Konzeptkarte

Operative Echtzeit-Analytik

Stand 18. Oktober 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 Operative Echtzeit-Analytik?

Analysen mit Aktualität unter einer Minute auf Streaming-Daten – Fertigungshalle, Logistik, Handelsräume – erfordern CDC plus Streaming-Engines plus HANA-Live-Föderation, einen grundlegend anderen Stack als Batch-BI.

Was es ist

Real-Time Operational Analytics ist Reporting, dessen Wert innerhalb von Minuten verfällt – Hallenstatus, Auftragsabweichungen, Verletzungen von Service-Levels –, im Unterschied zu analytischem Reporting, dessen Wert über Tage stabil bleibt.

Warum es wichtig ist

Die Verfallsrate ist die Design-Restriktion, und sie kehrt die üblichen Prioritäten um. Latenz schlägt Vollständigkeit: Eine unvollständige Antwort jetzt ist mehr wert als eine vollständige nach Schichtende. Genau diese Umkehrung verändert die Architektur, und es ist der Punkt, den die meisten Teams falsch machen, wenn sie ein Warehouse-Muster wiederverwenden.

Sie verändert auch, was „korrekt“ bedeutet. Eine operative Kennzahl, die revidiert wird, sobald verspätete Daten eintreffen, ist normal; dasselbe Verhalten in einem Finanzbericht ist ein Defekt. Zu benennen, in welchem Regime eine Zahl lebt, verhindert einen späteren Streit.

Wie es funktioniert

Die praktische Frage ist, wo die Abfrage läuft. Embedded Analytics gegen das transaktionale System liefert die frischestmögliche Antwort – auf Kosten der Last auf dem System of Record. Ein replizierter Speicher liefert Isolation – auf Kosten der Latenz. Föderation liegt dazwischen und ist vertretbar für Lookups mit niedriger Kardinalität und niedriger Frequenz im operativen Betrieb.

In einer SAP-Landschaft lautet die ehrliche Einschätzung: Operative Unmittelbarkeit spricht meist dafür, nahe an der Quelle zu bleiben, während bereichsübergreifende Analyse für die analytische Schicht spricht – und die meisten realen Anforderungen sind eine Mischung, weshalb ein einziges Muster für alles scheitert.

Warum es zählt

Eine klassische Batch-BI-Architektur lässt sich nicht auf Sub-Minuten-Latenz nachrüsten – das ist eine andere Stack-Entscheidung, keine Performance-Tuning-Übung am bestehenden Stack.
Anwendungsfälle aus Fertigungshalle, Logistik und Handelsraum teilen dieselbe Anforderung: CDC plus Streaming statt periodischer Extrakte – das Muster verallgemeinert sich über sehr unterschiedliche Branchen hinweg.
HANA-Live-Föderation ist der Baustein, der es erlaubt, Streaming-Daten mit bestehenden modellierten Daten zu verknüpfen, ohne die Plattform vollständig zu wechseln – die praktische Brücke, die die meisten Kunden tatsächlich brauchen.

Kernpunkte

Analytik mit Sub-Minuten-Aktualität auf operativen Streaming-Daten — Fertigungshalle, Logistik, Handelsräume.
Erfordert CDC + Streaming-Engines + HANA-Live-Föderation, nicht klassisches Batch-BI.
Das Staleness-Budget explizit benennen (wie veraltet darf eine Antwort sein, bevor sie nicht mehr handlungsrelevant ist) und darauf gestalten, nicht auf das Wort ‚Echtzeit‘.
Latenz schlägt Vollständigkeit in diesem Regime — eine Teilantwort jetzt übertrumpft oft eine vollständige nach Schließung des Entscheidungsfensters.
Das Hinzufügen einer Joule-Konversationsschicht führt eine neue Latenzkomponente ein (Orchestration-Service-Grounding + LLM-Aufruf), die in das Staleness-Budget eingepreist werden muss, wenn die KI-Antwort eine Aktion voraussetzt.
Entscheiden, ob die KI-Schicht in der Entscheidungsschleife sitzt (ihre Latenz zählt zum Budget) oder daneben (ein Mensch stellt eine Folgefrage, nachdem der Alarm des direkten Pfads bereits ausgelöst wurde) — Zweiteres ist der sicherere Standard für wirklich verfallsempfindliche Anwendungsfälle.
Die Vector Engine plus die Knowledge Graph Engine von HANA Cloud (GeoSPARQL im QRC3 2026 hinzugefügt) unterstützen Hybrid-RAG für Control-Tower-artige Fragen, die Echtzeit-Positionsdaten mit einem Routen-/Standort-Graphen verbinden — aber diese Hybridabfrage hat ebenfalls ein eigenes Latenzprofil.
Eingebettetes Reporting, das mit der Transaktionsverarbeitung konkurriert, verschlechtert das System, auf dem das Geschäft tatsächlich läuft — Isolation (ein replizierter Speicher) tauscht Latenz genau gegen diesen Schutz ein.

Begriffe auf dieser Seite

Staleness-Budget: Das explizit benannte Höchstalter, das eine Antwort haben darf, bevor sie für eine gegebene Entscheidung nicht mehr handlungsrelevant ist — der Designzwang im Zentrum dieser Karte, ausgedrückt als Zahl, nicht als das Wort ‚Echtzeit‘.
CDC (Change Data Capture): Eine Technik, die nur geänderte Zeilen aus einem Quellsystem streamt, statt vollständige Tabellen erneut zu extrahieren — der übliche Mechanismus, der eine operative Analytics-Pipeline mit Sub-Minuten-Aktualität speist.
HANA-Live-Föderation: Daten an Ort und Stelle über Systeme hinweg abfragen, ohne vollständige Replikation — vertretbar für gering-kardinale, selten frequentierte operative Lookups, aber kein Ersatz für Isolation bei hohem Abfragevolumen.
Embedded Analytics (operativ): Eine operative Abfrage direkt gegen das transaktionale System of Record ausführen, für maximale Frische, auf Kosten zusätzlicher Last für dieses System.
Orchestration-Service-Latenz: Die zusätzliche Roundtrip-Zeit von Grounding-Abfrage, Content-Filtering und dem LLM-Aufruf selbst im Orchestration Service von SAPs Generative AI Hub — ein neuer Posten in einem operativen Staleness-Budget, sobald eine Joule- oder LLM-basierte Antwort in einem Entscheidungspfad sitzt.
KI neben vs. in der Entscheidungsschleife: Die Designentscheidung, die der aiSection dieser Karte einführt: eine KI-Antwort, die einen Menschen nur informiert, nachdem ein Alarm des direkten Pfads bereits ausgelöst wurde (‚daneben‘), versus eine, deren Ausgabe die Aktion selbst voraussetzt (‚darin‘, was die Latenz des KI-Aufrufs in das Staleness-Budget vererbt).
Hybrid-RAG (HANA Cloud): Vektor-Ähnlichkeitssuche und Graph-Beziehungsabfragen (über die Vector Engine und die Knowledge Graph Engine von HANA Cloud, letztere mit GeoSPARQL-Unterstützung seit QRC3 2026) in einer Abfrageschicht kombinieren — relevant für Control-Tower-Fragen, die Live-Positionsdaten und einen strukturellen Graphen verbinden.

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.