Konzeptkarte

Databricks-in-BDC-Lakehouse-Muster

Stand 2026-07-24T14:00:00Z

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

Was ist Databricks-in-BDC-Lakehouse-Muster?

SAPs 250-Mio.-$-Kooperation mit Databricks ermöglicht Zero-Copy-Datenfreigabe über Delta Sharing – geeignet für Python-lastige Data Science oder bestehende Databricks-Nutzung, nicht für SAP-verankerte Modellierung ohne Data-Engineering-Team.

Worum es geht

Business Data Cloud, SAPs offene, verwaltete Datenplattform, baut zu einem großen Teil auf einer strategischen Partnerschaft mit Databricks auf — einem 2024 angekündigten Engagement über zweihundertfünfzig Millionen US-Dollar, mit Zero-Copy-, bidirektionaler Datenfreigabe als zentralem technischen Versprechen. In der Praxis bedeutet das, dass SAP-Anwendungen wie S/4HANA, SuccessFactors, Ariba und BW/4HANA ihre Daten über Delta Sharing für das Databricks-Lakehouse freigeben — das offene Protokoll zum Teilen von Delta-Lake-Tabellen, ohne die zugrunde liegenden Daten physisch zu bewegen oder zu duplizieren —, während Databricks-Workloads angereicherte oder abgeleitete Datensätze über dasselbe Protokoll in den SAP-nativen Speicher zurückschreiben können. Für einen SAP-Analytics-Architekten ist dies das Muster, zu dem man greift, wenn ein Engagement Python-lastige Data-Science-Workloads, große Rohdaten-Ingestion-Volumina oder eine bestehende Databricks-Investition mit dem Bedarf an gesteuerten SAP-Geschäftsdaten kombiniert — und es ist das falsche Muster, das unnötige Plattformkomplexität hinzufügt, wenn das Engagement SAP-verankerte Fachanwender-Modellierung ohne Data-Engineering-Team ist.

Warum es zählt

BDC Connect registriert Databricks-Tabellen im BDC-Katalog mit zeilenbasierter Sicherheit, die direkt von SAPs eigenen Data Access Controls vererbt wird — keine doppelte Governance-Ebene zu pflegen.
Das Muster löst explizit die „Datengravitationsfalle”: vertrauenswürdige SAP-Daten eingeschlossen in SAPs Compute-Grenze, während ML-Pipelines in Databricks leben — zuvor nur durch ETL und Schema-Mapping überbrückt.
Das Eignungskriterium für das Engagement wird direkt benannt — dies ist kein universelles Muster, es ist an die bestehende Data-Science-Basis des Kunden gebunden.

Kernpunkte

BDC = SAPs offene Datenplattform, verankert in einer 250-Mio.-$-Databricks-Partnerschaft; Kernprotokoll = Delta Sharing (Zero-Copy, bidirektional).
BDC Connect registriert Databricks (sowie Snowflake, S3/Iceberg, BigQuery) im BDC-Datenkatalog — keine individuellen Connectors, nutzt den Delta-Sharing-Endpunkt des Unity Catalog.
Die Regeln der zeilenbasierten Sicherheit von Unity Catalog und der SAP-DAC müssen aufeinander abgestimmt sein — bei Fehlabstimmung kann ein Databricks-Notebook Zeilen sehen, die ein SAP-Nutzer in derselben Rolle nicht sieht.
Einsetzen, wenn: bestehende Databricks-Investition + Python-natives Datenteam + ML im Spark-Maßstab (>500 Mio. Zeilen) + Nicht-SAP-Daten in Delta Lake.
Nicht einsetzen, wenn: reiner SAP-Bestand + Fachanwender-Modellierung + keine Databricks-Skills + erforderliche Latenz <500 ms.
Write-back-Muster: Databricks-ML-Ausgaben (Scores, Prognosen) → Delta-Tabelle in Unity Catalog → Delta Sharing → Datasphere-Remote-Table → SAC-KPI oder Joule-Grounding.
Dremio (angekündigt Mai 2026, noch nicht GA) fügt eine Query-Time-Föderationsebene zwischen Datasphere (heiß, <500 ms) und Databricks-Batch (kalt, 10–30 s) hinzu — ersetzt Databricks-in-BDC nicht.
Databricks-in-BDC-Lakehouse-Muster ist erst dann beherrscht, wenn es eine benannte Käuferentscheidung verändert.
Beginnen Sie mit dem semantischen Vertrag und dem Kontrollmodell, bevor Sie das Tool demonstrieren.
Nutzen Sie aktuelle SAP-, Analysten-, Studien-, KG- und News-Signale als Beleg, nicht als Dekoration.

Begriffe auf dieser Seite

Delta Sharing: Offenes, unter der Apache-Lizenz stehendes Protokoll von Databricks zum Teilen von Delta-Lake-Tabellen ohne Kopieren der Daten — Reader greifen über signierte URLs auf Parquet-Dateien am Speicherort der Quelle zu.
Unity Catalog: Databricks' einheitliche Governance-Schicht für Daten- und KI-Assets über alle Databricks-Workspaces hinweg — setzt zeilenbasierte Sicherheit, Spaltenmaskierung und Audit-Logging durch.
BDC Connect: SAPs Föderationskomponente zur Katalogzeit in Business Data Cloud — registriert externe Quellen (Databricks, Snowflake, S3/Iceberg, BigQuery) im BDC-Datenkatalog ohne Datenbewegung.
Delta Lake: Open-Source-ACID-konforme Speicherschicht von Databricks, die Zuverlässigkeit in Data Lakes bringt — Tabellen gespeichert als Parquet + Transaktionslog (Delta Log).
Data Access Control (DAC): SAP Datasphere's Framework für zeilenbasierte Sicherheit — filtert Daten zur Abfragezeit basierend auf der Berechtigung des anfragenden Nutzers, durchgesetzt auf Analytic Models und Remote Tables.
Zero-copy integration: Architektur der Datenfreigabe, bei der keine physische Datenkopie erzeugt wird — der Konsument liest über Metadaten und signierte URLs vom Speicherort des Erzeugers, wodurch ETL-Pipelines und Speicherduplizierung entfallen.
Entscheidungsverantwortlicher: Die verantwortliche Person, die den Kompromiss akzeptiert und die nächste Maßnahme finanziert.
Semantischer Vertrag: Die gemeinsame Definition von Geschäftsbegriffen, Kennzahlen, Entitäten und Zugriffsregeln, die von Tools und Teams verwendet wird.

Quellen

Vollständige Karte für Mitglieder. Was die vollständige Karte ergänzt: den vollständigen Entscheidungsrahmen · den Vergleich SAP · Snowflake · Databricks · Fabric · die häufigen Fallstricke und ihre Behebung · die Kurzreferenz · die Architekturschemata · die Codeblöcke · die zitierfähigen Kennzahlen.

In der App öffnen →