Predictive Analytics & intelligente Funktionen
Stand 2026-09-03
Smart Predict und Smart Discovery in SAP Analytics Cloud versprechen maschinelles Lernen ohne Data-Science-Team, und bei der richtigen Fragestellung halten sie das: eine sauber formulierte Klassifikation oder Prognose auf 10.000-500.000 Zeilen, in Stunden statt in einem mehrwöchigen Modellbau-Sprint erstellt. Die Falle liegt im Umfang: Smart Predict kennt kein Online-Learning, hat undurchsichtiges Feature Engineering und keine Leakage-Erkennung, sodass ein Modell, das im Validierungsbericht genau aussieht, in Produktion lautlos versagen kann, wenn ein einzelnes Feature nach dem Zielereignis berechnet wurde. Die eigentliche Beratungsentscheidung ist nicht „können wir KI einsetzen", sondern welche von drei Engines auf das Problem angesetzt wird — SAC Smart Predict, hana-ml oder eine externe ML-Plattform —, je nach Datenvolumen, wer das Modell im Tagesgeschäft verantwortet und ob die Governance-Funktion des Auftraggebers Erklärbarkeit auf SHAP-Niveau verlangt. Berater, die diese Triage durchführen, eine KS/MAPE-Kennzahl vor ihrem fachlichen Kontext begründen und einen Retraining-Rhythmus in den Planungskalender einbauen können, sind diejenigen, denen Kunden den nächsten Predictive-Planning-Rollout anvertrauen.
Was Sie lernen
- Smart Predict, Smart Insights/Discovery und Predictive Planning unterscheiden und das richtige für eine gegebene Geschäftsfrage wählen.
- Die KS-/MAPE-/R²-Ausgabe eines Smart-Predict-Modells kritisch gegen den fachlichen Kontext bewerten und Data-Leakage-Features vor dem Deployment erkennen.
- Zwischen SAC Smart Predict, hana-ml und externem ML (SAP AI Core, Databricks) anhand von Datenvolumen, Kompetenzen und Governance-Kriterien entscheiden.
- Einen Fachbereichs-Sponsor zu Modellkalibrierung, Populationsdrift und dem Retraining-Rhythmus briefen, den eine Predictive-Planning-Baseline braucht, um vertrauenswürdig zu bleiben.
Predictive Analytics und intelligente Funktionen in SAP Analytics Cloud
Predictive Analytics in SAP Analytics Cloud liegt an einer Schnittstelle, die mehr Verwirrung stiftet als fast jeder andere Funktionsbereich: Es verspricht Fachanwendern Fähigkeiten des maschinellen Lernens, aber die zugrunde liegende Technologie hat spezifische Stärken, harte Grenzen und Fehlermodi, die Praktiker verstehen müssen, bevor sie sie in einer Produktionsumgebung einsetzen. Dieses Modul untersucht die Funktionen Smart Predict und Smart Insights/Discovery von SAC mit der gebotenen Sorgfalt — wann sie funktionieren, wann nicht, wie man ihre Ergebnisse kritisch bewertet, und die wiederkehrenden Fallstricke, wenn Fachanwender ML ohne statistisches Fundament einsetzen.
Die Landschaft der intelligenten Funktionen
Die Predictive- und intelligenten Funktionen von SAC gliedern sich in drei unterschiedliche Fähigkeitsbereiche, die häufig vermischt werden:
Voraussetzungen
- Fortgeschrittene praktische Erfahrung mit SAP-Analytics-Projekten
- Zunächst die Kernkonzepte durchgehen: C021, C008, C083
Lernergebnisse
- Ein realistisches Szenario durcharbeiten: Das FP&A-Team eines mittelgroßen europäischen Pharma-Distributors betreibt eine manuelle Bedarfsprognose (12 % MAPE), die von drei Regionalplanern in einer Tabelle erstellt wird.
- Das Anti-Pattern erkennen und vermeiden: Eine KS-/MAPE-/R²-Zahl als absolute Qualitätsschwelle behandeln.
- Die zentrale Entscheidung des Moduls anwenden: Welche Predictive-Engine auf das Problem angesetzt wird — SAC Smart Predict wählen, wenn das Modell vom Fachbereich getragen wird.
- Die Beherrschung mit dem KPI verfolgen: Modellgenauigkeit gegenüber dokumentierter Baseline (Ziel: Modell-MAPE/-KS/-R² übertrifft die benchmarkte Nicht-ML-Baseline um eine festgelegte Marge).
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.