Das Dashboard-Paradox – und was diesmal anders ist
Unternehmen verfügen selten über zu wenig Daten. Die Zahl der Reports, Stories und Datenmodelle wächst – und trotzdem bleiben einfache Fragen oft offen: Welche Kennzahl ist die richtige? Woher stammt sie? Welches Modell liegt darunter?
Dieser Beitrag zeigt, wie ein KI-Assistent nicht nur beim Verstehen einer gewachsenen Analytics-Landschaft hilft, sondern einen Schritt weitergeht: von der Analyse zur begleiteten Aktion. Wir zeigen vier Use Cases, die wir in einer Demo-Umgebung mit synthetischen Beispieldaten vollständig live durchgespielt haben – vom Debugging eines fehlgeschlagenen Datenlade-Jobs in SAP Datasphere bis zum kompletten Datenmodell aus einer einzelnen Excel-Datei.
Use Case 1: Import-Job-Debugging in Datasphere – der Alltagstest
Jede Datasphere-Administratorin, jeder Datasphere-Administrator kennt die Situation: Ein Datenlade-Job läuft rot – eine Task Chain, ein Replikations- oder Datenfluss –, die Fehlermeldung im Monitor bleibt vage, und die Ursachensuche beginnt: Log öffnen, Task für Task durchklicken.
Über die MCP-Anbindung kann der KI-Assistent die Task-Logs des fehlgeschlagenen Laufs direkt abrufen, den fehlerhaften Schritt identifizieren und die Ursache in Klartext zusammenfassen – etwa eine abgerissene Verbindung, ein Berechtigungsproblem oder ein Datenfehler in der Quelle. Auf dieser Basis schlägt er den nächsten Schritt vor, bis hin zum erneuten Anstoßen des Laufs. Ob das passiert, entscheidet der Mensch. Die Diagnose, die sonst schnell eine Stunde kostet, liegt aber nach wenigen Minuten strukturiert vor.
Use Case 2: Planungsprozesse per Zuruf starten
SAC ist nicht nur Reporting-, sondern auch Planungsebene – und genau dort entsteht der zweite Anwendungsfall: Eine vorhandene Multi Action, etwa das Seeding eines Forecasts, lässt sich per Chat auslösen. Der Assistent startet den Prozess, verfolgt den Status und meldet das Ergebnis zusammengefasst zurück.
Entscheidend: Der Assistent startet definierte, im System modellierte Prozesse. Er erfindet keine Planungslogik und ändert keine Planungsdaten an den bestehenden Regeln vorbei.
Use Case 3: Vom Flat File zum deployten Datenmodell
Der Use Case, der das Potenzial am deutlichsten zeigt: Der Fachbereich liefert eine Excel-Liste – ein Export aus einem Altsystem, unbereinigt, mit Duplikaten und Formatbrüchen.
Ein einziger Auftrag an den Assistenten, und folgende Strecke entsteht:
- Profiling und Bereinigung der Datei direkt auf dem Rechner: Datentypen, Schlüsselkandidaten, Dimensionen und Kennzahlen, Datenqualitätsprobleme.
- Anlage und Beladung einer physischen Tabelle im dafür vorgesehenen Datenbank-Schema von SAP Datasphere.
- Anbindung der Tabelle im Data Builder – live, ohne Replikation.
- Aufbau der Semantik: Dimensionen, Fakten, Assoziationen, analytisches Modell.
- Bereitstellung für SAP Analytics Cloud zur Auswertung.
- Ein Abschlussbericht dokumentiert, was gebaut wurde – inklusive offener Punkte.
Was sonst über mehrere Stationen läuft – Fachbereich, BI-Team, Modellierung, Deployment, Report – liegt als geprüfter Vorschlag innerhalb von Minuten vor. Jeder Schritt ist nachvollziehbar, dokumentiert und wird erst nach Freigabe wirksam.
Use Case 4: Scheduled Agents – der tägliche Health-Report
Der Ausblick: Ein KI-Assistent muss nicht auf Fragen warten. Zeitgesteuert kann er morgens den Zustand der Analytics-Landschaft prüfen – Task Chains, Import-Jobs, auffällige Objekte – und einen kompakten Bericht liefern, bevor das Team den ersten Kaffee getrunken hat.
Auch hier gilt: Der Agent liest, prüft und berichtet. Eingriffe in Systeme bleiben bewusst beim Menschen.
Was Unternehmen davon haben
Der Mehrwert liegt nicht in einer einzelnen spektakulären Funktion, sondern in der Summe: schnellere Fehlerdiagnose im Betrieb, Planungsprozesse ohne Klickstrecken, deutlich kürzere Wege vom Rohdatensatz zum auswertbaren Modell – und ein Betriebszustand, der sich täglich selbst erklärt.
Teams gewinnen Zeit für das, was Werkzeuge nicht leisten können: Datenqualität, Semantik und die eigentliche Geschäftsfrage.
Ehrliche Grenzen – aus der Demo, nicht aus dem Prospekt
Alle vier Use Cases haben wir selbst durchgespielt – und dabei auch die Kanten kennengelernt:
- Nicht jede Schnittstelle kann alles. Die Datasphere-Kommandozeile deckt die Design-Time ab; für das Laden von Daten braucht es einen separaten, bewusst berechtigten Datenbankzugang.
- Berechtigungen wirken – und das ist gut so. Technische Clients und Datenbank-User sehen genau das, was ihnen zugewiesen wurde. Wer den Ansatz einführt, sollte das Berechtigungskonzept von Anfang an mitdenken.
- Verlässlich ist, was verifiziert wurde. Dokumentation und Realität weichen gelegentlich voneinander ab – belastbare Aussagen entstehen durch eigenes Testen.
Eine Sprachschnittstelle löst außerdem keine unklaren Kennzahlendefinitionen, und produktive Änderungen brauchen weiterhin Prüfung, Tests und Freigabe.
Verantwortung und Datenschutz
Für den produktiven Einsatz gelten klare Leitplanken: definierte Rollen und Berechtigungen, protokollierbare Zugriffe und eine eindeutige Trennung zwischen Analyse, Vorschlag und tatsächlicher Änderung.
Für diesen Beitrag kommt ein praktischer Vorteil hinzu: Die Demo-Umgebung arbeitet ausschließlich mit synthetischen Beispieldaten. Alle gezeigten Ergebnisse und Screenshots sind damit ohne Anonymisierungsrisiko veröffentlichbar.
Fazit
SAP Analytics Cloud und SAP Datasphere bilden zwei sich ergänzende Ebenen einer modernen Analytics-Landschaft. MCP erweitert dieses Bild um eine offene Verbindungsschicht – und die zeigt ihr Potenzial nicht nur beim Verstehen des Bestands, sondern entlang der gesamten Strecke: vom Betrieb über die Planung bis zum neuen Datenmodell.
Der entscheidende Erfolgsfaktor bleibt der Mensch: KI beschleunigt Diagnose, Vorbereitung und Umsetzung. Fachliche Bewertung, Qualitätskontrolle und Freigabe bleiben bei den Expert:innen.
Technischer Kontext: Die verwendeten MCP-Anbindungen für SAP Analytics Cloud und SAP Datasphere – GitHub-Link folgt nach interner Freigabe
Ansprechpartner:
