SAP HANA PAL in der Praxis — Klassifikation, Clustering und Assoziation mit UnifiedClassification
Stand 2026-09-25
Praxismodul zur Predictive Analysis Library (PAL) von SAP HANA, der Datenbank-internen, nicht generativen Machine-Learning-Engine hinter den klassischen SAP-Predictive-Szenarien. Behandelt, was PAL ist und warum es in HANA läuft (SAPs eigene Billionen-Zeilen-Begründung), die zehn Data-Mining-Kategorien, die beiden Aufrufwege (SQLScript-Prozeduren und der Python-Client hana-ml), Klassifikation mit UnifiedClassification (HybridGradientBoostingTree, RandomDecisionTree), Clustering (KMeans, dichtebasierte Verfahren) und Assoziationsanalyse (Apriori), Disziplin bei der Datenaufbereitung, PALs eigene AutoML- und Massive-Trainingsklassen, Modellbewertung und -vergleich sowie die Abgrenzung zu APL (M339), SAP-RPT und dem Generative AI Hub. Drei Übungen (klassifizieren, clustern und Assoziationen aufdecken, zwischen PAL/APL/SAP-RPT wählen) und eine Selbsttest sind die Eingangsschwelle zu M339.
Was Sie lernen
- Erklären, was PAL ist, warum es in SAP HANA statt clientseitig läuft, und die zehn Data-Mining-Kategorien mit je einem SAP-Anwendungsfall benennen
- Sich mit dem ConnectionContext von hana-ml mit SAP HANA Cloud verbinden und einen HANA DataFrame auf einer gekennzeichneten, SAP-typischen Tabelle aufbauen, ohne Daten zum Client zu verschieben
- Ein UnifiedClassification-Modell (HybridGradientBoostingTree oder RandomDecisionTree) trainieren, bewerten und interpretieren, einschließlich seiner Feature-Importance-Ausgabe
- KMeans-Clustering und Apriori-Assoziationsanalyse auf SAP-typischen Daten ausführen und die Geschäftsfrage benennen, die jedes Ergebnis tatsächlich beantwortet
- Eingabespalten vor dem Training profilieren und bereinigen, und PALs Fähigkeiten zur Modellbewertung und zum Modellvergleich nutzen, um zwischen Algorithmen zu wählen
- Zwischen PAL, APL und SAP-RPT für eine gegebene Geschäftsfrage wählen, und beschreiben, wie ein trainiertes PAL-Modell über die ISLM in die Produktion gelangt
Modulüberblick
Für wen dieses Modul ist. Sie haben M333 (KI- und LLM-Grundlagen für SAP-Berater) abgeschlossen oder kennen bereits das Vokabular des generativen Pfads — Tokens, Embeddings, Grounding — und brauchen jetzt die andere Hälfte von „SAP AI“: Vorhersagen auf Tabellen, berechnet dort, wo die Daten bereits liegen. Dieses Modul ist die Praxis zur Predictive Analysis Library (PAL), der klassischen, nicht generativen Machine-Learning-Engine in SAP HANA. M339 behandelt ihr automatisiertes Gegenstück, die Automated Predictive Library (APL); M340 vertieft den Python-Client hana-ml, der beide umschließt; M341 zeigt, wie S/4HANA ein trainiertes Modell über das Intelligent Scenario Lifecycle Management (ISLM) industrialisiert. Arbeiten Sie dieses Modul, wenn möglich, mit einer SAP-HANA-Cloud-Instanz (Testversion oder Kunden-Sandbox) durch; jede Übung hat auch einen reinen Papierweg.
Voraussetzungen
- M333 (KI- und LLM-Grundlagen für SAP-Berater) oder ein vergleichbares Arbeitsvokabular zu Tokens, Embeddings und Grounding
- Sicherheit im Lesen von SQL und einfachem Python; Erfahrung mit pandas oder scikit-learn ist hilfreich, aber nicht erforderlich
- Optional für die praktischen Varianten von Ü1 bis Ü3: Zugang zu einer SAP-HANA-Cloud-Testversion oder einer Kunden-Sandbox mit aktiviertem PAL, sowie das installierte hana-ml-Paket
Lernergebnisse
- Einem Kunden erklären können, warum ein datenbankinterner Algorithmus einen kostspieligen Datenverschiebungsschritt vermeidet, gestützt auf PALs eigene Billionen-Zeilen-Begründung.
- Ein PAL-Klassifikationsmodell auf gekennzeichneten SAP-Daten von Anfang bis Ende trainieren und bewerten können, von der Verbindung bis zur Feature-Importance.
- Eine Clustering-Übung und eine Assoziationsanalyse-Übung auf SAP-typischen Daten ausführen und interpretieren können, mit Angabe der jeweils beantworteten Geschäftsfrage.
- PAL, APL oder SAP-RPT für einen gegebenen SAP-Vorhersagefall empfehlen können, mit schriftlich festgehaltenem statt angenommenem Trade-off.
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.