Technology Blogs by SAP
Learn how to extend and personalize SAP applications. Follow the SAP technology blog for insights into SAP BTP, ABAP, SAP Analytics Cloud, SAP HANA, and more.
cancel
Showing results for 
Search instead for 
Did you mean: 

1        Abstract und Motivation


 

Der Umstieg auf SAP S/4HANA ist für Kunden ein umfangreiches Projekt, das rechtzeitig geplant und vorbereitet werden muß. Es bietet große Chancen aber auch gewisse Risiken, die eingeschätzt, erkannt und möglichst beseitigt werden sollten. Die Daten werden in SAP S/4HANA in der SAP HANA In-Memory Datenbank gehalten, das heißt, alle Daten liegen im wertvollen Hauptspeicher (RAM) und sind deshalb sehr schnell zugänglich. Dies bedeutet aber auch, daß man hier nur aktuelle, wichtige und vor allem korrekte Daten haben möchte. Es sollte vermieden werden, veraltete, unvollständige oder überflüssige und doppelte Daten nach SAP S/4HANA zu migrieren.

Die Daten können in SAP S/4HANA schneller und besser ausgewertet werden, aber aus schlechten und unzuverlässigen Daten sind auch mit SAP S/4HANA keine korrekten und zielführenden Auswertungen zu erwarten.

Auf der anderen Seite bedeutet eine hohe Datenqualität eine gute Entscheidungsgrundlage für schnelle und strategische Unternehmensentscheidungen und ist damit eine essentielle Basis für heutige dynamische Geschäftsprozesse.

Gleichzeitig wächst die Datenmenge immer schneller immer weiter an. Während die weltweit gespeicherte Datenmenge nach Erhebungen des IDC (International Data Corporation) im Jahre 2010 erstmals die Menge von 1 Zetabyte (= 1 Mio. Petabyte oder 1 Mrd. TB) überschritten hat, ist sie bereits 2018 auf über 33 ZB gestiegen. Mit Big Data Technologien, Machine Learning und Data Intelligence sind große Datenmengen immer schneller und effizienter auszuwerten.

Ein SAP S/4HANA Umstiegsprojekt bietet insofern einen guten Grund und Zeitpunkt sich mit dem Thema Datenqualität zu beschäftigen und – sofern noch nicht geschehen – über die Einführung eines unternehmensweiten Datenqualitätsprojekts nachzudenken.

 

2        Der Wert guter Daten


 

Geschäftsprozesse und Unternehmensführung moderner und erfolgreicher Unternehmen haben sich in den letzten 50 Jahren grundlegend gewandelt. Während Produktions- und Vertriebsprozesse in früheren Jahren langfristig angelegt waren und Kunden- sowie Lieferantenbeziehungen sich oft Jahrzehntelang kaum änderten sind moderne Unternehmen sehr viel agiler, Entscheidungen werden sehr viel kurzfristiger getroffen und Marktmodalitäten ändern sich sehr viel schneller als früher. Der Wert von Informationen und Daten ist nicht zuletzt durch die rasante Entwicklung der elektronischen Datenverarbeitung enorm gestiegen – man spricht heute vom „digitalen Gold“ oder vom „Neuen Öl“ der Wirtschaft. Tatsächlich ist der Wert aktueller und korrekter Daten für agile unternehmerische Entscheidungen kaum zu hoch ein zu schätzen. Erfolgreiche agile Unternehmen haben dies erkannt und ein unternehmensweites Datenqualitätsmanagement eingeführt, ein sog. Corporate Data Quality Management (CDQM).

 

Viele Unternehmen, die auf dem Weg nach SAP S/4HANA sind, haben aber oft noch kein CDQM eingeführt und sind sich über die Qualität ihrer Daten unsicher oder wissen gar von Mißständen. Nun sind nicht alle Daten gleich wichtig oder für die strategischen Unternehmensentscheidungen überhaupt relevant. Es macht also Sinn, in einem ersten Schritt die Wichtigkeit verschiedener Unternehmensdaten hinsichtlich ihres Wertes für kurzfristige oder strategische Unternehmensentscheidungen zu gewichten und zu priorisieren. Ein CDQM das alle Daten einer Unternehmung gleichwertig behandelt führt zwar zu einer sicherlich hohen Datenqualität, ist aber nur zu einem Preis zu haben, der evtl. nicht gerechtfertigt ist. Ein CDQM muß zum einen zielführend sein aber zum anderen auch wirtschaftlich vertretbar in seiner Durchführung.  Ebenso wie es ein Über-Controlling mit zu hohen Kosten gibt (die in keinem vernünftigen Verhältnis zum Nutzen stehen), gibt es auch im Bereich des CDQM Maßnahmen, die ggf. über das Ziel hinaus schießen und das Projekt schlicht zu teuer machen.

 

3        Erste Schritte zur Verbesserung der Datenqualität


 

Der erste Schritt in einem CDQM-Projekts sollte die Aufnahme des aktuellen Ist-Zustands der Datenqualität sein. Dazu gehört aber zunächst die Festlegung, wie die DQ gemessen und bewertet wird (Data Policy, Data Governance)  Ebenso gehört hierzu die Festlegung des richtigen Fokus auf die relevanten Daten, d.h. die Daten müssen hinsichtlich ihrer Relevanz priorisiert werden und es ist festzulegen, welche Datenstrukturen hier in das CDQM Projekt hinein fallen und welche ggf. nicht oder nur in einem geringeren Masse.

Hierzu gehört aber auch sich über die grundlegenden Datenstrukturen, einzelne Datenbanken und ihre Verortung im Unternehmensnetz, den Fluß der Daten im Unternehmen sowie die Entstehung neuer Daten zu orientieren und verbindliche Qualitätsmaßstäbe in allen Schritten der Datenverarbeitung fest zu legen.

Zu einem vollständigen und umfassenden CDQM gehören folgende 6 Schritte:

 

Discover: Ermittlung der aktuellen Datenverteilung, Datenquellen, Datenbanken innerhalb des Unternehmens und der wesentlichen Datenflüsse im Geschäftsprozess.

 

Define: Festlegen der DQ-Policy und DQ-Standards die erreicht werden sollen. Hierzu gehört auch eine genaue Beschreibung der Prozesse und das nötige Glossar für ein einheitliches unternehmensweites Verständnis der DQ-Initiative.

 

Evaluate: Auswertung der aktuellen Datenqualität hinsichtlich der festgelegten Regeln in der DQ-Policy.  Ermittlung eines ersten Status Quo bzgl. Datenqualität.

 

Analyze: Überprüfung und Evaluierung der wesentlichen DQ-Probleme von der Datenentstehung über ihre Weiterverarbeitung bis hin zu Nutzung der Daten in Reports und für Unternehmensentscheidungen. Dieser Schritt ist zur Erzielung einer besseren Datenqualität entscheidend und sollte sorgfältig analysiert werden.

 

Cleanse: Ausgehend von den Erkenntnissen der Analyse werden effiziente Verfahren zu Verbesserung der Datenqualität festgelegt und die richtigen Tools für etwaige Massenupdates etc. bereitgestellt. Ebenso muß sichergestellt werden, das auch neue Daten, auf welchem Wege sie immer ins System kommen, den neuen DQ-Policies entsprechen.

 

Monitor: Die Datenqualität muß fortan laufend überwacht werden und in regelmäßigen Abständen anhand der DQ-Policy ausgewertet werden. CDQM ist eine dauerhafte Aufgabe und kein einmaliges Projekt. Unüberwachte Daten tendieren grundsätzlich zu einem Abfall in der Datenqualität, deshalb ist ein stringentes Monitoring entscheidend.

 

 

 

4        Projektplanung und Vorbereitung


 

Innerhalb eines SAP S/4HANA Projektes kann das CDQM im Rahmen der Vorbereitungsphase (oder auch schon früher) eingeplant werden. Ist noch kein CDQM oder Ähnliches im Unternehmen etabliert, wird der initiale Aufwand zur Erhebung des Ist-Standes und der DQ-Policy einen erheblichen Vorbereitungsaufwand in Anspruch nehmen und sollte deshalb mit entsprechend Vorlauf zu den sonstigen Projektarbeiten eingeplant werden.

 



Das DQ-Projekt sollte möglichst früh in der Vorbereitungsphase angegangen werden und spätestens mit Beginn der Realisierungsphase (vorläufig) abgeschlossen sein. Die Daten werden dann in dem Zustand, in dem sie in der Realisierungsphase sind, migriert und ins SAP S/4HANA-System übernommen.

 

Grundsätzlich kann ein CDQM-Projekt auch jederzeit vor der Vorbereitungsphase für S/4HANA starten. Schließlich kommen die Vorteile guter Daten sofort zum Tragen und kollidieren dann nicht mit den anderen Aufgaben der Vorbereitungsphase.

 

 

 

5        SAP Tools für die Datenbereinigung


 

SAP stellt unter dem Oberbegriff SAP EIM (Enterprise Information Management) eine Reihe von verschiedenen Tools und Lösungen zur Verfügung mit denen die meisten Arbeiten im Rahmen eines CDQM Projektes effektiv und effizient erledigt werden können.

Ergänzt werden diese Werkzeuge durch einige erweiterte Partnerlösungen, die dann verschiedene Aspekte eines solchen Projektes noch weitgehender unterstützen oder noch effizienter machen können. Das folgende Bild gibt einen Überblick:



 

Als wichtigste Tools sind hier besonders zu nennen:

 



























SAP IS (Information Steward) Transparenz über Datenstrukturen und Datenqualität gewinnen. (Keine Datenbereinigung – nur Auswertungstool)
Syniti ISA (Information Stuart Accelerator) Ergänzungstool zum SAP IS vom Partner Syniti (früher BOA): erlaubt Anreicherung von unvollständigen Daten
SAP ILM (Information Lifecycle Management) Überwachung der Daten von ihrer Entstechung bis zur Archivierung/Löschung. Berücksichtigung div. Richtlinien und Datenschutzvorschriften.
SAP Archive Link Verbindung zum Archivierungssystem, um Daten aus dem SAP-System auszulagern und ggf. wieder einzulesen (für Auswertungen)
Syniti ADM (Advanced Data Migration) Sehr umfassende Lösung zur Anreicherung und Qualitätsverbesserung von Daten incl. Kollaborationsszenarien, Projektverwaltung, Regelwerken und Verantwortlichkeiten.
SAP MDG (Master Data Governance) Überwachung und Management der Datenqualität für Stammdaten über Systeme und Anwendungen hinweg. Zur Sicherung und Aufrechterhaltung der Datenqualität in laufenden Prozessen.

 

Für ein erfolgreiches CDQM müssen nicht zwingend alle Lösungen in der Gänze eingesetzt werden. Manche Lösungen erleichtern aber ein initiales DQ-Projekt insbes. Wenn große Konzerne über Landesgrenzen hinweg große Datenmengen aus verschiedenen Datenquellen harmonisieren und bereinigen müssen. Hier kommen dann beispielsweise Werkzeuge wie das ADM von Syniti voll zur Geltung, in denen auch komplexere Regelwerke zur Datenbereinigung incl. Verantwortlichkeiten und Projektplan verwaltet und überwacht werden können.

 

Im folgenden sollen die wichtigsten Werkzeuge näher betrachtet werden.

 

 

5.1       SAP IS (Information Steward)


 

Der SAP Information Steward setzt sich zusammen aus früheren Kompenenten von Business Objects wie Data Insight, Metadatenmanagement und den Cleansing Package Builder.

Mit dem SAP Information Steward steht eine mächtige Anwendung zur Verfügung mit der es möglich ist, ein unternehmensweites Data Profiling umzusetzen, Metadaten zu verwalten und die Datenqualität laufend zu prüfen.

Mit der Komponente Data Insight des SAP Information Steward ist es möglich Datenstrukturen –und inhalte aus unterschiedlichen heterogenen Datenquellen und -zielen zu analysieren und die Entwicklung der Datenqualität mit Hilfe von Data Quality Scorecards zu überwachen.

 

Der SAP Information Steward ist insofern das Tool der Wahl um sowohl den initialen Zustand der Daten zu analysieren sowie die Regeln und Policies für die Einhaltung der Datenqualität über Metadaten zu definieren.

Das folgende Bild gibt einen Überblick über die Kernfunktionen des SAP Information Steward:



 

Über die Komponente „Data Insight“ können Scorecards zur Beschreibung der aktuellen Datenqualität generiert werden, die eine laufende Überwachung das Datenbereinigungsprozesses und die Einhaltung der DQ-Policies über die weitere Datenverarbeitung ermöglichen:



 

Damit können zu jeder Datenstruktur detallierte Regeln zur Überwachung der Datenqualität hinterlegt und die Einhaltung der DQ-Richtlinien überwacht werden. Sowohl Fachabteilung als auch IT haben damit ein Instrument, das die Motivation für hohe Datenqualität fördert und eine genaue Analyse möglicher Schwachstellen ermöglicht.

 

Über Detailsichten im Data-Profiling können fehlerhafte Daten bis auf Feldebene analysiert werden, so dass eine Bekämpfung der Schwachstellen an der Wurzel möglich wird:



 

Weitere Informationen zum SAP Information Steward finden Sie hier:

https://www.sap.com/products/data-profiling-steward.html

 

oder im SAP Help-Portal:

https://help.sap.com/viewer/product/SAP_INFORMATION_STEWARD/4.2.12/de-DE

 

 

 

5.2       SAP Information Lifecycle Management


 

SAP Information Lifecycle Management ist eine umfassende Lösung zur Verwaltung von Unternehmensdaten über ihren gesamten Lebenszyklus, von der Entstehung der Daten über ihre Verarbeitung und Aufbewahrung bis zur Archivierung oder Löschung. Ein umfangreiches Regelwerk berücksichtigt länderspezifische Datenschutzregularien oder Aufbewahrungsfristen von Beleg- und Buchungsdaten. Diese Lösung ist für alle Unternehmen eine wichtige Basis zur Einhaltung der einschlägigen Datenschutzvorschriften wie der GSDVO (EU-Datenschutzgrundverordnung) und fügt sich in das Toolset zur umfassenden Überwachung der Datenqualität ein.

Das folgende Bild zeigt die wesentlichen Funktionen das SAP ILM:



Das SAP ILM kann sowohl genutzt werden um die Regeln für die Datenaufbewahrung (Retention Management) oder für die Datenarchivierung zu erstellen und zu verwalten. Am Ende des Lebenszyklus können Daten in ein separates Retention Warehouse ausgelagert werden, so das sie die Datenbank des Produktivsystems nicht mehr belasten, aber für etwaige Auswertungen oder aufgrund buchhalterischer Regularien noch zur Verfügung stehen.

 

Die Unterschiede zwischen Datenarchivierung und Retention Management mit den jeweils zur Verfügung stehenden Regelwerken werden im folgenden Bild erläutert:



 

Dabei stehen im ILM verschiedene Möglichkeiten für das Regelwerk zur Verfügung:

 

  • Verschiedene Länder können unterschiedliche Aufbewahrungsfristen für verschiedene Datentypen haben (z.B. Kundenstamm, Rechnungsdaten, Zahlung, Bestellung etc.)


 

  • Globale Konzerne müssen den Regularien aller Länder, in denen sie arbeiten, genügen


 

  • Regeln zur Aufbewahrung, Archivierung und Vernichtung werden automatisch angewendet


 

  • Dedizierte Archive gemäß Regelwerk möglich (Erzeugung der Archive gemäß Regelwerk und Ablaufdatum)


 

  • E-Discovery-Funktion: Suche nach Informationen in Datenbank und Archiv, die z.B. für Rechtsstreitigkeiten benötigt werden


 

  • Legal Hold: Unterbindet die Datenvernichtung bei anhängigen Rechtsfällen


 

Aufbewahrungsregeln können im SAP ILM sehr differenziert abgebildet werden. So können bspw. die gleichen Datenstrukturen in unterschiedlichen Ländern oder Buchungskreisen unterschiedlich behandelt werden, je nachdem welche Regularien jeweils gelten. Auf diese Weise können auch in landesübergreifend operierenden Konzernen die jeweiligen Regeln beachtet werden. Das folgende Bild zeigt mögliche Details in der Definition der Retention Rules:



 

Weitere Informationen zu SAP ILM finden Sie hier:

https://www.sap.com/products/information-lifecycle-management.html

oder hier:

https://help.sap.com/viewer/35d6f7d8cbd04dbf997ca36785c7a795/1709%20002/de-DE

 

 

5.3       SAP Advanced Data Migration (ADM) by Synity


SAP ADM by Syniti ist eine umfassende Lösung zur Datenbereinigung, -anreicherung, -transformation und -Qualitätsmanagement die von unserem Partner Syniti (früher BackOffice Associates) entwickelt wurde und eng mit SAP Data Services zusammen arbeitet. Insbesondere für große Unternehmen mit verteilten Datenbanken sowie landesübergreifende Konzerne ist es eine geeignete und empfohlene Lösung, da sie über wiederverwendbare Prozeduren und Regelwerke viele Schritte automatisieren kann und eine teamübergreifende Zusammenarbeit über Kollaborationsfunktionen ermöglicht.

In SAP ADM werden insgesamt 8 Hauptbereiche unterschieden:

 

Prepare

Teams und Verantwortlichkeiten sowie involvierte Systeme, Datenbanken und Zeitpläne definieren und vorbereiten. Eine sorgfältige Vorbereitung ist entscheidend für den Erfolg. Hier werden die Ecksteine des Projekts sowohl für eine einmalige Säuberung als auch für die dauerhafte Überwachung der Datenqualität festgelegt. Alle Regeln und Prozeduren können wiederverwendet werden.

 

Collect

Daten werden aus unterschiedlichen Quellen zusammengezogen und zur weiteren Prozessierung separat persistiert. Daten aus den verschiedenen Quellen können damit harmonisiert und zusammengeführt werden, so daß ein einheitliches Qualitätsziel erreicht werden kann.

 

Profile

Daten werden profiliert und analysiert über definierte DQ-Regeln. Hier werden auch die Prioritäten für verschiedene Datenstrukturen festgelegt und die Migrationsregeln z.B. für SAP S/4HANA festgelegt. Die Ergebnisse erlauben ein differenziertes Bild über die aktuelle Datenqualität und den zu erwartenden Aufwand für die Bereinigung. Dementsprechend können personelle Ressourcen den einzelnen Aufgaben zugeordnet werden.

 

Design

Festlegung der Bereinigungsschritte und Regeln für die Transformation der Daten (z.B. nach SAP S/4HANA). Hier wird der Zielzustand definiert und die nötigen Regeln und Schritte festgelegt. Regeln können für unterschiedliche Zwecke (verschiedene Länder, Buchungskreise etc.) wiederverwendet werden.

 

Mapping

Hier wird das Mapping von Altdaten auf Neudatenstrukturen festgelegt und vorgenommen. Datenstrukturen in SAP S/4HANA sehen anders aus als im SAP Business Suite Umfeld. Einzelne Datenfelder müssen auf die neuen Strukturen angepasst, gemapped werden. Auch hier werden wiederverwendbare Regelwerke und Interfaces verwendet.

 

Construct

Datensätze können hier nach Bedarf manuell oder automatisiert angereichert werden. In der Regel sind die Integritätsregeln für Datensätze in SAP S/4HANA restriktiver und erfordern die Existenz bestimmter Informationen und Feldinhalte. Diese müssen in diesem Schritt angereichert werden, sofern nicht vorhanden.

 

Transform

Simulation und Validierung des Datenladeprozesses. Hier werden alle Informationen aus den vorangegangenen Phasen integriert und die Datentransformation abgeschlossen bzw. getestet. Unvollständige oder nicht konsistente Daten werden erkannt und können in einer zweiten Schleife vervollständigt werden. Damit wird ein sauberer Ladeprozess für den nächsten Schritt gesichert.

 

Load

Im finalen Schritt können die angepaßten und bereinigten Daten in das Zielsystem (SAP S/4HANA) geladen werden. Die vorherigen Schritte garantieren einen sauberen und störungsfreien Ladeprozeß in das Zielsystem. Hierdurch wird die Downtime verringert und ein sicherer Übergang gewährleistet.

 

Das folgende Bild zeigt die Möglichkeiten im Überblick:



 

Weitere Informationen zu SAP ADM finden Sie hier:

https://www.sap.com/products/advanced-data-migration-software.html

oder hier:

https://www.syniti.com/solutions/data-migration/

 

 

5.4       SAP Master Data Governance (MDG)


 

SAP Master Data Governance ist die SAP Lösung zum Qualitätsmanagement Ihrer Stammdaten. Zusammen mit SAP Data Services umfaßt die Lösungen das frühere Master Data Management. Es erlaubt – ähnlich wie ADM – die Zusammenführung der Daten aus verschiedenen Systemen und Datenquellen zur einheitlichen Bereinigung und Qualitätssicherung. Es ist aber hinsichtlich Kollaborationsfunktionen und Regelwerken im Funktionsumfang etwas eingeschränkter als das ADM.

 

Mit SAP Master Data Governance steht Ihnen ein integriertes Tool zum Datenmanement, zur Datenpflege, Validierung und Verteilung von Stammdaten zur Verfügung. Die Integration beschleunigt den Pflegeprozess, führt zu einer enormen Verbesserung Ihrer Stammdatenqualität und gewährleistet die Einhaltung gesetzlicher Bestimmungen u.a. durch eine Wiederverwendung der im ERP bereits bestehenden Prüfungen. Zudem ermöglichen automatisierte Workflows in SAP MDG eine Stabilisierung und Beschleunigung der Pflege- und Geschäftsprozesse.

 

SAP MDG bietet im wesentlichen folgende Funktionen:

 

  • Wiederverwendung individueller, vorhandener SAP-Funktionalitäten und Datenstrukturen

  • Verwendung der Standard SAP ERP Prüfungen

  • Erweiterbarkeit und Anpassung auf kundenspezifische Anforderungen

  • Oberflächen sind anpaßbar, konfigurierbar und personalisierbar mit Hilfe des Floorplan Managers (ABAP Webdynpro basiert)

  • Regelbasierter Workflow ist über BRFplus integriert, schnell und individuell anpaßbar und ermöglicht eine automatisierte Workflowsteuerung z.B. mit einfachem 4-Augen-Prinzip

  • Zentrale Generierung und Pflege der Stammdaten

  • Harmonisierung und Konsolidierung der Daten in heterogenen Systemlandschaften

  • Einhaltung von Compliance-Anforderungen

  • Transparenz über den Einfluß von Stammdaten auf Geschäftsprozesse

  • Transparenz über Verantwortlichkeiten im Bereich Stammdatenpflege


 

Das folgende Bild zeigt das Zusammenspiel der verschiedenen Komponenten und der Integration des SAP MDG als zentrale Instanz zur Erzielung und Sicherung des CDQM:

 



Weitere Informationen zu SAP Master Data Governance finden Sie hier:

https://help.sap.com/viewer/product/SAP_MASTER_DATA_GOVERNANCE/MDG92.SP02/en-US

oder hier:

https://help.sap.com/viewer/2a0362b7ea184ff1bef2d1a8c2a1e3d8/6.17.17/de-DE/d5eb955163146572e10000000...

 

 

 

6        SAP Tools für die DatenMigration nach S4Hana


 

Speziell für die Migration der Daten aus dem SAP ERP bzw. SAP Business Suite ECC 6.0 stehen noch weitere spezielle Tools zur Verfügung, die den besonderen Datenanforderungen des SAP S/4HANA genügen. So ist speziell für die Greenfield Variante (Neuimplementierung von SAP S/4HANA) das sog. SAP S/4HANA Migration Cockpit entwickelt worden.

 

Neben dem Migration Cockpit kommen aber oft weitere Tools als zusätzliche oder alleinige Werkzeuge zum Einsatz um besondere Anforderungen zu erfüllen, die mit nur einem Tool erheblichen Mehraufwand bedeuten können oder gar nicht zu erfüllen sind. Hier ist vor allem SAP Data Services zu nennen. Data Services erlauben eine schnellere Bearbeitung auf Tabellenebene und machen Massendatenverarbeitung erst sinnvoll möglich, erfordern aber auf der anderen Seite ein tieferes Verständnis der Datenstrukturen und erfordern teilweise Programmierkenntnisse in ABAP oder SQL.

Zuletzt ist hier noch das alte LSMW (Lagacy System Migration Workbench) zu nennen, das für Migrationen nach S/4HANA jedoch nicht empfohlen und freigegeben ist, in besonderen Situationen aber dennoch Vorteile verspricht und in manchen Projekten noch zum Einsatz kommt. Allerdings ist das LSMW nicht auf die neuen Datenstrukturen im SAP S/4HANA angepaßt und es braucht eine tiefe Kenntnis der alten und neuen Strukturen sowie der Funktionsweise des LSMW um es für solche Projekte sinnvoll einsetzen zu können.

 

6.1       SAP S/4HANA Migration Cockpit


 

Das SAP S/4HANA Migration Cockpit ist das von SAP empfohlene Tool zur Datenmigration nach S/4HANA, insbes. im Greenfield Approach oder in Mischformen mit selektiver Datenübernahme. Mit dem Migration Cockpit können Daten in Form von XML-Templates oder Excelsheets manuell oder automatisert gefüllt ins Zielsystem übertragen werden. Das Tool wendet sich an einfache User ohne spezielle Programmier- und Datenbankkenntnisse und bildet sozusagen eine für S/4HANA vorkonfigurierte Datenmigration.

Das SAP S/4HANA Migration Cockpit bietet folgende Funktionen:

  • Vorkonfigurierte Migrationstemplates

  • Schritt-für-Schritt Anleitung durch den Migrationsprozeß

  • Vordefinierte Migrationsobjekte und -regeln

  • Automatisiertes Objektübergreifendes Wertemapping

  • Migrationsprogramme werden automatisch generiert

  • Migration Object Modeler für kundenindividuelle Daten (Erweiterungsmöglichkeit)


Die Daten können dabei über folgende Möglichkeiten übernommen werden:

 



Der Transfer über XML-files ist dabei der einfachste, ist in seinen Möglichkeiten aber auf geringes Datenvolumen beschränkt. Der Transfer über Staging Tables oder direkt in das SAP System ist schneller, erfordert aber auch etwas tiefere Kenntnisse. Die Datenintegrität ist in jedem Falle gewährleistet, da die Datenübernahme im Zielsystem über iDOCs läuft und damit die Plausibilitätsprüfungen der Applikationsebene durchläuft. Der Nachteil dieser Vorgehensweise liegt im Zeitaufwand dieser Prüfungen bei sehr großen Datenbeständen.

Das folgende Bild zeigt den file- und staging-Approach im Migration Cockpit:

 



Die vordefinierten Migrationstemplates für SAP S/4HANA sind auf die wesentlichen Datenstrukturen beschränkt und umfassen ca. 200 Strukturen aus dem Bereich Controling, Financials, Treasury and Risk Management, Logistics, Material Management, Plant Maintenance, Production Planning, Sales and Distribution, Quality Management, Project System u.a.

Weitere Informationen zum SAP S/4HANA Migration Cockpit finden Sie hier:

https://help.sap.com/viewer/29193bf0ebdd4583930b2176cb993268/1909.000/de-DE/8f97f0b407024465a283809f...

oder hier:

https://www.sap.com/documents/2017/07/26113ac0-c47c-0010-82c7-eda71af511fa.html

 

 

6.2       SAP Data Services


 

SAP Data Services bietet weitgehende Möglichkeiten für

  • Datenanalyse incl. Qualitätsanalyse

  • Datenextraktion (aus verschiedenen SAP und non-SAP Quellen)

  • Datenbereinigung

  • Validierung (über Prüftabellen)

  • Daten laden

  • Datenkonsolidierung (Harmonisierung)


Im Gegensatz zum Migration Cockpit erfordert der Einsatz von SAP Data Services jedoch tiefere Kenntnisse in den Datenstrukturen und der Programmierung (ABAP und SQL), bietet dafür aber mehr Flexibilität und Möglichkeiten. Für große Datenmengen ist SAP Data Services das bevorzugte Tool, da deutlich schneller.

In vielen Projekten kommt es daher ergänzend zum Migration Cockpit zum Einsatz, wenn dieses an seine Grenzen stößt.

 

Das folgende Bild gibt einen Überblick über die Einsatzmöglichkeiten von SAP Data Services im Bereich Datenmigration:

 



 

Weitere Informationen zu SAP Data Services finden Sie hier:

https://help.sap.com/viewer/product/SAP_DATA_SERVICES/4.2.12/de-DE

und hier:

https://help.sap.com/viewer/3d2553f32c334b7eb24a825b0b7b7992/4.2.12/de-DE/0fc7dcdd91464e38ae33da2e00...

 

 

7        Zusammenfassung


 

Die Herstellung und Sicherung der Datenqualität von Unternehmensdaten über ein CDQM Projekt ist eine wesentliche Maßnahme zur Sicherung des Unternehmenserfolges. Sofern noch kein CDQM etabliert ist, ist der Umstieg auf SAP S/4HANA ein guter Zeitpunkt, ein solches Projekt aufzusetzen, die Daten zu harmonisieren und zu bereinigen und Altdaten zu archivieren oder ganz zu löschen.

 

Die verschiedenen Lösungen aus dem SAP Enterprise Information Management helfen Ihnen dabei die notwendigen Schritte zur Etablierung eines CDQM zu gehen. Planen Sie die Datenbereinigung rechtzeitig vor dem eigentlichen Umstellungsprojekt auf SAP S/4HANA ein und bedenken Sie, dass auch bei der Arbeit mit der Simplifikation List für S/4HANA spezielle Datentransformationen erfolgen müssen (z.B. die Customer-Vendor Integration im neuen Business Partner oder die Anpassung des Materialstammschlüssels).

 

Wenn Sie bereits im Vorfeld eines SAP S/4HANA Projekts eine gute Datenqualität sicherstellen können vermeiden Sie unnötige Doppelarbeit und ersparen sich auch bei der Datenmigration unnötigen Aufwand.

 

 

 
2 Comments