KI entwickelt sich schnell weiter, und der Druck, greifbaren Nutzen zu zeigen, wächst. Doch während die Investitionen steigen und die Bereitschaft zur Einführung wächst, stellen viele Unternehmen fest, dass ihre Datenbasis der Aufgabe, KI-Agenten und Anwendungen zu unterstützen, noch nicht ganz gewachsen ist.

Daten befinden sich in verschiedenen Systemen vor Ort und in Multi-Cloud-Umgebungen. Jede Quelle hat ihre eigene Struktur, Logik und ihre eigenen Geschäftsregeln. Die Nutzung dieser Daten für Analysen, Planung oder KI bedeutet häufig, Zeit für das Extrahieren, Bereinigen und Zusammenführen von Daten aufzuwenden, um den Kontext für verschiedene Anwendungen wiederherzustellen. Was bedeutet dieses Feld? Welche Definition ist korrekt? Wie lassen sich diese Daten mit diesem Prozess verbinden?

Dies geschieht immer wieder im gesamten Unternehmen und führt zu einer sogenannten „Komplexitätssteuer“, die zusätzlichen Aufwand bedeutet, um die vorhandenen Daten nutzbar zu machen. Die Komplexitätssteuer bremst IT-Teams aus, die für Skalierung und Governance verantwortlich sind. Sie bremst auch Unternehmensteams aus, die schnellere Antworten, einfachere Workflows und Vertrauen in die Ergebnisse benötigen.

Ein Business Data Fabric trägt dazu bei, diese Herausforderung zu bewältigen, indem es Daten und Geschäftskontext in einem vertrauenswürdigen, wiederverwendbaren Fundament vernetzt. Dieses Fundament lässt sich viel leichter verstehen, wenn Sie die Erfahrungen der Menschen kennenlernen, die es nutzen. Begleiten wir drei Personen in einem Unternehmen, um zu sehen, wie ein Business Data Fabric einen vernetzten Planungs-Workflow von der Erstellung eines Datenprodukts über die Generierung von Planungsmodellen bis hin zu abschließenden Planaktualisierungen unterstützen kann.

Aufbau eines vertrauenswürdigen Datenprodukts

Unsere erste Anwenderin ist Olga, eine Entwicklerin für Geschäftsbereiche. Sie wurde gebeten, ein abgeleitetes Datenprodukt auf Basis eines bestehenden Datenprodukts aus SAP S/4HANA zu erstellen. Ihr Ziel ist es, die richtigen Daten für Ryan bereitzustellen, der sie zur Erstellung eines Planungsmodells verwenden wird.

Olga beginnt in Joule Studio. Sie beschreibt in natürlicher Sprache, was sie benötigt, und bittet um ein vereinfachtes Datenprodukt für Kostenstellen, das nur aktive Kostenstellen, englische Beschreibungen und eine zusammengefasste Liste von IDs und Beschreibungen enthält.

Der KI-Agent sucht nach vorhandenen Quellen und präsentiert Olga Optionen zur Überprüfung. Es beginnt nicht bei null und setzt den nächsten Schritt nicht voraus. Stattdessen führt es Olga durch einen iterativen Prozess und bittet dabei fortlaufend um Bestätigung. Olga kann vor dem Fortfahren eine Vorschau des neuen Datenprodukts sehen, sodass sie den Daten und der Logik vertrauen kann, weil sie in den Prozess eingebunden war.

Der Agent schlägt einen Namen für das Datenprodukt vor, den Olga anschließend aktualisiert, damit er der Namenskonvention entspricht, auf deren Verwendung sie und Ryan sich geeinigt haben. Der Agent wendet die Änderung an und bereitet das Datenprodukt für die Veröffentlichung vor.

Olgas Erfahrung zeigt, wie ein Business Data Fabric die Wiederverwendung von Geschäftskontext über Systeme und Domänen hinweg ermöglicht, was einen wichtigen Vorteil darstellt. Olga musste nicht mit Rohdaten beginnen oder die Logik von Grund auf neu aufbauen. Sie arbeitete mit bereits vorhandenen, verwalteten Datenprodukten, während sie gleichzeitig eingebunden blieb, um ein hochwertiges Datenprodukt für den nächsten Nutzer zu erstellen.

Zuverlässige Daten in ein Planungsmodell umwandeln

Der nächste Nutzer in unserem Szenario ist Ryan, ein Planungsmodellierer, der mit SAP Analytics Cloud arbeitet. Er muss ein Planungsmodell für Betriebsausgaben für Anna erstellen, eine Datenanalystin, die für einen bestimmten Geschäftsbereich verantwortlich ist.

Ryan beginnt seine Arbeit ebenfalls in Joule und beschreibt das Modell, das er erstellen möchte, sowie den Detaillierungsgrad, den Anna benötigt. Joule erkennt seine Absicht und sucht nach verfügbaren Datenprodukten, die der Anfrage entsprechen. Da Olgas neu abgeleitetes Datenprodukt bereits veröffentlicht wurde und eindeutig benannt ist, kann Ryan es leicht finden, auswählen und fortfahren.

Dieser agentengesteuerte Prozess macht es für Ryan überflüssig, nach verfügbaren Datenprodukten zu suchen, ihre Strukturen zu verstehen, Dimensionen zu erstellen und sie selbst zu pflegen. Der Agent erstellt ein Modell, um die von Ryan angeforderten spezifischen Datenaktionen auszuführen, und erledigt dies in Sekundenschnelle statt in Stunden.

Schließlich bittet Ryan den Agenten, auf Grundlage des Planungsmodells eine analytische Story hinzuzufügen, damit Anna die Ergebnisse leichter visualisieren kann. Der Joule Agent fasst zusammen, was er verwenden wird, erstellt Visualisierungen und ordnet sie in einem intuitiven Layout an. Ryan nimmt vor der Freigabe für Anna Feinabstimmungen am resultierenden Dashboard vor.

Ryan erlebte den zweiten wichtigen Vorteil eines Business Data Fabric: Die Modellierung wird einfacher und schneller, wenn vertrauenswürdige Datenquellen ohne Weiteres verfügbar sind. Der Agent kann mit verwalteten Daten und einem klaren Business-Kontext arbeiten, und Ryan vertraut dem Ergebnis.

Planung ohne die Nachverfolgung jedes Datenpunkts

Schließlich treffen wir Anna, eine Finanzplanerin. Sie öffnet das Planungsmodell und die Story, die Ryan veröffentlicht hat. Bevor sie Änderungen vornimmt, erstellt sie eine private Arbeitskopie, damit sie ihren Plan anpassen kann, ohne die veröffentlichte Version zu ändern.

Aus Annas Sicht sind die Daten einsatzbereit. Einige Kosten stammen aus SAP S/4HANA. Andere Daten stammen aus einem Drittanbieter-Feed, der über das Business Data Fabric angebunden ist. Die Daten, die sie für die Planung benötigt, sind jederzeit verfügbar, und Anna muss nicht innehalten und fragen, woher die einzelnen Werte stammen.

Anna nutzt natürliche Sprache, um den Plan zu gestalten, entfernt bestimmte Elemente und bittet Joule, diese anhand alternativer Kriterien wieder aufzufüllen. Joule behält den Kontext ihrer vorherigen Prompts bei, wendet die Berechnungen über Dimensionen hinweg an und schreibt die Ergebnisse zurück in den Plan.

Annas Erfahrung verdeutlicht einen weiteren Vorteil einer Business Data Fabric: Vertrauen ist in den Workflow integriert. Die Daten stammen aus SAP- und Nicht-SAP-Quellen, doch Anna muss nicht jeden Datenpunkt überprüfen, bevor sie fortfährt. Sie kann souverän planen, weil die Datengrundlage die Arbeit der Vernetzung von Quellen, der Wahrung der Bedeutung und der Anwendung von Governance bereits übernommen hat.

Drei Benutzer, ein vernetzter Workflow

Gemeinsam zeigen Olga, Ryan und Anna, was passiert, wenn Daten, Kontext und KI-Agenten zusammenarbeiten. In nur wenigen Minuten erledigen drei Personen Aufgaben, die früher Tage dauerten, und alle arbeiten auf derselben vertrauenswürdigen Datengrundlage.

Für IT-Verantwortliche bedeutet das, dass agentische KI nur so zuverlässig ist wie die ihr zugrunde liegenden Daten. Ein Business Data Fabric bietet Agenten den Geschäftskontext, den sie benötigen, um reale Arbeit über Rollen, Systeme und Prozesse hinweg zu unterstützen. Es hilft Teams, sich von fragmentierten Daten und wiederholtem manuellem Aufwand hin zu einer einfacheren Arbeitsweise zu bewegen, bei der Daten vernetzt sind, Bedeutung erhalten bleibt und Vertrauen Teil des Prozesses ist.

Sehen Sie sich das On-Demand-Webseminar Mit einem Business Data Fabric die Datengrundlage für KI schaffen, an, um die Demo in Aktion zu erleben und Olga, Ryan und Anna zu folgen, während jeder Schritt in SAP Business Data Cloud umgesetzt wird.