Konzeptkarte

SAP Data Intelligence

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 SAP Data Intelligence?

SAPs containerisiertes Produkt für Datenorchestrierung und Pipelines, vormals SAP Data Hub. Seine Fähigkeiten werden in SAP Datasphere aufgenommen — was es für die meisten Bestände zu einem Migrationsgegenstand macht, nicht zu einer Zielarchitektur.

Worum es geht

SAP Data Intelligence — vor der Umbenennung 2019 SAP Data Hub — ist ein containerisiertes Produkt zur Datenorchestrierung: ein grafischer Pipeline-Modeler, ein Metadatenkatalog und eine Ausführungs-Runtime, die Operatoren auf Kubernetes ausführt. Es war SAPs Antwort auf das Problem, Daten über SAP- und Nicht-SAP-Systeme hinweg zu bewegen und zu verarbeiten, ohne alles zuerst durch ein Data Warehouse zu leiten, und es kam in zwei Formen: Data Intelligence Cloud, von SAP betrieben, und eine On-Premise-Edition, die Kunden selbst betrieben.

Warum es jetzt zählt, ist überwiegend eine Richtungsfrage. Die Fähigkeiten, die Data Intelligence auszeichneten — Pipeline-Orchestrierung, Konnektivitätsbreite, Metadatenkatalogisierung —, sind dieselben Fähigkeiten, die SAP in SAP Datasphere als Replication Flows, Transformation Flows, Task Chains und den Katalog eingebaut hat. Für einen Bestand, der Data Intelligence heute betreibt, lautet die strategische Frage daher nicht „wie holen wir mehr daraus heraus“, sondern „was wird aus jeder Pipeline auf der anderen Seite“. Diese Frage hat echten Inhalt: ein Data-Intelligence-Graph mit benutzerdefinierten Python-Operatoren bildet sich nicht eins zu eins auf einen Datasphere-Flow ab, und die Operatoren, die Geschäftslogik trugen, sind genau diejenigen ohne direkten Nachfolger.

Das Muster ist vertraut, und es lohnt sich, es zu benennen. Das ist dieselbe Form wie die Übergänge BW-zu-Datasphere und BusinessObjects-zu-SAC: ein leistungsfähiges Produkt, dessen Funktionen innerhalb einer neueren, stärker konsolidierten Plattform neu ausgedrückt werden, mit einem Rest an Individualarbeit, der neu gebaut statt konvertiert werden muss. In diesem Rest liegen Aufwand und Risiko, und er ist in einem Lizenzvergleich fast nie sichtbar.

Warum es zählt

SAP Data Intelligence geht in Datasphere und BDC auf; für Bestände, die es noch betreiben, liegt der Wert vollständig im Migrationsinventar — und die benutzerdefinierten Operatoren sind der Teil ohne Nachfolger.

Kernpunkte

Vormals SAP Data Hub; 2019 in SAP Data Intelligence umbenannt. Zwei Formen: Cloud (von SAP betrieben) und eine On-Premise-Edition.
Ein containerisiertes Orchestrierungsprodukt: grafischer Pipeline-Modeler, Metadatenkatalog, auf Kubernetes ausgeführte Operatoren.
Seine Fähigkeiten tauchen in SAP Datasphere als Replication Flows, Transformation Flows, Task Chains und der Katalog wieder auf.
🔴 Benutzerdefinierte Operatoren (Python, Shell, maßgeschneiderte Container) haben keinen direkten Nachfolger — sie sind Neubauten, keine Konvertierungen.
Das Migrationsinventar, das den Aufwand vorhersagt: Graphenzahl, klassifiziert in Bewegung · Transformation · benutzerdefiniert, plus Verbindungsabdeckung.
Die Entscheidung ist pro Graph — jetzt neu ausdrücken, weiterlaufen lassen oder ausmustern — und Bewegungs-/Transformationsgraphen entscheiden sich weitgehend von selbst.
Der Kipppunkt (wenn der Rest weniger kostet, ihn neu zu bauen, als ein weiteres Jahr Runtime) braucht ein Datum und einen Verantwortlichen, sonst stockt der Bestand, während andere Programme das Budget übernehmen.

Begriffe auf dieser Seite

Modeler: Der grafische Pipeline-Designer in SAP Data Intelligence, in dem Graphen aus Operatoren zusammengestellt werden.
Graph: Eine Data-Intelligence-Pipeline: eine verbundene Menge von Operatoren mit einer Ausführungs-Runtime.
Operator: Ein Pipeline-Schritt. Standardoperatoren werden mit dem Produkt ausgeliefert; benutzerdefinierte Operatoren tragen Kundencode und sind der Migrationsrest.
Metadata Explorer: Der Katalog- und Profiling-Bereich von Data Intelligence, dessen Rolle nun der Datasphere-Katalog übernimmt.
Custom operator: Ein Data-Intelligence-Operator mit Kundencode (Python, Shell, ein maßgeschneiderter Container). Er hat keinen Datasphere-Nachfolger und ist die Einheit des Neubaus — diese vor den Graphen zählen.
Crossover point: Der Moment, ab dem der Weiterbetrieb der Data-Intelligence-Runtime für die verbliebenen Graphen mehr kostet als deren Neubau. Es ist ein Planungsartefakt, kein Ereignis: jemand muss ihn benennen.

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.