{"id":10637,"date":"2026-06-01T09:03:25","date_gmt":"2026-06-01T07:03:25","guid":{"rendered":"https:\/\/www.bix-consulting.com\/?p=10637"},"modified":"2026-06-01T09:03:28","modified_gmt":"2026-06-01T07:03:28","slug":"seamless-planning-forecasting-mit-sap-bdc","status":"publish","type":"post","link":"https:\/\/www.bix-consulting.com\/en\/seamless-planning-forecasting-mit-sap-bdc\/","title":{"rendered":"Seamless Planning \u2013 Forecasting with SAP BDC"},"content":{"rendered":"\n[et_pb_section fb_built=“1″ admin_label=“0″ _builder_version=“4.27.6″ _module_preset=“default“ global_colors_info=“{}“ theme_builder_area=“post_content“][et_pb_row _builder_version=“4.27.6″ _module_preset=“default“ background_color=“RGBA(255,255,255,0)“ width=“100%“ custom_margin=“-20px||||false|false“ custom_padding=“20px||||false|false“ border_radii=“off|30px|30px|30px|30px“ locked=“off“ global_colors_info=“{}“ theme_builder_area=“post_content“][et_pb_column type=“4_4″ _builder_version=“4.21.0″ _module_preset=“default“ global_colors_info=“{}“ theme_builder_area=“post_content“][et_pb_text _builder_version=“4.27.6″ _module_preset=“default“ background_color=“RGBA(255,255,255,0)“ custom_margin=“||||false|false“ custom_padding=“|20px||20px|false|false“ border_radii=“off|30px|30px|30px|30px“ global_colors_info=“{}“ theme_builder_area=“post_content“]

Mai 2026<\/strong><\/p>\n

Data Products, Databricks und Seamless Planning<\/h4>\n

Prognosen sind immer nur so verl\u00e4sslich wie ihre Datengrundlage. Doch genau hier stehen viele Unternehmen vor einer Herausforderung: Die passenden Daten zur richtigen Zeit am richtigen Ort bereitzustellen, ist oft extrem schwierig. W\u00e4hrend die realen Verkaufsdaten im On-Premise-BW liegen, l\u00e4uft das Machine Learning in Databricks und die eigentliche Planung in SAC. Um diese Welten zu vereinen, m\u00fcssen Daten meist aufwendig zwischen Systemen hin- und her kopiert sowie komplexe Pipelines gepflegt werden.<\/p>\n

Mit der SAP Business Data Cloud lassen sich vollst\u00e4ndig integrierte Prognose-Workflows realisieren \u2013 ohne eine einzige \u00fcberfl\u00fcssige Datenkopie. In diesem Artikel zeige ich Ihnen genau das: ein durchg\u00e4ngiges End-to-End-Szenario, bei dem Planer eine KI-generierte Absatzprognose per Knopfdruck direkt in SAC ausl\u00f6sen und nahtlos damit weiterarbeiten k\u00f6nnen.<\/p>\n

Das Business-Szenario <\/strong>dreht sich um die Absatzprognose f\u00fcr Speiseeis. Diese basiert auf den realen Verkaufszahlen aus dem BW sowie auf Wetterdaten eines externen Dienstleisters. Ein Machine-Learning-Modell in Databricks \u2013 trainiert mit historischen Abs\u00e4tzen und Wetterparametern \u2013 nutzt die Wettervorhersage f\u00fcr den kommenden Monat, um die genaue Absatzprognose zu berechnen.<\/p>\n

Der Endnutzer arbeitet innerhalb einer SAC-Geschichte, startet die Prognoseberechnung mit einem einzigen Knopf und analysiert die Ergebnisse direkt.<\/p>\n

Technisch gesehen<\/strong> verl\u00e4uft das Szenario in f\u00fcnf Schritten:<\/p>\n

    \n
  1. Einrichtung von Datenprodukten: Verkaufsdaten in Datasphere, Verkaufsprognosen in Databricks.<\/li>\n
  2. Modellierung in Datasphere.<\/li>\n
  3. Berechnung der Verkaufsprognose in Databricks.<\/li>\n
  4. Aufbau eines nahtlosen Planungsmodells in SAC.<\/li>\n
  5. Automatisierung des Prozessablaufs mit Multi-Actions und Task Chains.<\/li>\n<\/ol>\n

    Die End-to-End-Architektur ist im folgenden Schema dargestellt:<\/p>[\/et_pb_text][et_pb_image src=“https:\/\/www.bix-consulting.com\/wp-content\/uploads\/2026\/04\/202605_Blog_IK.png_01.png“ title_text=“202605_Blog_IK.png_01″ align=“center“ _builder_version=“4.27.6″ _module_preset=“default“ width=“60%“ custom_margin=“40px||20px||false|false“ global_colors_info=“{}“ theme_builder_area=“post_content“][\/et_pb_image][et_pb_text _builder_version=“4.27.6″ _module_preset=“default“ background_color=“RGBA(255,255,255,0)“ custom_margin=“||||false|false“ custom_padding=“|20px||20px|false|false“ border_radii=“off|30px|30px|30px|30px“ global_colors_info=“{}“ theme_builder_area=“post_content“]

    Datasphere erfasst die realen Verkaufsdaten aus dem BW, stellt sie als Datenprodukt bereit und teilt sie mit Databricks. Dort werden sie mit historischen Wetterdaten eines externen Dienstleisters kombiniert, um den finalen Datensatz f\u00fcr das ML-Modelltraining zu erstellen. Auf Basis der aktuellen Wettervorhersage generiert das vortrainierte Modell schlie\u00dflich die Absatzprognose, verpackt diese wiederum als Datenprodukt und spielt sie an Datasphere zur\u00fcck.<\/p>\n

    Ein nahtloses Planungsmodell, das auf einer Datasphere-Ansicht aufsetzt, liest die prognostizierten Werte in Echtzeit aus. So k\u00f6nnen Planer direkt neue Planungsversionen erstellen und die erforderlichen Anpassungen vornehmen.<\/p>\n

    Schauen wir uns die Details genauer an.<\/p>[\/et_pb_text][et_pb_code _builder_version=“4.27.6″ _module_preset=“default“ global_colors_info=“{}“ theme_builder_area=“post_content“]