Konzeptkarte

SAP HANA Cloud Multi-Modell (Graph, Geodaten, JSON Document Store)

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.

Was ist SAP HANA Cloud Multi-Modell (Graph, Geodaten, JSON Document Store)?

Die Graph-, Spatial- und JSON-Engines von HANA Cloud teilen sich dasselbe Transaktionsprotokoll und Sicherheitsmodell wie die relationalen Tabellen — eine einzige SQL-Anweisung kann einen Kundendatensatz, eine Graph-Traversierung und ein JSON-Dokument in Millisekunden verknüpfen.

Worum es geht

SAP HANA Cloud ist nicht nur eine spaltenorientierte In-Memory-Relational-Engine — es ist eine Multi-Model-Datenbank, die Graph-Traversierungen, räumliche Abfragen und JSON-Dokumentoperationen nativ gegen dieselben Daten, in derselben Transaktion, ohne ETL in eine separate Engine ausführt. Das ist relevant, weil ein nicht unerheblicher Anteil der SAP-Analytics-Use-Cases (Customer 360, Supply-Chain-Netzwerkoptimierung, IoT-on-the-Edge) grundlegend nicht-relational ist, und die Multi-Model-Fläche es dem Architekten erlaubt, sie aus einer einzigen Engine zu bedienen.

Drei nicht-relationale Engines laufen innerhalb von HANA Cloud mit. Die Graph-Engine behandelt jedes über einen Fremdschlüssel verbundene Tabellenpaar als Graph; der CYPHER-artige GRAPH-Workspace erlaubt es, Shortest-Path-, Community-Detection- und Ego-Network-Abfragen direkt in SQL zu schreiben. Die Spatial-Engine implementiert OGC-konforme Geometrietypen (POINT, POLYGON, LINESTRING) mit ST_*-Operatoren (ST_Distance, ST_Within, ST_Intersects); sie bedient die gesamte Geo-Analytics-Schicht für SAC Geo Maps und BDC-Standort-Use-Cases. Der JSON Document Store implementiert MongoDB-kompatible CRUD-Operationen auf JSON-Spalten; semi-strukturierte Payloads (IoT-Events, Web-Logs, Social Signals) landen nativ ohne erzwungenes Schema.

Die entscheidende Eigenschaft ist, dass sich alle drei Engines das HANA-Transaktionslog und das Sicherheitsmodell teilen. Eine einzige SQL-Abfrage kann eine relationale Kundentabelle, eine Graph-Traversierung des Empfehlungsnetzwerks des Kunden, einen räumlichen Filter auf ein Lieferpolygon und ein JSON-Dokument mit der Präferenz-Payload des Kunden verbinden — alles in einer Anweisung, alles unter einer Row-Level-Security-Regel, alles in Millisekunden.

Greifen Sie zu Multi-Model, wenn der Use Case graph-förmig oder standortbezogen ist und die Daten bereits in HANA liegen. Greifen Sie nicht dafür bei Graph-Analytik im Petabyte-Maßstab (dafür eine dedizierte Graph-Datenbank verwenden) oder bei hochfrequenter Dokumentenaufnahme im IoT-Maßstab (dafür eine vorgeschaltete Streaming-Plattform verwenden).

Warum es zählt

Es entfernt den ETL-Schritt zu einer separaten Graph- oder Dokumentdatenbank, wenn der Use Case Customer-360, Supply-Chain-Netzwerkoptimierung oder IoT-on-the-Edge ist.
Die ST_*-Operatoren der Spatial-Engine (ST_Distance, ST_Within, ST_Intersects) bedienen bereits direkt SAC Geo Maps und BDC-Standort-Use-Cases.
Es ist das falsche Werkzeug bei Graph-Analytik im Petabyte-Maßstab oder hochfrequenter IoT-Aufnahme — dafür braucht es eine dedizierte Graph-Datenbank oder eine vorgeschaltete Streaming-Plattform.

Kernpunkte

Graph-Engine — CYPHER-artiger GRAPH-Workspace in SQL; Shortest Path, Community Detection, Ego-Netzwerke auf bestehenden relationalen Daten ohne Schema-Duplizierung.
Spatial-Engine — OGC-konforme Geometrietypen und ST_*-Operatoren; treibt SAC Geo Maps und BDC-Standort-Use-Cases an.
JSON Document Store — MongoDB-kompatibles CRUD auf JSON-Spalten; semi-strukturierte Payloads (IoT, Web-Logs) landen ohne erzwungenes Schema.
Eine Transaktion, ein Sicherheitsmodell — eine einzige SQL-Anweisung verbindet relationale, Graph-, Spatial- und JSON-Operationen unter einheitlicher Row-Level-Security.
Grenzen — nicht für Graph-Analytik im Petabyte-Maßstab oder hochfrequente IoT-Aufnahme; dafür vorgeschaltete dedizierte Engines verwenden.
HANA Cloud bietet zusätzlich eine Vector Engine (Embeddings/Ähnlichkeitssuche) und eine separate native Knowledge Graph Engine (RDF/SPARQL) neben dem in dieser Karte behandelten Property-Graph-GRAPH-Workspace — drei unterschiedliche „graph-nahe“ Fähigkeiten, nicht eine.
September 2026: Die Knowledge Graph Engine erhält GeoSPARQL-Unterstützung (QRC3 2026) sowie weitere agentische KI-orientierte Innovationen — ein zweiter Pfad zu geografischem Reasoning neben den OGC-ST_*-Operatoren dieser Karte.
Entscheidungstest: Multi-Model lohnt sich, solange der Wert aus der Verknüpfung von Modellen in einer Transaktion kommt; sobald die eigene Last einer Engine (Traversierungstiefe, Ingestionsgeschwindigkeit, Indexgröße) zum dominierenden Kostentreiber wird, eine dedizierte Engine für genau diese Last evaluieren.

Begriffe auf dieser Seite

Multi-Model-Datenbank: Eine Datenbank, die nativ mehr als ein Datenmodell unterstützt (relational, Graph, Dokument, räumlich, Key-Value) unter einem Transaktionslog und Sicherheitsmodell; eliminiert das Muster der Multi-Engine-Wildwuchs.
GRAPH workspace: HANA Clouds native Property-Graph-Engine; definiert über bestehende relationale Tabellen, die durch Fremdschlüssel verbunden sind, abgefragt über eine CYPHER-inspirierte, in SQL eingebettete Pattern-Matching-Syntax.
OGC geometry: Geometrietypen und Operatoren nach dem Open-Geospatial-Consortium-Standard (POINT, POLYGON, ST_Within, ST_Intersects); HANA Clouds Spatial-Engine ist OGC-konform.
JSON Document Store: HANA Clouds MongoDB-kompatible API-Fläche über JSON-Spalten; CRUD-Operationen auf Dokumenten ohne ETL in eine separate Dokumentdatenbank.
Semantischer Kontrakt: Die gemeinsame Definition von Fachbegriffen, Kennzahlen, Entitäten und Zugriffsregeln, die von Tools und Teams verwendet wird.
Vector Engine: HANA Clouds native Engine für Embeddings und Ähnlichkeitssuche, die sich dasselbe Transaktionslog und Sicherheitsmodell wie die relationale, Graph-, Spatial- und JSON-Engine teilt — die semantische Suchhälfte von HANA Clouds Hybrid-RAG-Geschichte.
Knowledge Graph Engine (RDF/SPARQL): Eine native HANA-Cloud-Engine, getrennt vom in dieser Karte behandelten Property-Graph-GRAPH-Workspace; sie speichert und befragt RDF-Triples über SPARQL und trägt die faktenbasierte Beziehungshälfte von Hybrid-RAG, die denselben SAP Knowledge Graph speist, der Joule erdet.
Hybrid-RAG: Vektor-Ähnlichkeitssuche mit faktenbasierten Graph-Beziehungsabfragen in einem Retrieval-Schritt zu kombinieren, statt einen Modus zu wählen — HANA Cloud setzt dies um, indem Vector Engine und Knowledge Graph Engine nebeneinander in derselben Datenbank laufen.

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.