Konzeptkarte

SAP HANA Predictive Analysis Library (PAL) — Bibliothek für Analysen

Stand 7. November 2026

Was ist SAP HANA Predictive Analysis Library (PAL)?

PAL ist SAPs Bibliothek SQL-aufrufbarer, datenbankinterner Machine-Learning- und Statistikprozeduren für SAP HANA, ausgeliefert als Teil der AFL-Komponente. SAPs eigenes Beispiel-Repository zeigt reale Abdeckung über Klassifikation, Regression, Clustering, Zeitreihen, Assoziationsregeln, Anomalieerkennung, Empfehlungssysteme und mehr, aufrufbar per SQL, über hana-ml in Python, oder eingebettet in ABAP über AMDP — PAL bietet jeden Algorithmus mit expliziten Parametern und zusätzlich AutoML (AutomaticClassification, AutomaticRegression), während APL die Modellierung hinter wenigen High-Level-Funktionen automatisiert.

Was PAL mechanisch ist

Die Predictive Analysis Library (PAL) ist SAPs Bibliothek SQL-aufrufbarer Prozeduren für datenbankinternes maschinelles Lernen und Statistik in SAP HANA. Sie wird als Teil der AFL-Komponente (Application Function Library) ausgeliefert: SAPs eigenes Beispielcode-Repository nennt die Voraussetzung klar — das Ausführen der PAL-Beispiele benötigt "eine SAP-HANA-Datenbankumgebung... mit installierter AFL-Komponente, die die Predictive Analysis Library (PAL) enthält." Dieser eine Satz erklärt PALs gesamten Wertbeitrag für einen Berater: Die Algorithmen laufen als C++-Prozeduren direkt in der Datenbank-Engine, gegen Tabellen, die HANA nie verlassen, statt als clientseitige Bibliothek, die zuerst Zeilen herauszieht.

Zwei Nutzungswege existieren für dieselben zugrunde liegenden Prozeduren. Sie können PAL direkt in SQLScript aufrufen — CREATE PROCEDURE, CALL, temporäre Parametertabellen — oder es aus Python über hana-ml steuern, dessen hana_ml.algorithms.pal-Modul dieselben Prozeduren hinter Klassen wie UnifiedClassification und UnifiedRegression verpackt. So oder so findet die Berechnung am selben Ort statt: innerhalb von HANA.

Auf SAP HANA Cloud braucht PAL den auf der Instanz aktivierten Script Server, was zusätzlichen Speicher und vCPU zu dimensionieren bedeutet.

Warum es zählt

PAL läuft als C++-Prozeduren innerhalb der HANA-Engine — das Argument gegenüber einem Kunden lautet, dass Daten die Datenbank nie verlassen, eine andere (und oft stärkere) Governance-Geschichte, als die meisten externen ML-Plattformen erzählen können.
PAL und APL werden häufig verwechselt; die Unterscheidung richtig zu treffen (manuelle vs. automatisierte Algorithmuswahl) macht den Unterschied zwischen dem Scoping eines datenwissenschaftlich geführten und eines automatisierungsgeführten Projekts aus.
Dasselbe PAL-Modell kann aus SQL, aus Python über hana-ml oder eingebettet in ABAP über AMDP aufgerufen werden — ein Berater, der nur einen Weg kennt, wird unterschätzen, was die bestehende HANA-Investition eines Kunden bereits unterstützt.

Kernpunkte

PAL ist SQL-aufrufbares, datenbankinternes ML/Statistik für SAP HANA, ausgeliefert als Teil der AFL-Komponente (Application Function Library).
Reale Abdeckung bestätigt über SAPs eigenes Beispiel-Repository: Klassifikation, Regression, Clustering, Zeitreihen (inkl. massiv/parallel), Assoziationsregeln, Anomalieerkennung, Empfehlungssysteme, Link-Vorhersage, Statistik, Datenaufbereitung, Dimensionsreduktion, plus Werkzeuge für Modellbewertung/Parameterauswahl/Modellvergleich.
PAL vs. APL: PAL bietet jeden Algorithmus mit expliziten Parametertabellen und zusätzlich AutoML (AutomaticClassification, AutomaticRegression); APL automatisiert die Modellierung hinter wenigen High-Level-Funktionen.
SQL-Aufrufmuster: Eingabetabelle erstellen, eine temporäre Parametertabelle laden (PARAM_NAME/INT_VALUE/DOUBLE_VALUE/STRING_VALUE), Prozedur direkt oder über eine generierte AFL-Wrapper-Prozedur aufrufen.
hana-ml verpackt dieselben Prozeduren in eine Estimator-artige Python-API — UnifiedClassification, UnifiedRegression, UnifiedClustering — mit GridSearchCV/RandomSearchCV und ModelStorage zum Speichern und Planen von Retraining.
PAL-Modelle lassen sich über AMDP (ABAP Managed Database Procedures) in ABAP einbetten — der Mechanismus, den ISLM nutzt, um ein PAL-Modell in einem produktiven S/4HANA-Szenario auszuführen.
Allein UnifiedClassification deckt über seinen func-Parameter mehrere Algorithmen ab (Hybrid Gradient Boosting Tree, Random Decision Trees, Random Forest).

Begriffe auf dieser Seite

AFL: Application Function Library — die SAP-HANA-Komponente, die PAL (und APL) als installierbare C++-Prozeduren liefert.
SQLScript: SAP HANAs prozedurale SQL-Erweiterung zum direkten Schreiben und Aufrufen von PAL-Prozeduren.
UnifiedClassification / UnifiedRegression: hana-ml-Python-Klassen, die mehrere PAL-Algorithmen hinter einer Estimator-artigen API verpacken, wählbar über einen func-Parameter.
AMDP: ABAP Managed Database Procedure — der Mechanismus, der einen PAL- (oder hana-ml-generierten) Modellaufruf in ABAP einbettet, genutzt von ISLM.
ModelStorage: hana-ml-Klasse, die ein in HANA-Tabellen gespeichertes PAL/APL-Modell sichert, auflistet, versioniert und für das Retraining planen kann.

Quellen

Vollständige Karte im Consultant-Tarif — 19,90 €/Monat. 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 →

Redaktion: Cédric Mary · Wie diese Seite entsteht

Offene SAP-Projekte

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