Accelerator SAP untuk proses order to cash adalah contoh penerapan fitur SAP Table Batch Source di Cloud Data Fusion. Akselerator membantu Anda memulai saat Anda membuat analisis dan proses pesanan hingga kas menyeluruh. Panduan ini mencakup contoh pipeline Cloud Data Fusion yang dapat Anda konfigurasikan untuk melakukan tugas berikut:
- Hubungkan ke sumber data SAP Anda.
- Lakukan transformasi pada data Anda di Cloud Data Fusion.
- Simpan data Anda di BigQuery.
- Menyiapkan analisis di Looker. Ini mencakup dasbor dan model ML, tempat Anda dapat menentukan indikator performa utama (KPI) untuk proses pesanan hingga kas.
Panduan ini menjelaskan contoh penerapan, dan cara memulai konfigurasi Anda.
Akselerator tersedia di lingkungan Cloud Data Fusion yang berjalan dalam versi 6.3.0 dan yang lebih baru.
Sebelum memulai
-
Sign in to your Google Account.
If you don't already have one, sign up for a new account.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Make sure that billing is enabled for your Google Cloud project.
-
Enable the Cloud Data Fusion and BigQuery APIs.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Make sure that billing is enabled for your Google Cloud project.
-
Enable the Cloud Data Fusion and BigQuery APIs.
- Download SAP Table Batch Source.
- Anda harus memiliki akses ke instance Looker dan mengaktifkan fitur lab marketplace untuk menginstal Blok Looker. Anda dapat meminta uji coba gratis untuk mendapatkan akses ke instance.
Keterampilan yang diperlukan
Menyiapkan akselerator SAP Order to Cash memerlukan keterampilan berikut:
- Keahlian dalam konfigurasi dan sistem ERP SAP on-premise
- Memahami Cloud Data Fusion
- Memahami BigQuery
- Pemahaman tentang Looker
- Memahami akun layanan dan kontrol akses Identity and Access Management (IAM)
- Pemahaman tentang analisis data, termasuk menulis kueri SQL
- Pemahaman tentang model data dimensi Kimball
Pengguna wajib
Konfigurasi yang dijelaskan di halaman ini memerlukan perubahan pada sistem SAP dan di Google Cloud. Anda perlu bekerja sama dengan pengguna berikut dari sistem tersebut untuk melakukan konfigurasi:
| Jenis pengguna | Deskripsi |
|---|---|
| Admin SAP | Administrator untuk sistem SAP Anda yang dapat mengakses situs layanan SAP untuk mendownload software. |
| Pengguna SAP | Pengguna SAP yang diberi otorisasi untuk terhubung ke sistem SAP. |
| Admin GCP | Administrator yang mengontrol akses IAM untuk organisasi Anda, yang membuat dan men-deploy akun layanan serta memberikan izin untuk Cloud Data Fusion, BigQuery, dan Looker. |
| Pengguna Cloud Data Fusion | Pengguna yang diberi otorisasi untuk mendesain dan menjalankan pipeline data di Cloud Data Fusion. |
| BigQuery Data Owner | Pengguna yang diberi otorisasi untuk membuat, melihat, dan mengubah set data BigQuery. |
| Developer Looker | Pengguna ini dapat menginstal Blok Looker melalui Marketplace.
Aplikasi harus memiliki izin develop, manage_model, dan
deploy. |
Peran IAM yang diperlukan
Dalam implementasi contoh akselerator, peran IAM berikut diperlukan. Anda mungkin memerlukan peran tambahan jika project Anda mengandalkan layanan Google Cloud lainnya.
- BigQuery Admin
(
roles/bigquery.admin) - BigQuery Data Owner
(
roles/bigquery.dataOwner) - Storage Object Viewer
(
roles/storage.objectViewer) - Cloud Data Fusion Runner
(
roles/datafusion.runner) harus diberikan ke akun layanan Dataproc
Ringkasan proses
Anda dapat menerapkan akselerator dalam project dengan langkah-langkah berikut:
- Konfigurasikan sistem SAP ERP dan instal transpor SAP yang disediakan.
- Siapkan lingkungan Cloud Data Fusion untuk menggunakan plugin SAP Table Batch Source.
- Membuat set data di BigQuery. Akselerator menyediakan set data contoh untuk tabel staging, dimensi, dan fakta.
- Konfigurasikan contoh pipeline Cloud Data Fusion dari akselerator untuk mengintegrasikan data SAP Anda.
- Dari Cloud Data Fusion Hub, deploy pipeline yang terkait dengan proses analisis pesanan ke kas. Pipeline ini harus dikonfigurasi dengan benar untuk membuat set data BigQuery.
- Hubungkan Looker ke project BigQuery.
- Instal dan deploy Blok Looker.
Untuk informasi selengkapnya, lihat Menggunakan plugin SAP Table Batch Source.
Set data sampel di BigQuery
Dalam contoh penerapan di akselerator ini, set data berikut dibuat di BigQuery.
| Nama set data | Deskripsi |
|---|---|
sap_cdf_staging |
Berisi semua tabel dari sistem Sumber SAP seperti yang diidentifikasi untuk proses bisnis tersebut. |
sap_cdf_dimension |
Berisi entitas dimensi utama seperti Dimensi Pelanggan dan Dimensi Material. |
sap_cdf_fact |
Berisi tabel fakta yang dihasilkan dari pipeline. |
Contoh pipeline di Cloud Data Fusion
Contoh pipeline untuk akselerator ini tersedia di Cloud Data Fusion Hub.
Untuk mendapatkan contoh pipeline dari Hub:
- Buka instance Anda:
Di konsol Google Cloud, buka halaman Cloud Data Fusion.
Untuk membuka instance di Cloud Data Fusion Studio, klik Instance, lalu klik View instance.
- Klik Hub.
- Pilih tab SAP.
- Pilih Pipeline. Halaman contoh pipeline akan terbuka.
- Pilih pipeline yang diinginkan untuk mendownloadnya.
Setiap pipeline berisi makro yang dapat Anda konfigurasi untuk dijalankan di lingkungan Anda.
Ada tiga jenis pipeline contoh:
- Pipeline lapisan staging: Set data staging dalam jenis
pipeline ini adalah pemetaan langsung ke tabel sumber asli di SAP. Contoh
pipeline lapisan staging memiliki nama yang merujuk ke tabel sumber
SAP dan tabel target BigQuery. Misalnya, pipeline bernama KNA1_Customer_Master merujuk ke Tabel Sumber SAP (
KNA1) dan tabel target BigQuery (CustomerMaster). - Pipeline lapisan dimensi: Set data lapisan dimensi dalam jenis
pipeline ini adalah versi yang diseleksi dan dioptimalkan dari set data staging yang
membuat dimensi dan fakta yang diperlukan untuk analisis. Contoh pipeline memiliki nama yang merujuk ke entity target dalam set data BigQuery target. Misalnya, pipeline yang disebut
customer_dimension merujuk ke entitas Dimensi Pelanggan di
set data BigQuery
sap_cdf_fact. - Pipeline lapisan fakta: Set data lapisan fakta adalah versi yang diseleksi dan
dioptimalkan dari set data staging yang membuat fakta yang
diperlukan untuk analisis. Contoh pipeline ini memiliki nama yang merujuk ke entitas target dalam set data BigQuery target.
Misalnya, pipeline bernama sales_order_fact mengirimkan data yang diseleksi ke
entitas Fakta Pesanan Penjualan di set data BigQuery yang sesuai, yaitu
sap_cdf_fact.
Bagian berikut merangkum cara membuat pipeline berfungsi di lingkungan Anda.
Mengonfigurasi pipeline lapisan staging
Ada dua langkah konfigurasi untuk pipeline staging:
- Konfigurasi sistem SAP sumber.
- Konfigurasikan set data dan tabel BigQuery target.
Parameter untuk plugin SAP Table Batch Source
Plugin SAP Table Batch Source membaca konten tabel atau tampilan SAP. Akselerator menyediakan makro berikut, yang dapat Anda ubah untuk mengontrol koneksi SAP secara terpusat.
| Nama makro | Deskripsi | Contoh |
|---|---|---|
${SAP Client} |
Klien SAP yang akan digunakan | 100 |
${SAP Language} |
Bahasa login SAP | EN |
${SAP Application Server Host} |
Nama server atau alamat IP SAP | 10.132.0.47 |
${SAP System Number} |
Nomor sistem SAP | 00 |
${secure(saplogonusername)} |
Nama Pengguna SAP | Untuk informasi selengkapnya, lihat Menggunakan Kunci Aman. |
${secure(saplogonpassword)} |
Sandi pengguna SAP | Untuk mengetahui informasi selengkapnya, lihat Menggunakan Kunci Aman. |
${Number of Rows to Fetch} |
Digunakan untuk membatasi jumlah data yang diekstrak. | 100000 |
Untuk mengetahui informasi selengkapnya, lihat Mengonfigurasi plugin.
Parameter untuk target BigQuery
Akselerator menyediakan makro berikut untuk target BigQuery.
Konfigurasi konektor target BigQuery
| Nama makro | Deskripsi | Contoh |
|---|---|---|
${ProjectID} |
ID project tempat set data BigQuery telah dibuat. | sap_adaptor |
${Dataset} |
Set data target | sap_cdf_staging |
Contoh pipeline yang digunakan untuk KPI pesanan hingga kas
Entitas bisnis utama berikut dalam proses pesanan hingga kas sesuai dengan contoh pipeline di akselerator. Pipeline ini mengirimkan data yang mendukung analisis tentang entitas ini.
| Entitas bisnis utama | Nama contoh pipeline yang sesuai |
|---|---|
Customer dapat berupa orang atau entitas tempat organisasi melakukan bisnis. Tiga tabel sumber SAP ini merekam detail tentang pelanggan yang berkaitan dengan bisnis. Informasi dari tabel ini
berkontribusi pada customer_dimension dalam
set data sap_cdf_dimension.
|
KNA1_CustomerMaster KNVV_CustomerSales KNVP_CustomerPartnerFunction |
Material adalah komoditas yang diperdagangkan antara
perusahaan dan pelanggannya. Informasi dari tabel sumber SAP ini
berkontribusi pada material_dimension dalam
set data sap_cdf_dimension.
|
MARA_MaterialMaster MARD_MaterialStorageLocation |
| Sub-proses pengelolaan pesanan dari proses pesanan hingga kas (saat sistem Anda menerima pesanan dari pelanggan). |
VBAK_SalesDocumentHeader VBAP_SalesDocumentItem VBEP_SalesDocumentSchedule |
| Subproses pengiriman dan pemenuhan pesanan. |
LIKP_DeliveryHeader LIPS_DeliveryItem |
| Sub-proses penerbitan invoice dan pembayaran pelanggan (saat pelanggan menerima invoice). |
VBRK_BillingHeader VBRP_BillingLineItem |
| Subproses piutang dan pelaporan (saat pembayaran dicatat dalam sistem Anda). | ACDOCA_UniversalJournalItem |
Semua pipeline staging Cloud Data Fusion
Contoh pipeline staging Cloud Data Fusion berikut tersedia di akselerator:
- KNA1_CustomerMaster
- KNVV_CustomerSales
- KNVP_CustomerPartnerFunction
- MARA_MaterialMaster
- MARD_MaterialStorageLocation
- VBAK_SalesDocumentHeader
- VBAP_SalesDocumentItem
- VBEP_SalesDocumentSchedule
- LIKP_DeliveryHeader
- LIPS_DeliveryItem
- ACDOCA_UniversalJournalItem
- VBRK_BillingHeader
- VBRP_BillingLineItem
- BSEG_AccountDocumentItem
- BSID_AccDocCustOpenItem
- BSAD_AccDocCustCloseItem
- T001_CompanyCodes
- T006A_UnitOfMeasure
- T024D_MRPControllers
- T042ZT_PaymentMethodText
- T189T_PriceListCategory
- TCURC_CurrencyCodes
- TCURT_CurrencyCodesText
- TCURW_ExchangeRateType
- TINCT_CustomerIncotermsText
- TVAKT_SalesDocumentType
- TVAPT_SalesDocumentItemCategory
- TVFST_BillingBlockReasonText
- TVLST_DeliveryBlockText
- TVTWT_DistributionChannelText
- MAKT_MaterialDescription
- T005T_CountryNames
- T005U_RegionText
- TVAST_SalesDocBlockReasonText
- T077X_AccountGroupName
- T134T_MaterialTypeDescription
- T023T_MaterialGroupDescription
- TSPAT_SalesDivisionText
- TVKOV_DistributionChannel
- TVTA_SalesArea
- TVKOT_SalesOrgText
- TVAUT_SalesDocumentOrderText
- TVSBT_ShippingConditionText
- TVAG_SalesDocRejectionReasons
- TVAGT_SalesDocRejectionReasonDescription
Mengonfigurasi pipeline lapisan dimensi
Anda dapat mengekstrak KPI dari tabel SAP sumber. Untuk menyiapkan data guna analisis, atur data dalam tabel sumber agar cocok dengan struktur skema tabel BigQuery.
Akselerator membuat empat contoh tabel berikut:
| Nama tabel | Deskripsi tabel |
|---|---|
| customer_dimension | Daftar* Pelanggan yang diseleksi dan fakta terkaitnya seperti klasifikasi pelanggan, hierarki pelanggan, dan informasi terkait penjualan pelanggan. |
| material_dimension | Daftar Materi yang diseleksi dan fakta terkait seperti nomor SKU, hierarki produk, dan klasifikasi. |
| sales_order_fact | Daftar informasi penjualan yang diseleksi seperti jenis pesanan, visibilitas status pesanan, jumlah pesanan, dan nilai pesanan. Kolom ini biasanya digabungkan untuk menghasilkan KPI pengelolaan pesanan seperti Pesanan Terbuka, Pesanan Dikonfirmasi, Pesanan Ditolak, dan Pesanan Ditagih. |
| revenue_fact | Informasi akuntansi mendetail yang dihasilkan oleh Penjualan Materi kepada Pelanggan. Berasal dari tabel Akuntansi, tabel fakta ini berisi informasi yang dapat memberikan insight melalui KPI Pendapatan, termasuk Penjualan kotor, Penjualan bersih sebelum Diskon, Penjualan bersih setelah Diskon, atau Tren. |
*Dalam konteks ini, daftar pilihan berasal dari logika bisnis yang diterapkan ke daftar kolom yang dipilih.
Akselerator membuat lapisan dimensi set data BigQuery menggunakan skrip SQL, yang dapat Anda ubah untuk project Anda. Misalnya, Anda dapat menyesuaikan skrip ini untuk menambahkan lebih banyak kolom ke entity set data BigQuery target.
Transformasi ke skema bintang: Nama pipeline eksekutor BigQuery
Pipeline eksekutor BigQuery berikut di Cloud Data Fusion memuat data ke dalam tabel dimensi dan fakta:
Semua pipeline transformasi dimensi:
customer_dimensionmaterial_dimensionsales_order_factrevenue_fact
Konfigurasi eksekutor BigQuery
| Nama makro | Contoh |
|---|---|
${ProjectID} |
sap_adaptor |
${StagingDatasetName} |
sap_cdf_staging |
${TargetDatasetName} |
sap_cdf_dimension |
Menghubungkan Looker ke project BigQuery
Untuk menghubungkan Looker ke BigQuery, lihat dokumentasi Looker tentang koneksi BigQuery.
Menginstal blok
Anda dapat mengakses SAP Looker Block di GitHub.
Looker Block menginstal model LookML yang telah dikonfigurasi sebelumnya dengan dua lingkungan Explore dan dua dasbor.
Langkah selanjutnya
- Pelajari Cloud Data Fusion lebih lanjut.
- Pelajari SAP di Google Cloud lebih lanjut.
- Pelajari BigQuery lebih lanjut.
- Pelajari Blok Looker lebih lanjut.