SAP Datasphere Integration: ABAP Cloud Daten in Analytics nutzen

kategorie

Integration

Veröffentlicht

Feb 14, 2026

autor

SAP Datasphere ist die Nachfolgelösung von SAP Data Warehouse Cloud und bildet das Herzstück der SAP Business Data Fabric. Für ABAP Cloud Entwickler eröffnet sich damit die Möglichkeit, transaktionale Daten für komplexe Analytics-Szenarien bereitzustellen.

SAP Datasphere Grundlagen

SAP Datasphere vereint Data Warehousing, Data Lake, Data Virtualization und Business Semantics in einer integrierten Plattform. Die Architektur basiert auf Spaces, die als isolierte Datenbereiche fungieren.

Kernkonzepte

Konzept	Beschreibung
Space	Isolierter Arbeitsbereich für Teams
Data Builder	Modellierung von Views und Tabellen
Business Builder	Semantische Layer und Kennzahlen
Data Access Controls	Berechtigungen auf Datenebene
Connections	Anbindungen an Quellsysteme

Integration mit ABAP Cloud

ABAP Cloud Systeme lassen sich über verschiedene Wege anbinden:

ABAP CDS Extraction: Direkte Extraktion von CDS Views
OData Services: Zugriff über OData-Schnittstellen
Remote Tables: Virtueller Zugriff auf SAP-Systeme
Replication Flows: Geplante Datenreplikation

CDS View Extraction für Datasphere

Die CDS View Extraction ist der empfohlene Weg für ABAP Cloud zu Datasphere. Die Views müssen mit speziellen Annotationen versehen werden.

Extraction-fähige CDS Views

@AbapCatalog.sqlViewName: 'ZSALESORDEREX'
@AbapCatalog.compiler.compareFilter: true
@Analytics.dataCategory: #CUBE
@Analytics.dataExtraction.enabled: true
@Analytics.dataExtraction.delta.changeDataCapture.automatic: true
define view entity ZI_SalesOrderExtract
  as select from zsalesorder as so
  association [1..1] to ZI_CustomerMaster as _Customer
    on $projection.CustomerId = _Customer.CustomerId
{
      @Analytics.dataExtraction.delta.byElement.name: 'ChangedOn'
      @Analytics.dataExtraction.delta.byElement.maxDelayInSeconds: 1800
  key so.sales_order_id    as SalesOrderId,

      so.customer_id       as CustomerId,
      so.order_date        as OrderDate,
      so.net_amount        as NetAmount,
      so.currency          as Currency,
      so.status            as Status,

      @Semantics.systemDateTime.lastChangedAt: true
      so.changed_on        as ChangedOn,

      @Semantics.systemDateTime.createdAt: true
      so.created_on        as CreatedOn,

      _Customer
}

Wichtige Annotationen für Extraktion

Annotation	Beschreibung
`@Analytics.dataExtraction.enabled`	Aktiviert die Extraktion
`@Analytics.dataExtraction.delta.changeDataCapture.automatic`	Automatische CDC
`@Analytics.dataExtraction.delta.byElement.name`	Feld für Delta-Erkennung
`@Analytics.dataCategory`	Kategorisierung (#CUBE, #DIMENSION, #FACT)

Analytische CDS Views für Datasphere

Für optimale Analytik sollten CDS Views nach dem Star-Schema modelliert werden.

Dimension View (Kunde)

@AbapCatalog.viewEnhancementCategory: [#NONE]
@Analytics.dataCategory: #DIMENSION
@Analytics.dataExtraction.enabled: true
@ObjectModel.representativeKey: 'CustomerId'
define view entity ZI_CustomerDimension
  as select from zcustomer
{
  key customer_id   as CustomerId,

      @Semantics.text: true
      customer_name as CustomerName,

      country       as Country,
      region        as Region,
      city          as City,
      customer_type as CustomerType,

      @Semantics.businessDate.createdAt: true
      created_on    as CreatedOn
}

Fact View (Umsätze)

@AbapCatalog.viewEnhancementCategory: [#NONE]
@Analytics.dataCategory: #FACT
@Analytics.dataExtraction.enabled: true
@Analytics.dataExtraction.delta.changeDataCapture.automatic: true
define view entity ZI_SalesFactExtract
  as select from zsales_data as sd
  association [1..1] to ZI_CustomerDimension as _Customer
    on $projection.CustomerId = _Customer.CustomerId
  association [1..1] to ZI_ProductDimension as _Product
    on $projection.ProductId = _Product.ProductId
  association [1..1] to ZI_TimeDimension as _Time
    on $projection.SalesDate = _Time.CalendarDate
{
  key sd.sales_id     as SalesId,

      sd.customer_id  as CustomerId,
      sd.product_id   as ProductId,
      sd.sales_date   as SalesDate,

      @Semantics.amount.currencyCode: 'Currency'
      @DefaultAggregation: #SUM
      sd.revenue      as Revenue,

      @DefaultAggregation: #SUM
      sd.quantity     as Quantity,

      @DefaultAggregation: #SUM
      sd.discount     as Discount,

      sd.currency     as Currency,

      @Semantics.systemDateTime.lastChangedAt: true
      sd.changed_at   as ChangedAt,

      _Customer,
      _Product,
      _Time
}

Cube View (Aggregation)

@AbapCatalog.viewEnhancementCategory: [#NONE]
@Analytics.dataCategory: #CUBE
@Analytics.dataExtraction.enabled: true
define view entity ZI_SalesAnalyticsCube
  as select from ZI_SalesFactExtract as Fact
  association [1..1] to ZI_CustomerDimension as _Customer
    on $projection.CustomerId = _Customer.CustomerId
  association [1..1] to ZI_ProductDimension as _Product
    on $projection.ProductId = _Product.ProductId
{
  key Fact.SalesId,

      -- Dimensionen
      @ObjectModel.foreignKey.association: '_Customer'
      Fact.CustomerId,

      @ObjectModel.foreignKey.association: '_Product'
      Fact.ProductId,

      @AnalyticsDetails.query.axis: #ROWS
      Fact.SalesDate,

      -- Kennzahlen
      @AnalyticsDetails.query.axis: #COLUMNS
      @Aggregation.default: #SUM
      Fact.Revenue,

      @Aggregation.default: #SUM
      Fact.Quantity,

      @Aggregation.default: #AVG
      Fact.Discount,

      Fact.Currency,

      -- Assoziationen
      _Customer,
      _Product
}

Delta-Extraktion konfigurieren

Die Delta-Extraktion überträgt nur geänderte Daten nach dem initialen Load. Dies spart Ressourcen und reduziert Latenzen.

Zeitstempel-basierte Delta-Extraktion

@Analytics.dataExtraction.enabled: true
@Analytics.dataExtraction.delta.byElement: {
  name: 'ChangedAt',
  maxDelayInSeconds: 3600,
  ignoreDeletions: false
}
define view entity ZI_MaterialWithDelta
  as select from zmaterial
{
  key material_id   as MaterialId,
      material_name as MaterialName,
      base_unit     as BaseUnit,
      material_type as MaterialType,

      @Semantics.systemDateTime.lastChangedAt: true
      changed_at    as ChangedAt,

      deletion_flag as DeletionFlag
}

Change Data Capture (CDC)

Für Echtzeit-nahe Replikation kann automatisches CDC aktiviert werden:

@Analytics.dataExtraction.enabled: true
@Analytics.dataExtraction.delta.changeDataCapture: {
  automatic: true,
  rowStatus: 'DELTA_STATUS'
}
define view entity ZI_OrderWithCDC
  as select from zorder
  association [0..*] to ZI_OrderItemWithCDC as _Items
    on $projection.OrderId = _Items.OrderId
{
  key order_id       as OrderId,
      customer_id    as CustomerId,
      order_date     as OrderDate,
      order_status   as OrderStatus,

      @Semantics.systemDateTime.lastChangedAt: true
      changed_at     as ChangedAt,

      -- CDC-Statusfeld
      delta_status   as DeltaStatus,

      _Items
}

CDC-Feldwerte

Wert	Bedeutung
`' '` (leer)	Unverändert
`'U'`	Update
`'I'`	Insert
`'D'`	Delete

Komplexes Delta-Szenario

@Analytics.dataExtraction.enabled: true
@Analytics.dataExtraction.delta.changeDataCapture.automatic: true
define view entity ZI_InvoiceExtract
  as select from zinvoice as inv
  inner join zcustomer as cust
    on inv.customer_id = cust.customer_id
{
  key inv.invoice_id   as InvoiceId,
      inv.customer_id  as CustomerId,
      cust.customer_name as CustomerName,
      inv.invoice_date as InvoiceDate,
      inv.total_amount as TotalAmount,
      inv.currency     as Currency,
      inv.payment_status as PaymentStatus,

      -- Delta-Felder
      @Semantics.systemDateTime.lastChangedAt: true
      case
        when inv.changed_at > cust.changed_at
        then inv.changed_at
        else cust.changed_at
      end as ChangedAt,

      -- Berechnetes Löschkennzeichen
      case
        when inv.deletion_flag = 'X' or cust.deletion_flag = 'X'
        then 'X'
        else ''
      end as DeletionIndicator
}

Berechtigungen für Extraktion

Die Extraktion erfordert spezielle Berechtigungen sowohl im ABAP-System als auch in Datasphere.

ABAP-seitige Berechtigungen

CLASS zcl_datasphere_auth DEFINITION
  PUBLIC
  CREATE PUBLIC.

  PUBLIC SECTION.
    INTERFACES if_badi_interface.

    METHODS check_extraction_auth
      IMPORTING
        iv_view_name TYPE sxco_cds_object_name
      RETURNING
        VALUE(rv_authorized) TYPE abap_bool.

ENDCLASS.

CLASS zcl_datasphere_auth IMPLEMENTATION.

  METHOD check_extraction_auth.
    " Prüfung auf Extraktionsberechtigung
    DATA: lv_auth_check TYPE abap_bool.

    " Berechtigungsobjekt prüfen
    AUTHORITY-CHECK OBJECT 'Z_DS_EXTR'
      ID 'Z_VIEWNAME' FIELD iv_view_name
      ID 'ACTVT' FIELD '03'.  " Anzeigen

    IF sy-subrc = 0.
      rv_authorized = abap_true.
    ELSE.
      rv_authorized = abap_false.
    ENDIF.
  ENDMETHOD.

ENDCLASS.

Berechtigungsobjekt Definition

" Berechtigungsobjekt Z_DS_EXTR für Datasphere Extraktion
" Felder:
" - Z_VIEWNAME: Name des CDS Views (CHAR 40)
" - ACTVT: Aktivität (01=Erstellen, 02=Ändern, 03=Anzeigen)

CDS Views mit Berechtigungsprüfung

@AccessControl.authorizationCheck: #CHECK
@Analytics.dataExtraction.enabled: true
define view entity ZI_ConfidentialSalesData
  as select from zsales_data
{
  key sales_id      as SalesId,
      customer_id   as CustomerId,
      region        as Region,
      revenue       as Revenue,
      profit_margin as ProfitMargin,
      currency      as Currency,
      changed_at    as ChangedAt
}

Zugehörige DCL (Data Control Language)

@EndUserText.label: 'Vertriebsdaten Berechtigung'
@MappingRole: true
define role ZI_ConfidentialSalesData {
  grant select on ZI_ConfidentialSalesData
  where ( Region ) = aspect pfcg_auth(
    Z_SD_REGN,
    Z_REGION,
    ACTVT = '03'
  );
}

Technical User für Extraktion

Für die automatische Extraktion wird ein technischer Benutzer benötigt:

CLASS zcl_datasphere_extraction_user DEFINITION
  PUBLIC
  FINAL
  CREATE PUBLIC.

  PUBLIC SECTION.
    CLASS-METHODS get_technical_user
      RETURNING
        VALUE(rv_user) TYPE syuname.

    CLASS-METHODS validate_technical_user
      IMPORTING
        iv_user TYPE syuname
      RETURNING
        VALUE(rv_valid) TYPE abap_bool.

ENDCLASS.

CLASS zcl_datasphere_extraction_user IMPLEMENTATION.

  METHOD get_technical_user.
    " Technischer User für Datasphere Extraktion
    rv_user = 'DATASPHERE_EXTRACT'.
  ENDMETHOD.

  METHOD validate_technical_user.
    " Prüfung ob User existiert und aktiv ist
    SELECT SINGLE bname FROM usr02
      WHERE bname = @iv_user
        AND uflag = 0  " Nicht gesperrt
      INTO @DATA(lv_user).

    rv_valid = xsdbool( sy-subrc = 0 ).
  ENDMETHOD.

ENDCLASS.

Live Data Connection vs. Replication

SAP Datasphere bietet zwei grundlegende Integrationsmodi, die jeweils unterschiedliche Anwendungsfälle abdecken.

Live Data Connection (Virtualization)

Bei der Live Data Connection werden Daten nicht kopiert, sondern zur Laufzeit direkt aus dem Quellsystem abgerufen.

Vorteile:

Immer aktuelle Daten
Kein zusätzlicher Speicherverbrauch
Keine Replikationslogik erforderlich

Nachteile:

Höhere Latenz bei Abfragen
Belastung des Quellsystems
Eingeschränkte Transformationsmöglichkeiten

Anwendungsfälle:

Stammdaten mit geringem Änderungsvolumen
Ad-hoc Abfragen
Prototyping und Exploration

Replication (Materialization)

Bei der Replikation werden Daten physisch nach Datasphere kopiert und dort persistiert.