Konzeptkarte

Graphical vs. SQL vs. Script Views

Stand 27. September 2026

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

Graphical vs. SQL vs. Script Views: Was ist der Unterschied?

Graphical Views brechen den HANA-Push-down ab 5–7 Joins stillschweigend ab – die häufigste Ursache dafür, dass Dashboards sechs Monate nach dem Go-live langsamer werden.

Was es ist

Datasphere bietet drei Wege, eine View über Daten zu bauen: Graphical Views, visuell erstellt durch Ziehen und Verknüpfen von Tabellen auf einer Canvas; SQL Views, direkt in ANSI SQL mit SAP-HANA-Erweiterungen geschrieben; und Script Views, in prozeduralem SQLScript geschrieben für Logik, die reines SQL nicht ausdrücken kann. Alle drei erzeugen ein abfragbares Objekt innerhalb von Datasphere, gelangen aber über grundverschiedene Ausführungspfade dorthin — und genau dieser Unterschied ist die ganze Geschichte.

Warum es wichtig ist

Die Wahl zwischen den drei View-Typen ist eine der wenigen Datasphere-Entscheidungen, die die Laufzeit-Performance Monate nach der Modellierungsarbeit direkt bestimmt, weil einer der drei — Script Views — nicht wie die anderen beiden zur nativen Ausführungs-Engine von HANA Cloud durchreicht. Eine Modellierungsentscheidung, die in einem Workshop rein kosmetisch aussah, kann zur Grundursache eines Dashboards werden, das mit wachsendem Datenvolumen still langsamer wird — entdeckt erst, wenn Nutzer sich beschweren.

Warum es zählt

Graphisches Modellieren verwandelt sich ab 5-7 Joins in unlesbares Spaghetti, ohne Unterstützung für Window-basierte Analytics — gut für Prototypen, falsch für die Produktion.
SQL Views decken 80 % der produktionsreifen Modellierung ab; die Voreinstellung sollte auf SQL umspringen, sobald die Join-Zahl 5 übersteigt oder eine Window-Funktion nötig wird.
Script Views sind der prozedurale Notausgang — nur greifen, wenn Graphical und SQL die Logik wirklich nicht ausdrücken können.

Kernpunkte

Drei View-Typen: Graphical (Low-Code), SQL (Arbeitspferd, Standard), Script (Notausgang — bestraft Push-down).
Standard auf SQL umstellen, sobald Joins > 5 oder Window-Funktionen auftauchen. Graphical für Prototypen + einfache Dim-Wrapper.
Eine Script View in der Analytic-Model-Lineage = 10-50-fache Verlangsamung für jede konsumierende Query.
Dreischichtiges Kompositionsmuster: Staging (Typisierung + Währung) → Domain (verknüpft + benannt) → Consumption (vorab aggregiert).
Die HANA-SQL-Oberfläche umfasst volle ANSI-Window-Funktionen, rekursive CTEs, PIVOT, LATERAL Joins.
Hierarchie-Artefakt im Analytic Model schlägt rekursive CTE — HANA nativ auswerten lassen.
Joule-in-Datasphere (GA-Zielmarke H2 2026) wird die SQL-Kompetenzhürde senken, indem es aus natürlicher Sprache entwirft.
2 SQL-kompetente Modeler liefern nach 6 Monaten das 3-4-Fache des Produktionsinhalts von 4 rein Graphical arbeitenden Modelern.

Begriffe auf dieser Seite

Graphical View: Drag & Drop-canvasbasierte Modellierungsoberfläche in Datasphere. Übersetzt sich zur Laufzeit in SQL.
SQL View: ANSI SQL + HANA-Erweiterungen, als Code geschrieben. Reicht direkt an den HANA-Optimizer durch. Das Arbeitspferd.
Script View: SAP-HANA-SQLScript mit prozeduralen Blöcken. Erzwingt zeilenweise Auswertung, bricht den Push-down. Nur für Randfälle.
Push-down: Ausführungsmuster, bei dem Datasphere SQL in HANA-native, in der Column-Store-Engine ausgeführte Operationen übersetzt.
CTE: Common Table Expression — WITH-Klausel, die ein benanntes Ergebnis für die Verwendung in einer einzelnen Query definiert.
Window function: Aggregation, die über eine durch PARTITION BY + ORDER BY definierte Zeilenpartition arbeitet (z. B. ROW_NUMBER, SUM OVER).
Three-layer composition: Kanonisches Datasphere-Muster: Staging → Domain → Consumption Views, jede wiederverwendbar und testbar.
Calculation View: Legacy-HANA-natives View-Artefakt (älter als Datasphere). Datasphere-SQL-Views kompilieren im Hintergrund zu Calculation Views.

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 →

Offene SAP-Projekte

Aktuelle SAP-Analytics-Projekte und Stellen im DACH-Raum: SAP-Analytics-Projekte im DACH-Raum.