Abfrage in natürlicher Sprache auf SAP-Daten — Text-zu-SQL-Muster und Grenzen
Stand 2026-09-25
Vergleicht die drei realen Natural-Language-to-Query-Systeme, denen ein Berater in einer SAP-Landschaft begegnet — Just Ask von SAP Analytics Cloud (Fachanwender, 2024 Q1 QRC, SAC- + Datasphere-Modelle, ersetzt Search-to-Insight), Joules SQL-Erzeugung im Entwickler-Tooling von SAP HANA Cloud (ein Coding-Assistent, der SQL erzeugt, das ein Mensch prüfen muss, keine Fachanwender-Abfrage), und Databricks Genie innerhalb der SAP Business Data Cloud (Unity-Catalog-gesteuert, mit dokumentierten Konfigurationsschichten: Beschreibungen als „Leitsätze“, Synonyme/Vokabular, Wertwörterbücher, Trusted Functions). Nutzt Databricks' eigene veröffentlichte Best-Practice-Anleitung, um die gemeinsamen Fehlermuster zu benennen — mehrdeutiger Umfang, kardinalitätsbedingte Doppelzählung, fehlender Benchmark — und gibt einen plattformübergreifenden Vier-Regel-Leitfaden: die Zielgruppe kennen, vor der Konfiguration benchmarken, Logikdrift mit Trusted Functions beheben, und schreibfähiges erzeugtes SQL immer als geprüften Entwurf behandeln. Drei Übungen klassifizieren reale Fragen, bauen ein Benchmark-Set und diagnostizieren einen Join-Fehler. Baut auf M346 und M347 auf; führt zu M349.
Was Sie lernen
- Just Ask von SAP Analytics Cloud, Joules SQL-Erzeugung in HANA Cloud und Databricks Genie nach Zielgruppe und danach unterscheiden, ob rohes SQL je offengelegt wird
- Just Asks dokumentierten Umfang und Release nennen (2024 Q1 QRC / 2024.02, SAC- + Datasphere-Modelle) und dass es Search-to-Insight bei Aktivierung ersetzt
- Erklären, warum von Joule erzeugtes SQL immer als geprüfter Entwurf zu behandeln ist, nie automatisch ausgeführt, gegen etwas anderes als ein Wegwerf-Schema
- Databricks Genies drei Konfigurationsschichten (Beschreibungen, Synonyme/Vokabular, Wertwörterbücher) plus Trusted Functions den entsprechenden SAP-Semantikschicht-Disziplinen aus M347 zuordnen
- Ein Benchmark-Fragenset mit Ground Truth erstellen und erklären, warum es existieren muss, bevor eine Text-zu-SQL-Konfigurationsänderung beurteilt wird
Modulüberblick
Für wen dieses Modul gedacht ist. Sie haben eine Demo gesehen, in der jemand eine Frage eintippt und ein Diagramm erscheint, und ein Kunde erwartet nun von Ihnen, genau zu erklären, was dazwischen passiert ist. Dieses Modul vergleicht die realen Systeme zur Umwandlung natürlicher Sprache in Abfragen, denen ein Berater in einer SAP-Landschaft begegnet — Just Ask von SAP Analytics Cloud, Joules SQL-Erzeugung im Entwickler-Tooling von SAP HANA Cloud, und Databricks Genie innerhalb der SAP Business Data Cloud — und gibt ein gemeinsames Vokabular für ihre Grenzen. Es baut auf M346 und M347 auf.
Voraussetzungen
- M347 (Die Semantikschicht als LLM-Kontext) oder Arbeitswissen zu analytischen Modellen und Business-Schicht-Design
- M346 (KI-taugliche Daten) oder Verständnis von Catalog-Metadaten, Glossarbegriffen und Berechtigungsabgrenzung
- Vertrautheit mit SAP Analytics Cloud und idealerweise Berührung mit einer Databricks- oder SAP-Business-Data-Cloud-Umgebung
Lernergebnisse
- Den Bedarf eines Kunden an Abfragen in natürlicher Sprache anhand von Zielgruppe und Risiko korrekt zu Just Ask, Joules SQL-Erzeugung oder Databricks Genie leiten.
- Die Metadatenschichten konfigurieren (oder für das Team eines Kunden spezifizieren), die ein Text-zu-SQL-System tatsächlich liest, nicht die Prompt-Formulierung.
- Ein Benchmark-Fragenset aufbauen und verteidigen als Grundlage zur Beurteilung jeder Konfigurationsänderung.
- Die Regel der menschlichen Prüfung für jedes erzeugte SQL, das Daten schreiben kann, nennen und durchsetzen.
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.