Analytics Legends Die Wissensplattform für SAP Analytics
Academy-Modul

Data Flows & Transformationen

Data Flow operator graph: sources through filter pushdown, join, aggregation, to target — architecture diagram for Data Flows & Transformations, Analytics Legends Academy module M006

Stand 2026-09-03

Redaktion: , alleiniger Redakteur und verantwortlich für die Veröffentlichung — 27 Jahre im SAP-Ökosystem. Wie diese Seiten entstehen und wo Automatisierung eingesetzt wird.

Data Flow = die ETL-Oberfläche für das, was Replication Flow nicht kann (Multi-Source-Joins, Datei-Import, komplexe Ableitungen, Type-2-SCD). Erfahrene Regel: Replication Flow bevorzugen; Data Flow nur bei tatsächlichem Transformationsbedarf einsetzen. Sieben Operatoren beherrschen (Source/Target/Join/Projektion/Aggregation/Lookup/Filter + Script). Filter und Projektionen zur Quelle vorschieben. Ein Kopfkommentar in jedem Flow sichert die Übergabe ab.

Was Sie lernen

  • Die Kernkonzepte hinter Data Flows & Transformationen verstehen
  • Data Flows in einem typischen SAP-Analytics-Engagement anwenden
  • Die 3-5 häufigsten Fehler erkennen und wissen, wie man sie vermeidet
  • Diese Fähigkeit in der eigenen persönlichen Marke und im Tagessatzgespräch positionieren

Modulüberblick

Data Flow ist die ETL-Oberfläche in Datasphere — für Transformationen, die Replication Flow nicht leisten kann (Joins über mehrere Quellen hinweg, komplexe Geschäftslogik, externe CSV-/Datei-Ingestion, Lookups, Ableitungen). Die Senior-Regel: Replication Flow bevorzugen, wo immer möglich; zu Data Flow nur greifen, wenn tatsächlich Transformationsbedarf besteht.

Wann Data Flow gewinnt.

  • Mehrere Quellen (S/4 + SuccessFactors + Salesforce), die zu einer Faktentabelle zusammengeführt werden.
  • Dateibasierte Quellen (CSV-Uploads, monatliche Excel-Eingaben).
  • Komplexe Geschäftsableitungen (Umsatzallokation, Währungsumrechnung zu kundenspezifischen Kursen, Steuerableitung).
  • Langsam veränderliche Dimensionen (Type-2-Historisierung).
  • Voraggregation, wenn Rohdaten zu groß oder zu sensibel sind, um sie offenzulegen.

Wann Data Flow verliert.

  • CDC aus einer einzelnen SAP-Quelle → Replication Flow verwenden (günstiger, nativ).
  • Echtzeit-/Sub-Minuten-Latenz → Data Flow läuft in Batches; Latenz-Untergrenze ~Minuten.
  • Transformation, die logisch in der Analytic-Model-Schicht liegen sollte → in eine View legen, nicht in einen Data Flow.

Voraussetzungen

  • Zuerst die Kernkonzepte durcharbeiten: C008, C006, C005

Lernergebnisse

  • Ein realistisches Szenario durcharbeiten: B2B-SaaS-Unternehmen, Vertriebsmitarbeiter-Performance-Reporting braucht S/4 (Aufträge) + SuccessFactors (Mitarbeiterdetails) + monatliche CSV (Gebietsziele). 4-Wochen-Build.
  • Das Anti-Pattern erkennen und vermeiden: Data Flow für Single-Source-CDC eingesetzt — höhere Kosten, höhere Latenz als Replication Flow.
  • Die Kernentscheidung des Moduls anwenden: Data Flow vs. Replication Flow — Replication wählen für Single-SAP-Source-CDC; Data Flow bei 2+ Quellen oder Transformationsbedarf.
  • Die Beherrschung mit dem KPI verfolgen: Laufzeit P95 (Ziel: < geplantes Zeitfenster; Warnsignal: > Zeitfenster = Pushdown verpasst oder CU-Unterdimensionierung).

Vollständiges Modul für Mitglieder. Das vollständige Modul ergänzt: den Entscheidungsrahmen · das durchgehende Szenario · die KPI-Scorecard · die Anti-Muster · die Codeblöcke · die Wissenskontrolle · die Schemata.

In der App öffnen →

Weiter in diesem Lernpfad