views steht mit CDSFlow ein weiterer Ansatz für eine gezielte, selektive Extraktion und stabile Delta-Prozesse zur Verfügung. Auch der beste Datenzugriff hilft nur bedingt, wenn Entscheidungen auf veralteten Informationen beruhen. Die klassische Batch-Verarbeitung stößt an ihre Grenzen, sobald operative Prozesse aktuelle Informationen erfordern. Anstelle der regelmäßigen Übertragung von Daten müssen diese zunehmend mit geringer Latenz für Analysen, Anwendungen und automatisierte Prozesse verfügbar sein.

Die Verfügbarkeit aktueller Daten hängt dabei nicht allein von der eingesetzten Plattform ab. Ausschlaggebend ist vielmehr, in welcher Frequenz Änderungen aus den SAP-Systemen übertragen werden. Verfahren wie Table CDC oder CDSFlow können Änderungen kontinuierlich beziehungsweise in kurzen Intervallen bereitstellen.

Apache Kafka kann dabei als zentraler Daten-Hub dienen, über den Daten kontinuierlich verarbeitet und an nachgelagerte Anwendungen oder Data Lakes verteilt werden. Je kürzer die Zeit zwischen einer Anpassung im SAP-System und der Bereitstellung für nachgelagerte Systeme ausfällt, desto schneller können diese Informationen in Analysen oder operative Prozesse einfließen. Dies macht Aktualität zu einem zentralen Aspekt moderner SAP-Datenintegration, unabhängig davon, welche Technologie für die Weiterverarbeitung eingesetzt wird.

Mit wachsenden Datenbeständen steigt auch der Bedarf an Einordnung. Denn nur weil Daten technisch verfügbar sind, sind sie noch lange nicht nutzbar.

Unternehmen müssen wissen, welche Daten verfügbar sind, welche davon sie tatsächlich benötigen, was diese bedeuten und in welchem Zusammenhang sie stehen. Metadaten liefern diesen Kontext: Sie machen Datenquellen und Zusammenhänge nachvollziehbar und helfen dabei, die für einen Anwendungsfall relevanten SAP-Daten schneller zu identifizieren.

Daten brauchen Kontext

Eine zentrale Metadaten- und Begriffsverwaltung kann SAP-Datenobjekte fachlich einordnen, Verantwortlichkeiten sichtbar machen und technische Feldnamen in für Fachanwender verständliche Begriffe übersetzen. Lineage-Informationen ergänzen diese Einordnung um Herkunftsinformationen – eine wichtige Voraussetzung für Kontrolle, Compliance und Datenqualität.

Xtract Universal.iQ führt dieses Kontextwissen zusammen und schafft so die Grundlage für wiederverwendbare Data Products. Anstatt SAP-Rohdaten für jeden Anwendungsfall neu aufzubereiten, entstehen beschriebene und katalogisierte Datenprodukte, auf die Fachbereiche direkt zugreifen können.

Der zusätzliche Kontext macht SAP-Daten nicht nur für Fachanwender verständlicher, sondern zunehmend auch für KI-Agenten nutzbar. Neben der Nutzbarkeit rückt die Kontrolle darüber in den Fokus, wo und wie Daten verarbeitet werden – Stichwort Datensouveränität. Diese gewinnt gerade mit Blick auf moderne Cloud- und Lakehouse-Architekturen stark an Bedeutung. Bei Datensouveränität geht es um mehr als nur die Frage, wo Daten physisch gespeichert sind. Ausschlaggebend ist, wie stark eine Architektur an einen bestimmten Anbieter gebunden ist, etwa durch herstellerspezifische Cloud-Anbindungen, proprietäre Schnittstellen oder geschlossene Speicherformate.

Je enger diese Bindung, desto schwieriger und teurer wird später ein Wechsel der Plattform. Wer dagegen Datenquellen, Integrationsschicht und Zielsysteme konsequent voneinander trennt, reduziert diese Abhängigkeit und bewahrt sich die Möglichkeit, die eigene Dateninfrastruktur flexibel weiterzuentwickeln.

An dieser Stelle setzen offene Tabellenformate wie Apache Iceberg an. Sie stellen Daten so bereit, dass unterschiedliche Analytics- und Datenplattformen darauf zugreifen können. Damit wird die Wahl des Datenformats zu einem wesentlichen Faktor für die langfristige Flexibilität einer Datenarchitektur.

Souveräne Datenintegration

Xtract Universal.iQ kann SAP-Daten automatisiert und inkrementell in diesem offenen Format für Data-Lakehouse-Architekturen bereitstellen. Datensouveränität endet jedoch nicht bei der Wahl des Datenformats und der Architektur. Ebenso von Bedeutung ist, wer die Infrastruktur der Datenintegration selbst betreibt.

Flexible, containerisierte Deployment-Modelle lassen Unternehmen auch auf dieser Ebene die Wahl, wo sie ihre Datenintegration betreiben. Xtract Universal.iQ kann dabei beispielsweise in der eigenen Infrastruktur oder in einer privaten Cloud eingesetzt werden. Moderne SAP-Datenintegration endet nicht dort, wo Daten das SAP-System verlassen. Erkenntnisse aus Analysen müssen auch wieder in operative Abläufe einfließen können.

Vom Datenfluss zum Prozess

Dafür muss Integration in beide Richtungen funktionieren. Datenintegration wird damit zunehmend auch zur Prozessintegration. Je nach Anwendung müssen auch Prozesse angestoßen oder Daten gezielt zurückgeschrieben werden können. Xtract Universal.iQ unterstützt diesen bidirektionalen Ansatz.

KI-Szenarien erweitern diesen Ansatz zusätzlich: Über einen optionalen MCP-Server lassen sich SAP-Daten und -Services kontrolliert für KI-Agenten und LLM-basierte Anwendungen nutzbar machen.

Datenzugang ist erst der Anfang

Die Anforderungen an die SAP-Datenintegration werden immer vielfältiger und ein Ende dieser Entwicklung ist nicht abzusehen. Daten sind schon lange nicht mehr nur die Grundlage für Reports oder Analysen, sondern bilden das Fundament für datengetriebene Entscheidungen, Prozesse und neue Geschäftsmodelle.

Umso wichtiger wird daher die Frage, wie sie für Unternehmen langfristig verfügbar und nutzbar gemacht werden können. Die Zukunft der SAP-Datenintegration liegt entsprechend im Zusammenspiel verschiedener Anforderungen und Technologien.

SAP-konforme Zugriffswege, Echtzeitdaten, Metadaten, offene Formate und eine bidirektionale Prozessintegration sind heute die zentralen Bausteine. Welche Anforderungen künftig hinzukommen werden, lässt sich heute nicht vollständig absehen.

Umso wichtiger ist dafür eine Integrationsarchitektur, die neue Zielplattformen, Zugriffswege und Nutzungsszenarien aufnehmen kann, ohne dabei bestehende Datenflüsse grundlegend neu aufzubauen.