Está en la página 1de 6

TEMARIO 2

1. BW Concepto y herramienta

1.1. Arquitectura de almacenamiento de datos empresariales (EDW)


 Determinar la arquitectura EDW
 Planificación de la arquitectura de un EDW
 Uso de las capas EDW
 Determinación del propósito de las capas de Data Mart
 Determinación del propósito de la capa del almacén de datos operativos

1.2. Arquitectura de almacenamiento de datos empresariales (EDW)


 Identificando Áreas de Decisión dentro de Proyectos SAP BW
 Realización de Análisis de Requisitos.
 Crear un modelo de datos lógico
 Desarrollo del modelo de datos SAP BW
 Creación de modelos de datos gráficos y plantillas.

1.3. Práctica de modelado de datos


 Redacción de un modelo de datos
 Resumen de la práctica de modelado de datoyous

1.4. Análisis de contenido BI


 Arquitectura genérica de una solución BI.
 Diseñar modelos híbridos de BI que liberen el potencial de toda la información multi-estructurada
existente
 Listado de Usos del Contenido de BI

2. BW 4/HANA

2.1. Introducción

 SAP HANA

Como definición podemos decir que es una plataforma de datos en memoria que se puede
implementar como un dispositivo en local, o en la nube. Se trata de una plataforma revolucionaria
que mejor se adapta a la realización de análisis en tiempo real, y en el desarrollo y despliegue de
aplicaciones en tiempo real. Podríamos definir Sap Hana como la implementación de la tecnología
SAP en una base de datos en memoria.
 SAP BW/4HANA

BW / 4HANA es una evolución de BW que está completamente optimizada y adaptada a SAP


HANA. El código BW / 4HANA solo puede ejecutarse en SAP HANA ya que está entretejido con los
motores y bibliotecas de SAP HANA.

 SAP BW/4HANA Herraminetas de modelamiento en Eclipse y SAP BW/4HANA Cockpit

2.2. Ventajas y diferencias entre SAP BW y SAP BW 4/HANA

 Introducción a SAP HANA y SAP BW / 4HANA

SAP BW es un modulo de sap, encargado de almacenar datos en un DB para su uso en BI

SAP HANA es una versión de SAP la cual se caracteriza por utilizar almacenamiento de datos en
memoria, esto mejorado los diferentes procesos en rendimiento y tiempo.

SAP BW/4HANA Es el modulo de SAP BW pero con la diferencia que se almacena en memoria para
su optimización y respuestas en tiempo real.

 Lanzamiento de informes y navegación en informes

 Consultas simples

 Cifras clave en las consultas

SAP BW Query Designer crea automáticamente una estructura de cifras clave cuando se añaden
cifras clave a una consulta. Debe tener al menos una cifra clave para importar los metadatos de la
consulta a IBM Cognos Framework Manager. Esto es así incluso cuando no utiliza la cifra clave en
informes. Por lo tanto, siempre tendrá una estructura de cifras clave.

 Estructuras en consultas

Una estructura de características es una colección de valores de características (miembros) de una


o más dimensiones. Para crear una estructura de características en SAP, añada una estructura a la
consulta y luego añada los miembros requeridos a la estructura. En el software de IBM Cognos, la
estructura se visualiza como una dimensión adicional que sólo tiene un nivel de varias raíces

 Características, atributos y jerarquías externas en las consultas

 Variables en las consultas

 Excepciones y condiciones en las consultas

 Interfaz informe-informe
 Optimización de rendimiento de consultas

 Gestión de consultas

 Descripción general de las autorizaciones

 Consultas de Consumo de Productos SAP Analytics

2.3. Modelado Data Warehousing en SAP BW/4HANA

 Mejoras de InfoObjetos

 DataStore-Objetos avanzados

 Proveedores de Composites

 Proveedores BAdI

 Transformaciones optimizadas por HANA

 Mejoras en la cadena de proceso

 Administrador analítico optimizado de HANA

 Procesos de análisis de HANA

 Cambios en las autorizaciones.

 Análisis estadístico SAP BW / 4HANA basado en vistas de CDS de ABAP

 Colección de herramientas SAP BW/4HANA

2.4. Modelado con la arquitectura de referencia de SAP LSA ++

 Revisión de la arquitectura escalable en capas (LSA)

 De LSA a LSA ++: Optimice las capas centrales


 LSA ++: Capa de almacén de datos operacional abierta basada en vistas abiertas de ODS
 LSA ++: Espacios de trabajo BW / 4HANA
2.5. Modelado híbrido en escenarios mixtos

 Generación de vistas HANA externas para objetos BW / 4HANA


 Modelado de escenarios mixtos
 Complemento de contenido SAP BW / 4HANA
 Caso de uso para escenarios mixtos: SAP Predictive Analytics (opcional)

2.6. Suministro de datos en SAP HANA y SAP BW / 4HANA

 Descripción general de los métodos de provisión de datos en SAP HANA


 Replicación de SAP LT en SAP HANA
 Acceso a datos inteligentes de SAP HANA
 SAP HANA Smart Data Integration incl. Streaming en tiempo real
 Suministro de datos operativos en SAP BW / 4HANA basado en Extractores de SAP, Vistas de CDS de
ABAP, Vistas de información de HANA y Proveedores de información de BW
 Integración de Big Data
1.1
 Arquitectura de un data warehouse
La arquitectura de un data warehouse está conformada por tres niveles. El nivel inferior de la
arquitectura es el servidor de la base de datos, donde los datos se cargan y almacenan. El nivel
intermedio contiene el motor de análisis que se utiliza para obtener acceso a los datos y para
analizarlos. El nivel superior es el cliente front-end que presenta los resultados mediante informes,
análisis y herramientas de minería de datos.

 Capas de toda arquitectura de un datawarehouse

Veamos cada una de las capas de la arquitectura de un datawarehouse a continuación:

– Capa de fuentes de datos: Esta representa las diferentes fuentes de datos que alimentan los
datos del datawarehouse. La fuente de datos puede estar en cualquier formato: archivo de
texto plano, base de datos relacional, otros tipos de base de datos, archivo Excel, etc. Todos
estos pueden actuar como fuente de datos. Además, los tipos de datos pueden ser muy
variados:
o Datos de operaciones, como datos de ventas, datos de recursos humanos, datos de
productos, datos de inventario, datos de marketing y datos de sistemas.
o Logs de un servidor web, con datos de navegación de los usuarios.
o Datos internos de investigación de mercado.
o Datos de terceros, como datos del censo, datos demográficos o datos de encuestas.
– Capa de extracción de datos: Los datos se extraen de las fuentes de datos y se llevan al
sistema datawarehouse. Es probable que en esta capa se limpien algunos datos mínimos, pero
no es previsible que haya una transformación de datos importante.
– Área de pruebas: aquí es donde los datos son depurados y transformados en un datamart y
datawarehouse. Tener un área común facilita el proceso y la integración posterior de los datos.
– Capa ETL: Aquí es donde los datos obtienen su inteligencia ya que se aplica la lógica para
transformar los datos de una naturaleza transaccional a una naturaleza analítica. En esta capa
es también donde se limpian los datos. La fase de diseño ETL es frecuentemente la fase que
más se demora en un proyecto de datawarehouse y habitualmente se utiliza una herramienta
ETL en esta capa.
– Capa de almacenamiento de datos: Aquí es dónde se colocan los datos transformados y
limpios. Basándose en el alcance y la funcionalidad se pueden encontrar tres tipos de
entidades: datawarehouse, data mart y almacén de datos operacional (). En cualquier sistema
puedes encontrar sólo uno de los 3, 2 de los 3, o los tres tipos juntos.
– Capa lógica de datos: Aquí es donde se almacenan las reglas de negocio. Estas reglas de
negocio no afectan a las reglas de transformación de datos, pero afectan a lo que luego puedes
ver en los informes.
– Capa de presentación de datos: Se refiere a la información que llega a los usuarios. Esto puede
ser en forma de un informe tabular o gráfico a través de un navegador, un informe enviado por
email que se genera automáticamente y se envia a diario, una alerta que advierte a los
usuarios acerca de excepciones, etc. Usualmente en esta capa se utiliza una herramienta OLAP
y una herramienta de generación de informes.
– Capa de metadatos: Aquí es donde la información sobre los datos almacenados en el
datawarehouse es almacenada. Un modelo de datos lógico sería un ejemplo de algo que está
en esta capa de metadatos. Frecuentemente se utiliza una herramienta de metadatos para
administrar los metadatos.
– Capa de operaciones del sistema: Esta capa incluye información sobre cómo está
funcionando el sistema de datawarehouse, cuál es el estado de trabajo ETL, cuál es el
rendimiento del sistema y el historial de acceso de los usuarios.

 Data Marts:

Un data mart es una versión especial de almacén de datos (data warehouse). ... En síntesis, se
puede decir que los data marts son pequeños data warehouse centrados en un tema o un área de
negocio específico dentro de una organización.

 almacén de datos operativos(ODS)

El ODS está diseñado para consultas relativamente sencillas en pequeñas cantidades de


información (por ejemplo, para conocer el estado de un pedido), más que para las consultas
complejas en grandes cantidades de información típicas de los almacenes de datos. Se puede decir
que el ODS es similar a la memoria a corto plazo de las personas, ya que sólo guarda la información
más reciente. Por el contrario, el almacén de datos funciona más como la memoria a largo plazo,
guardando sólo información relativamente permanente.

 Identificando Áreas de Decisión dentro de Proyectos SAP BW


-