Scopri come SAP Business Data Cloud influisce su SAP BW, SAP Datasphere, analytics e pianificazione dell'AI nelle aziende italiane e cosa valutare prima dell'adozione.
L'Italia registra uno dei tassi più elevati nell'UE di utilizzo di servizi cloud a pagamento da parte delle imprese. Allo stesso tempo, le aziende stanno ampliando le iniziative di analytics e AI, aumentando la pressione sul modo in cui i dati operativi vengono collegati, governati e riutilizzati tra sistemi diversi.
SAP Business Data Cloud affronta questa esigenza all'interno dell'ecosistema SAP. SAP la presenta come una soluzione SaaS completamente gestita che unifica e governa i dati SAP, collega dati di terze parti e supporta scenari di analytics, pianificazione, data engineering e AI. Per i clienti SAP esistenti, le questioni pratiche riguardano soprattutto cosa cambia nell'architettura, cosa può rimanere invariato e in quali ambiti il valore offerto dalla piattaforma giustifichi l'adozione.
Perché SAP Business Data Cloud è rilevante oggi per le aziende italiane
Nel 2025, il 75,6% delle imprese italiane incluse nell'indagine ICT di Eurostat utilizzava servizi di cloud computing a pagamento, la seconda quota più alta nell'UE e 14,2 punti percentuali in più rispetto al livello registrato nel 2023, secondo Eurostat.
Questo dato non significa che la maggior parte delle aziende italiane disponga già di architetture dati cloud consolidate. Indica però che l'utilizzo di servizi cloud a pagamento è ormai diffuso. Per le aziende che stanno modernizzando i propri landscape SAP, integrazione, governance e riutilizzo dei dati diventano aspetti sempre più rilevanti.
L'AI aggiunge un'ulteriore dimensione. La Strategia Italiana per l'Intelligenza Artificiale 2024-2026 individua l'adozione da parte delle imprese come una delle quattro aree principali, insieme a ricerca, pubblica amministrazione e formazione. Per le aziende che sviluppano casi d'uso basati sull'AI, l'accesso ai dati rappresenta solo uno dei requisiti. Servono anche definizioni coerenti, responsabilità chiare e un contesto di business sufficiente affinché analytics, modelli e applicazioni possano interpretare correttamente le informazioni.
SAP Business Data Cloud utilizza un business data fabric per unificare e governare dati SAP e di terze parti preservando semantica di business, metadati, policy e contesto dei processi. Come spiega SAP nella panoramica del business data fabric, l'architettura supporta diversi pattern di integrazione, tra cui elaborazione batch, replica, streaming e federazione.
Per le aziende italiane, il valore pratico consiste nella possibilità di combinare gli asset dati esistenti con data product governati, analytics e funzionalità AI, decidendo al contempo quali elementi collegare, riutilizzare o modernizzare.
Cosa include SAP Business Data Cloud
SAP Business Data Cloud riunisce funzionalità di gestione dei dati, analytics e data engineering in un ambiente gestito. Secondo l'attuale portfolio SAP Business Data Cloud, le principali funzionalità ed estensioni includono SAP Datasphere, SAP Analytics Cloud, SAP Business Warehouse in Business Data Cloud, SAP Databricks, SAP Snowflake, data product gestiti da SAP e contenuti intelligenti.
Comprendere il ruolo di ciascun componente è importante perché l'adozione di SAP Business Data Cloud non rende irrilevanti né i data product SAP esistenti né gli investimenti già effettuati dai clienti. In molti casi, la piattaforma offre un modo per collegare, estendere o modernizzare ciò che è già presente.
Business data fabric e knowledge core
Il business data fabric fornisce una base governata che collega i dati aziendali distribuiti al relativo contesto di business. All'interno di questa architettura, SAP descrive il knowledge core come il livello centrale che collega dati, processi, policy, simulazioni e semantica per scenari di analytics e AI. L'architettura SAP Business Data Fabric è progettata per mantenere collegati l’accesso tecnico e il contesto di business quando i dati vengono riutilizzati in applicazioni, analytics e scenari AI.
SAP Datasphere
SAP Datasphere rimane un componente chiave di SAP Business Data Cloud. Supporta l'integrazione dei dati, la modellazione semantica, l'armonizzazione e i data product riutilizzabili, preservando il contesto di business tra fonti SAP e di terze parti.
Per le organizzazioni che utilizzano già SAP Datasphere, l'architettura più ampia di SAP Business Data Cloud aggiunge servizi gestiti e funzionalità complementari senza eliminare il ruolo che SAP Datasphere svolge già nell'integrazione e nella modellazione semantica.
SAP Analytics Cloud
SAP Analytics Cloud fornisce funzionalità di analytics e pianificazione all'interno del più ampio landscape SAP Business Data Cloud. Gli utenti business possono utilizzare dati governati tramite dashboard, reporting, pianificazione e applicazioni analitiche, mentre i modelli dati sottostanti rimangono collegati all'architettura complessiva.
Gli investimenti esistenti in SAP Analytics Cloud dovrebbero quindi essere valutati insieme ai livelli di dati e semantici che li supportano. Ricreare in una nuova architettura gli stessi estratti duplicati o le definizioni KPI in conflitto offrirebbe benefici limitati, anche se cambiasse il livello di visualizzazione.
SAP Databricks
SAP Databricks estende l'architettura al data engineering, alla data science, al machine learning e ai workload AI personalizzati. SAP fornisce un ambiente Databricks gestito e integrato nativamente in SAP Business Data Cloud. L'integrazione utilizza Delta Sharing per consentire un accesso bidirezionale zero-copy tra i data product SAP Business Data Cloud supportati e gli ambienti SAP Databricks.
Per le aziende i cui team dati operano oltre il reporting tradizionale, questo apre ulteriori possibilità per forecasting, analisi esplorativa dei dati, machine learning e applicazioni AI personalizzate. SAP documenta queste funzionalità nella panoramica di SAP Databricks e nella documentazione SAP Help dedicata a SAP Databricks. Per le aziende che utilizzano già un ambiente Databricks esterno, la questione consiste nel determinare quali workload possano beneficiare di una maggiore integrazione con SAP e quali sia invece preferibile lasciare nell'ambiente esistente.
SAP Snowflake
SAP Snowflake è disponibile come estensione di SAP Business Data Cloud e aggiunge funzionalità Snowflake per dati e AI in un ambiente gestito da SAP. Le organizzazioni dispongono così di un'ulteriore opzione per lavorare con i dati di business SAP all'interno della piattaforma più ampia continuando a utilizzare la tecnologia Snowflake.
Per le aziende che dispongono già di un ambiente Snowflake esterno, SAP Snowflake dovrebbe essere valutato sulla base dei workload esistenti, dei requisiti di integrazione e del valore derivante da una maggiore integrazione con SAP, senza considerarlo automaticamente un sostituto dell'ambiente attuale.
SAP Business Warehouse in Business Data Cloud
SAP Business Warehouse in Business Data Cloud offre un percorso di modernizzazione per i clienti con investimenti esistenti in SAP BW. Può rendere disponibili dati selezionati degli InfoProvider SAP BW sotto forma di data product cloud-ready e collegare i dati storici di BW con SAP Datasphere e SAP Databricks.
SAP posiziona SAP Business Warehouse in Business Data Cloud come un modo per preservare la logica di business utile presente in BW mentre si procede gradualmente verso un'architettura dati basata sul cloud. Per i clienti SAP con landscape SAP consolidati nel tempo, questo aspetto è particolarmente importante, poiché BW può contenere anni di logica di reporting, trasformazioni, gerarchie e regole di business.
Ricostruire questi asset senza una chiara motivazione di business o tecnica può aumentare i costi di migrazione senza generare un valore equivalente. Conviene invece individuare quali investimenti BW rimangono utili, quali richiedono una riprogettazione e quali possono essere dismessi man mano che il landscape dati evolve.
Come SAP Business Data Cloud modifica il landscape dati SAP esistente
Non esiste un unico percorso di transizione adatto a tutti i clienti SAP. Un'organizzazione che utilizza già SAP Datasphere parte da una situazione diversa rispetto a un'azienda il cui reporting dipende ancora fortemente da SAP BW 7.5. Entrambe, a loro volta, hanno esigenze diverse rispetto a un'impresa con una piattaforma lakehouse esterna già matura.
Il percorso di transizione più adatto dipende dall'architettura attuale, dal modello commerciale, dalle priorità di business e dai vincoli legati al ciclo di vita delle soluzioni.
Se utilizzate già SAP Datasphere
SAP dichiara che i clienti esistenti di SAP Datasphere e SAP Analytics Cloud possono continuare a utilizzare i propri servizi senza interruzioni e passare gradualmente a SAP Business Data Cloud, come descritto nella panoramica di Business Data Cloud.
La pianificazione della transizione dovrebbe quindi concentrarsi sul modello commerciale e sulle funzionalità aggiuntive che l'organizzazione intende utilizzare, senza partire dal presupposto che sia necessario ricostruire l'architettura. I clienti dovrebbero valutare contratti ed entitlement attuali insieme a opzioni quali data product gestiti da SAP, integrazione con SAP Databricks, modernizzazione di SAP BW e altri servizi SAP Business Data Cloud.
Se utilizzate già SAP Analytics Cloud
Per i clienti SAP Analytics Cloud, la principale questione architetturale riguarda i livelli dati e semantici alla base di analytics e pianificazione. I servizi esistenti possono continuare a essere utilizzati, mentre SAP Business Data Cloud può ampliare le modalità con cui i dati vengono forniti, governati, modellati e condivisi.
È anche un'occasione per riesaminare l'architettura di reporting. Le dashboard basate su estratti duplicati, metriche ricostruite localmente o versioni concorrenti dello stesso KPI possono beneficiare maggiormente di miglioramenti al modello dati sottostante che di modifiche al livello di visualizzazione.
Se SAP BW rimane centrale per il reporting
I clienti SAP BW possono trovarsi di fronte a decisioni diverse in materia di roadmap a seconda del prodotto e della release utilizzati. Per SAP NetWeaver BW 7.5, la manutenzione mainstream prosegue fino al 31 dicembre 2027, con manutenzione estesa opzionale disponibile fino al 31 dicembre 2030. SAP BW/4HANA segue una roadmap diversa, con supporto previsto almeno fino al 2040 attraverso release successive, secondo la strategia di manutenzione pubblicata da SAP.
SAP ha inoltre introdotto un percorso di modernizzazione tramite Business Data Cloud per gli ambienti SAP BW idonei, offrendo ai clienti che soddisfano i requisiti una finestra di transizione aggiuntiva oltre l'orizzonte standard di manutenzione di SAP NetWeaver BW 7.5. Questa opzione deve essere valutata separatamente rispetto alla tempistica standard di manutenzione, poiché si applicano requisiti di idoneità e prerequisiti di deployment.
L'approccio SAP alla modernizzazione di BW con Business Data Cloud mira a preservare gli investimenti ancora rilevanti senza imporre una ricostruzione completa. Alcuni modelli BW possono contenere logiche di business che vale la pena mantenere. Altri possono richiedere una riprogettazione perché il processo sottostante è cambiato, il requisito di reporting non esiste più oppure il modello duplica funzionalità disponibili altrove.
SAP Business Warehouse in Business Data Cloud può rendere disponibili i dati di InfoProvider SAP BW selezionati sotto forma di data product riutilizzabili. Questo consente un percorso di modernizzazione graduale nel quale gli investimenti esistenti continuano a generare valore mentre nuovi casi d'uso di analytics e AI vengono spostati verso l'architettura target.
Se disponete già di una piattaforma dati cloud
Molte grandi aziende operano in landscape dati eterogenei che includono ambienti Snowflake o Databricks esterni, servizi hyperscaler, data lake e piattaforme analitiche specialistiche. SAP Business Data Cloud dovrebbe quindi essere valutato come parte di questa architettura, senza presumere che debba sostituirla.
SAP supporta diversi modi per collegare piattaforme dati esterne, tra cui federazione, replica, streaming e, dove supportata, condivisione zero-copy tramite le funzionalità del business data fabric. Il modello appropriato dipende dai requisiti di latenza, capacità di elaborazione e governance. Alcuni dati possono rimanere nei sistemi di origine, altri possono essere federati o resi disponibili come data product governati, mentre altri dataset possono richiedere replica, streaming o trasformazione in altri ambienti.
Dove SAP Business Data Cloud può ridurre concretamente gli attriti legati ai dati
Il valore pratico di SAP Business Data Cloud emerge con maggiore chiarezza quando l'analisi parte dai problemi ricorrenti nella gestione dei dati aziendali e non da un semplice elenco di funzionalità del prodotto.
I dati SAP possono perdere il contesto di business dopo l'estrazione
Una misura dei ricavi può dipendere da una specifica logica contabile, mentre una gerarchia dei materiali può riflettere strutture definite dall'azienda. Anche classificazioni dei clienti, relazioni organizzative e stati di processo possono contenere definizioni difficili da ricostruire correttamente al di fuori dell'ambiente di origine.
I data product gestiti da SAP forniscono dati curati con contesto e semantica di business SAP. I data product gestiti dal cliente possono invece preservare significati specifici dell'organizzazione quando vengono modellati e governati in modo appropriato.
Le funzioni aziendali utilizzano definizioni diverse
Una piattaforma non può definire le metriche di business al posto dell'organizzazione. Le funzioni Finance, Sales e Operations possono adottare definizioni diverse per concetti quali cliente attivo, vendite nette, consegna puntuale o capitale circolante.
Una volta concordate definizioni condivise tra i responsabili di business, SAP Business Data Cloud può contribuire a modellarle e distribuirle in modo coerente. Modelli semantici e data product riutilizzabili possono quindi supportare diversi scenari downstream senza costringere ogni team di analytics a ricreare la stessa logica.
Una singola decisione dipende da dati SAP e non SAP
Molti scenari analitici utili attraversano i confini tra applicazioni. Un'azienda manifatturiera può combinare ordini ERP, dati di stabilimento, letture di sensori, informazioni sui fornitori e dati logistici. Finance può utilizzare transazioni SAP insieme a informazioni di pianificazione o indicatori esterni.
Le analisi sui clienti possono richiedere dati ERP insieme a dati provenienti da CRM, piattaforme e-commerce e sistemi di assistenza. SAP Business Data Cloud supporta fonti SAP e di terze parti, ma il pattern di integrazione dovrebbe essere scelto in base al caso d'uso, come illustrato da SAP nella spiegazione di come funziona Business Data Cloud.
Uno scenario operativo a bassa latenza può utilizzare streaming, integrazione basata su eventi, replica o un altro pattern di accesso adeguato ai requisiti di latenza. Il reporting direzionale può invece privilegiare modelli semantici governati, definizioni coerenti e cicli di aggiornamento prevedibili, mentre i workload di machine learning possono richiedere dataset storici e trasformazioni aggiuntive.
I team dati continuano a creare nuove copie
La duplicazione dei dati tende spesso a crescere in modo graduale. Un team ha bisogno di un report, un altro richiede un dataset per il machine learning e un terzo costruisce un modello di pianificazione. Ognuno finisce quindi per creare una propria estrazione.
Nel tempo, l'organizzazione può ritrovarsi con più versioni degli stessi dati di origine, aggiornate in momenti diversi e trasformate secondo logiche differenti. SAP Business Data Cloud può contribuire a ridurre gli spostamenti di dati non necessari e a rendere gli asset governati più facilmente riutilizzabili tra team e workload.
Dall'analytics all'AI: cosa cambia quando il contesto di business diventa essenziale
Con l'espansione dell'AI in azienda, i problemi dati irrisolti possono coinvolgere un numero maggiore di utenti e processi, perché modelli e agenti AI possono riutilizzare gli stessi dati di base. Consentire semplicemente a un workload AI di accedere a più tabelle non risolve le incoerenze nelle definizioni, nella data lineage o nel contesto di business.
Fornire all'AI il contesto di business
La sfida specifica dell'AI consiste nel garantire un'interpretazione coerente su larga scala. Un modello che utilizza dati di vendita, stock, consegne e clienti necessita comunque di definizioni condivise per concetti come vendite completate, stock disponibile e gerarchie dei clienti o dell'organizzazione.
SAP Business Data Cloud rende disponibile questo contesto attraverso modelli semantici governati, metadati, relazioni e data product, come descritto nella panoramica di Business Data Cloud. Modelli e agenti possono quindi lavorare a partire da una base di business comune senza dover ricostruire gli stessi concetti aziendali separatamente per ogni caso d'uso.
Data engineering e AI con SAP Databricks
SAP Databricks offre ai data scientist e ai data engineer l'accesso alle funzionalità di Databricks all'interno dell'ambiente SAP Business Data Cloud. Questo può ridurre parte delle attività di estrazione e preparazione quando i data product SAP sono già disponibili in una forma utilizzabile, anche se i workload di machine learning possono comunque richiedere data cleansing, feature engineering e trasformazioni specifiche per lo scenario.
Per le organizzazioni con una funzione di data science già consolidata, la decisione architetturale consiste nello stabilire se un workload possa beneficiare dell'integrazione gestita da SAP o debba rimanere sulla piattaforma esterna già in uso. La scelta dipende dall'accesso ai dati, dai requisiti di elaborazione, dalla governance e dall'architettura analytics complessiva.
SAP Business AI Platform e Joule
Da SAP Sapphire 2026, SAP posiziona SAP Business Data Cloud come fondamento dei dati di SAP Business AI Platform, che riunisce dati di business, contesto dei processi, funzionalità AI e governance all'interno di un'architettura AI aziendale più ampia.
In questo modello, SAP Business Data Cloud e il relativo knowledge core forniscono un contesto di business governato per analytics, applicazioni AI e Joule Agents.
Una base dati governata rappresenta solo una parte di un'implementazione AI. I team devono comunque definire il processo di business, scegliere un approccio AI appropriato, stabilire dove sia necessaria la revisione umana, testare gli output, controllare gli accessi e monitorare la soluzione implementata.
Data governance nel contesto normativo italiano ed europeo sull'AI
La governance comprende anche una dimensione normativa. L'EU AI Act si applica in linea generale dal 2 agosto 2026, mentre diversi requisiti seguono tempistiche di applicazione specifiche, comprese date successive per determinati sistemi ad alto rischio, come spiegato dall'AI Act Service Desk della Commissione europea.
L'Italia ha inoltre adottato la Legge n. 132/2025, che stabilisce principi nazionali e misure di governance in materia di intelligenza artificiale nel quadro del diritto dell'UE. La legge è entrata in vigore il 10 ottobre 2025.
Per le aziende, questo contesto normativo rafforza la necessità di sapere quali dati utilizza un caso d'uso AI, da dove provengono, chi può accedervi e quali controlli si applicano. SAP Business Data Cloud può supportare alcuni elementi di questa base di governance attraverso metadati, semantica, gestione degli accessi, data lineage e data product governati, ma non rende di per sé conforme un sistema AI. Gli obblighi legali dipendono dal sistema, dal ruolo dell'organizzazione, dall'uso previsto, dai dati coinvolti e dai requisiti normativi applicabili.
Cosa SAP Business Data Cloud non elimina
Una nuova architettura dati non può correggere ogni debolezza presente nell'ambiente informativo sottostante. Una scarsa qualità dei dati anagrafici continua a produrre risultati analitici di scarsa qualità. Record incoerenti relativi a clienti, materiali, fornitori o strutture organizzative non diventano accurati semplicemente perché vengono collegati a una piattaforma governata.
SAP Business Data Cloud non elimina inoltre la necessità di autorizzazioni e controlli degli accessi, controlli sulla privacy, policy di conservazione, classificazione dei dati, testing o un modello operativo chiaramente definito. Queste responsabilità devono continuare a essere gestite nell'ambito più ampio della governance SAP e dei dati.
Pianificare il passaggio a SAP Business Data Cloud
Nei landscape aziendali complessi, un programma SAP Business Data Cloud articolato per fasi può ridurre i rischi legati all'ambito del progetto e all'architettura rispetto a un'adozione gestita come un unico grande progetto di piattaforma. La sequenza varia da azienda a azienda, ma le decisioni di base tendono a essere simili.
1. Valutare il landscape dati attuale
Iniziate documentando i sistemi che forniscono, trasformano e utilizzano i dati di business più importanti. A seconda dell'organizzazione, possono includere:
- SAP S/4HANA o SAP ERP
- SAP BW 7.5 o SAP BW/4HANA
- SAP Datasphere e SAP Analytics Cloud
- Ambienti standalone SAP HANA o SAP HANA Cloud, ove applicabile
- Ambienti Snowflake o Databricks esterni e servizi dati hyperscaler
- Piattaforme per manufacturing, IoT, CRM e altre attività operative
- Provider di dati di terze parti
- Livelli di integrazione personalizzati, database locali e applicazioni di reporting
L'inventario dovrebbe comprendere anche modelli analitici, trasformazioni, interfacce, business owner, report critici e sistemi o utenti che utilizzano i dati a valle. Anche una migrazione tecnicamente riuscita può compromettere report, interfacce o processi analitici se vengono trascurate dipendenze importanti.
2. Decidere cosa mantenere, migrare, riprogettare, consolidare o dismettere
Il passo successivo consiste nel classificare gli asset esistenti in base al trattamento richiesto. Alcuni possono rimanere sostanzialmente invariati, mentre altri possono richiedere migrazione, riprogettazione o consolidamento. Gli asset che non supportano più un requisito di business rilevante possono essere candidati alla dismissione.
Un ambiente SAP BW maturo rende bene l'idea: alcuni modelli possono contenere anni di logica validata e conservare un valore significativo, mentre altri possono esistere esclusivamente a causa di vincoli tecnici che oggi non si applicano più. La stessa valutazione dovrebbe riguardare gli spazi SAP Datasphere, i modelli SAP Analytics Cloud, le integrazioni personalizzate e le pipeline esterne. È anche il momento giusto per individuare trasformazioni duplicate e definizioni di business in conflitto prima che vengano trasferite nell'architettura target.
3. Definire le priorità per domini dati e casi d'uso
Fare dell'implementazione di SAP Business Data Cloud il primo obiettivo non permette di definire criteri di successo sufficientemente chiari. Un primo ambito più concreto potrebbe riguardare il consolidamento delle analytics sulla redditività, la disponibilità dei dati della supply chain per il forecasting, la modernizzazione di una specifica area di reporting BW o la preparazione di dati di manutenzione governati per un caso d'uso AI.
Un caso d'uso ben definito stabilisce quali dati servono, chi ne è responsabile, con quale frequenza devono essere aggiornati e quale risultato di business o operativo misurabile dovrebbe migliorare. Il team di architettura dispone così di una base concreta per decidere quali funzionalità siano realmente necessarie.
4. Definire l'architettura target
L'architettura target dovrebbe definire dove rimangono i dati che costituiscono la fonte autorevole, quali modelli semantici devono essere condivisi, quali elementi diventano data product riutilizzabili e quale pattern di integrazione si applica a ciascun workload.
Dovrebbe inoltre specificare il pattern di integrazione selezionato per ciascun workload e spiegare in che modo tale scelta supporta i requisiti di performance, governance e costo per reporting, pianificazione, machine learning e scenari operativi.
5. Definire la governance man mano che la piattaforma cresce
Quando i data product vengono riutilizzati in reporting, pianificazione e AI, responsabilità e processi di change control devono diventare espliciti. Ciò comprende ownership dei dati e dei sistemi sorgente, regole di qualità dei dati, diritti di accesso, data lineage, retention, processi di approvazione delle definizioni condivise e utilizzo responsabile negli scenari AI.
La governance può maturare progressivamente con l'espansione della piattaforma. L'aspetto essenziale è che i team sappiano chi può approvare le modifiche, risolvere i problemi di qualità e gestire gli asset dati condivisi prima che vengano riutilizzati su larga scala.
6. Estendere l'adozione per fasi
Una volta stabilizzato l'ambito iniziale, l'architettura può essere estesa ad altri data product, domini di business e casi d'uso. Un'azienda può iniziare dalla modernizzazione di BW e passare successivamente ad analytics cross-system e AI. Un'altra può disporre già di un ambiente analytics moderno e partire da un data product SAP per uno specifico scenario di data science.
Ogni fase dovrebbe produrre evidenze operative sufficienti per perfezionare l'architettura prima di ampliare ulteriormente l'ambito del progetto. In questo modo è più semplice adeguare le decisioni relative all'integrazione, alla governance e alla collocazione dei workload prima che vengano consolidate nell'intero landscape.
Come LeverX aiuta le aziende italiane a definire la roadmap SAP Business Data Cloud più adatta
I progetti SAP Business Data Cloud si collocano all'intersezione tra investimenti SAP esistenti, architettura dati, analytics e AI. Per questo la valutazione iniziale assume particolare importanza: il valore della piattaforma dipende in larga misura da ciò che è già presente nel landscape.
LeverX aiuta le aziende a esaminare l'ambiente attuale, individuare le dipendenze e definire il ruolo di SAP Business Data Cloud nella strategia dati complessiva. Le attività possono comprendere architetture basate su SAP Datasphere e SAP Analytics Cloud, modernizzazione di SAP BW, integrazione SAP e non SAP, data modeling, governance, integrazione, scenari architetturali che coinvolgono SAP Databricks, SAP Snowflake e piattaforme dati esterne, oltre alla preparazione dei dati aziendali per analytics e AI.
Per le organizzazioni con investimenti rilevanti in BW, la roadmap può distinguere la logica di business da preservare dai workload da migrare, riprogettare o dismettere. Le aziende che utilizzano già SAP Datasphere, SAP Analytics Cloud, ambienti esterni di Snowflake o Databricks oppure altre piattaforme dati enterprise possono concentrarsi invece su coesistenza, integrazione e funzionalità in grado di offrire un valore aggiunto sufficiente a giustificare il cambiamento. L'implementazione può quindi procedere per dominio, funzionalità o caso d'uso, con architettura, governance e procedure operative validate prima di ampliare l'ambito.
