Migrer la couche sémantique SAP BO vers Power BI ou Looker

 

Migrer la

couche sémantique

SAP BO vers

Power BI ou Looker

La couche sémantique SAP BO existe depuis près de 30 ans

 

Il y a fort longtemps, Business Object (racheté par SAP ensuite) créait une révolution avec le concept de « couche sémantique » pour faciliter la compréhension et l'interprétation des données par les métiers : les fameux Objets, organisés dans des Univers. Un premier pas très audacieux vers ce qu’on n’appelait pas encore la « Self BI ».

 

Le monde de l’Analytics évolue. La montée en charge du Cloud et l’absence d’une roadmap très précise pour BO de la part de SAP, ont amené un certain nombre d’entreprises à envisager une migration d’outil à outil. Une migration particulièrement complexe. 

Or BO est une technologie éprouvée et robuste qui - avec sa (très) longue expérience de sa couche sémantique - a su organiser l'information dans les entreprises.   

 

L'idée est donc de permettre aux équipes de repartir rapidement d'une couche sémantique optimisée dans la technologie cible, pour pouvoir y bâtir en autonomie la couche de data visualisation de demain. 

 

Ellipsys a travaillé pour un grand groupe de distribution sur une migration de la couche sémantique d’une plateforme SAP BO vers Power BI et Looker.

Notre parti pris a été comme d'habitude d'automatiser la totalité du projet. 

 

Essentialiser la migration des Univers SAP BO

Se détacher du modèle physique de données des Univers : 

A l'instar des rapports produits, seule une petite partie de l'information exposée dans les Univers est réellement consommée.

{openAudit}, notre solution, permet d'identifier ce qui est vraiment utilisé par les utilisateurs BO en identifiant formellement les sources des dashboards SAP BO.

Cela permet de ne conserver que l'essentiel et de "gommer" une partie conséquente de la complexité de SAP BO. 

 

La migration

des

Univers SAP BO vers Looker 

{openAudit} permet de retranscrire les Univers SAP BO vers Looker en suivant cette logique : 

  • Les Objets sont définis en champs de vues Looker dans des Explore ; 
  • Toute la classification et la nomenclature des Objets est reproduite dans la cible ; 
  • Si besoin, l'intelligence "sémantique" est convertie en LookML. 

 

A l'inverse des univers BO, les Explores de Looker s'appuient principalement sur la notion de modèles en étoile ou en flocon. Notre moteur permet donc de décomposer la complexité des Univers en plusieurs modèles simples qui peuvent ensuite être réconciliés au niveau des rapports.

 

Les particularités propres aux univers telles que les notions de contexte d'analyse, d'agrégats, d'Objets imbriqués sont reprises avec les fonctionnalités natives de Looker et/ou avec du Liquid dans le LookML

 

La migration

des

Univers SAP BO vers Power BI 

 

Il n'y a pas vraiment de couche sémantique dans Power BI. Aussi, pour retranscrire la couche sémantique de SAP BO vers Power BI, {openAudit} reconstruit les modèles de données dans les Datasets des Power BI.

 

Nous pouvons considérer les Datasets comme la première couche d'exposition des données pour les utilisateurs Power BI. Cette couche propose une organisation simple de l'information métier en faisant abstraction des données physiques, à l'instar des Univers BO.

Une autre possibilité est d'organiser des "cubes" directement dans Azure SQL et/ou MSSQL pour proposer une organisation plus poussée de l'information de l'entreprise.

 

 
 

Conclusion 

 

Si comme d'autres, vous avez en projet de décommissionner SAP BO, la question de la couche sémantique viendra nécessairement sur le tapis. Ce sera peut-être même la clef de voûte de votre migration si le projet est de repartir sur des bases nouvelles, en permettant aux équipes de reconstruire la couche de data visualisation à leur main. 

Nous proposons ainsi de retranscrire automatiquement, et au forfait, la couche sémantique SAP BO vers Power BI ou Looker. Nous travaillons sur d'autres projets. 

 

PS : nous proposons par ailleurs des migrations "as is" complètes des rapports SAP BO et Power BI / Looker : y compris le layout et l'intelligence. 

 

 

 

A lire aussi : 

 

Passer de Teradata à BigQuery ? Automatiser le process !

Commentaires

Enregistrer un commentaire

Posts les plus consultés de ce blog

La Data Observabilité, Buzzword ou nécessité ?

Image
    La Data Observabilité,   Buzzword ou nécessité ?   La qualité des données utilisées dans les opérations quotidiennes a un rôle prépondérant pour les entreprises.    Une étude du Gartner de 2022 suggère que les "mauvaises données" coûtent aux organisations environ 12,9 millions de dollars par an.  Le Data Quality Hub du gouvernement britannique estime que les organisations consacrent entre 10 % et 30 % de leurs revenus aux problèmes de qualité des données, ce qui peut représenter des centaines de millions de dollars pour des entreprises de premier plan.  Dès 2016, IBM estimait que la mauvaise qualité des données coûtait aux entreprises américaines 3 100 milliards de dollars par an. ... Tout le monde souhaite s’appuyer sur des données intègres pour éviter des erreurs simples liées à des problèmes d’alimentation dans des flux, ou à des données mal organisées, répliquées, etc. Mais comment ?    Les techniques d' "observabilité des données" sont une option.     
Lire la suite

BCBS 239 : L'enjeu de la fréquence et de l'exactitude du reporting de risque

Image
  BCBS 239 :    L'enjeu de la fréquence et de l'exactitude du reporting de risque.  La BCE a publié un guide en juillet 2023 pour repréciser ses attentes dans le cadre de BCBS 239. Elle prévoit de renforcer le dispositif de supervision en matière de qualité des données.   L'objectif global de la norme BCBS 239 est de renforcer les capacités d'agrégation des données de risques des banques, et les pratiques internes de reporting de risques, améliorant ainsi les processus de gestion des risques et de prise de décision dans les banques. « La bonne information doit être à disposition pour les bonnes personnes et au bon moment ».   La mise en œuvre de BCBS 239 n'est a priori pas simple.   Pourquoi ? Malgré cette surveillance prudentielle accrue,  la BCE n’a toujours pas constaté de progrès suffisants en 2023 :  "le dispositif data quality et reporting risques ne reçoit pas encore le niveau d’attention approprié de la part des banques".   Nous avons beaucoup écha
Lire la suite

Le data lineage, l’arme idéale pour la Data Loss Prevention ?

Image
  Le data lineage technique couplé à la détection des usages de l’information permet de savoir au départ de n’importe quelle donnée, qui y accède finalement, et dans quel contexte. Et si c’était un grand pas vers une véritable sécurité informationnelle, une réponse simple et efficace pour la Data Leaks/Loss Prevention ?  La DLP (Data Leaks / Loss Prevention), c’est quoi ?   _______________________________________ « Le terme Data Loss/Leaks Prevention (DLP) fait référence à un ensemble de techniques qui permettent d’identifier, de contrôler et de protéger l’information grâce à des analyses de contenu approfondies, que l’information soit stockée, en mouvement, ou traitée . L’objectif est de limiter la fuite de données sensibles.  Une solution DLP est capable d’identifier les données sensibles, de repérer l’endroit où elle est stockée, de contrôler qui doit avoir accès à ces données et enfin de les protéger, c’est-à-dire d’empêcher toute personne non autorisée à y avoir accès… » W
Lire la suite