Data Science mit SAP HANA

Andreas Forster ist Principal Data Scientist im Global Center of Excellence der SAP Business Technology Platform (SAP BTP). Seit über 10 Jahren unterstützt er Unternehmen aus den verschiedensten Industrien und Regionen beim Einsatz von Data-Science-Methoden, von der Bedarfsanalyse bis zur Umsetzung. Zuvor hat er als technischer Experte an BI-Themen gearbeitet, was eine solide Grundlage für den praktischen Einsatz von Data-Science-Methoden geschaffen hat. Er wohnt in der Schweiz und hat einen M. Sc. in Statistics von der University of Sheffield, einen M. Sc. in Computing Science von der University of London und einen Diplom-Betriebswirt (FH) von der Fachhochschule Bielefeld.

Dr. Stojan Maleschlijski ist Principal Machine Learning Expert im Global Center of Excellence der SAP Business Technology Platform (SAP BTP). In seiner Rolle konzentriert er sich seit sechs Jahren auf Unternehmen aus der Auto-, Maschinenbau-, Manufacturing-, Öl- und Gasindustrie. Er unterstützt die Kunden dabei, Mehrwerte aus Ihren Geschäfts- und/oder IoT-Daten zu extrahieren und hilft bei der Optimierung ihrer Geschäftsprozesse durch KI- und ML-Technologien. Er promovierte an der Universität Heidelberg im Bereich der Naturwissenschaften mit einem Data-Science-Bezug und vertiefte seine Expertise anschließend als Postdoc an der University of California, San Francisco.

lt;br> Vorworte ... 11
Einleitung ... 15
1. Einführung ... 19

1.1 ... Themenabgrenzung ... 20
1.2 ... Data Science in der SAP-Welt ... 27

2. SAP HANA als Data-Science-Umgebung ... 37

2.1 ... SAP HANA ... 38
2.2 ... SAP HANA Client ... 64
2.3 ... Python-Entwicklungsumgebung ... 64

3. Erste Schritte ... 71

3.1 ... Python ... 71
3.2 ... Die R-Programmiersprache ... 84
3.3 ... Die SQL-Sprache für SAP HANA ... 89

4. Explorative Datenanalyse und Datenvorbereitung ... 99

4.1 ... Analyse einer Tabelle ... 100
4.2 ... Analyse einzelner Variablen ... 105
4.3 ... Analyse mehrerer Variablen ... 111
4.4 ... Datenvorbereitung ... 114

5. Automated Predictive Library ... 129

5.1 ... Einführung in die APL ... 131
5.2 ... Klassifizierung mit der APL ... 133
5.3 ... Regression mit der APL ... 173
5.4 ... Zeitreihen mit der APL ... 186
5.5 ... Weitere Informationen ... 211

6. Predictive Analysis Library ... 213

6.1 ... Einführung in die PAL ... 214
6.2 ... Klassifizierung mit der PAL ... 216
6.3 ... Regression mit der PAL ... 229
6.4 ... Zeitreihen mit der PAL ... 236
6.5 ... Cluster-Analyse ... 253
6.6 ... Survival Analysis ... 260
6.7 ... Ausreißeranalyse ... 282
6.8 ... Automated Machine Learning ... 289
6.9 ... State-enabled Deployment ... 299

7. Spezialisierte Analyse-Engines ... 301

7.1 ... Geodatenanalyse ... 302
7.2 ... Graphanalyse ... 317
7.3 ... Textanalyse ... 328

8. Deployment-Optionen ... 341

8.1 ... SAP Data Intelligence ... 342
8.2 ... Cloud Foundry ... 357
8.3 ... Kyma ... 363

9. Tipps und Tricks ... 377
Anhang ... 397
A. Checkliste ... 397
Die Autoren ... 401
Index ... 403

»Das Buch in seiner klaren Sprache, den gut nachvollziehbaren Darstellungen, die stets mit Praxisbeispielen hinterlegt sind, ist den von den Autoren angegebenen Zielgruppen sehr zu empfehlen.« Revisionspraxis PRev - Journal für Revision, IT-Sicherheit, SAP-Sicherheit und Datenschutz 202302

»Das Buch in seiner klaren Sprache, den gut nachvollziehbaren Darstellungen, die stets mit Praxisbeispielen hinterlegt sind, ist den von den Autoren angegebenen Zielgruppen sehr zu empfehlen.«

»Dieser Band thematisiert diesen Fortschritt [Entwicklung von Data Science vom Nischen- und Expertenthema zum Breitenthema] unter Einsatz und Nutzung von SAP HANA. Er versteht sich als praktischer Leitfaden, der vermitteln will, wie Unternehmen mit SAP HANA die Vorteile von Data Science nutzen können.«