SAP S/4HANA Brownfield-Konvertierung: die fünf häufigsten Fehler bei der Datenvalidierung

Publish date:

Für viele Unternehmen ist der Umzug bestehender SAP-Systeme nach SAP S/4HANA in diesem Jahr sehr stark in den Mittelpunkt gerückt. Dabei wird das Thema Datenvalidierung sehr häufig unterschätzt

Henrik Saterdag, Capgemini

Beim Wechsel auf SAP S/4HANA wählen viele Unternehmen eine System-Konvertierung, besser bekannt unter dem Begriff „Brownfield“. Dies ist unabhängig davon, ob der Kunde bei einer Lösung On Premise bleibt oder aber die S/4HANA Private Cloud Edition (PCE) wählt. Brownfield-Konvertierung bedeutet: das bisherige On Premise-ECC- wird konvertiert in ein SAP S/4HANA-System. Eines der Themen, die bei einer Konvertierung adressiert werden müssen, ist die Datenvalidierung. Wer dies nicht methodisch sauber geplant und automatisiert macht, verschenkt Geld und Zeit – und handelt sich Qualitätsprobleme ein. Wie sich die fünf häufigsten Fehler vermeiden lassen, möchte ich im Folgenden vorstellen.

Welche Rolle spielt die Datenvalidierung? Warum ist sie wichtig? Und welche Lösung bietet SAP an?

Es gibt für die Datenvalidierung seitens SAP keine standardisierte Lösung.

Doch zunächst zur Begriffsdefinition: Datenvalidierung ist nicht das gleiche wie Testen. Es gibt Überschneidungen, aber vereinfacht gesagt: beim Testen geht es darum, ob die Prozesse so funktionieren wie sie sollen, beispielsweise ob Belege angelegt und gebucht werden können oder die Integration ins SAP Business Warehouse (BW) funktioniert. Bei der Datenvalidierung geht es darum ob die Daten – Stammdaten ebenso wie transaktionale Daten – im System dem entsprechen, was basierend auf der Ausgangssituation zu erwarten gewesen wäre. Es geht also darum, ob etwa alle Belege aus SAP FI konvertiert wurden oder alle FI-Konten noch die gleichen Bilanzen haben.

Warum ist die Datenvalidierung wichtig? Weil eine SAP S/4HANA Brownfield-Konvertierung keine triviale Angelegenheit ist. Dazu kommt, dass jedes SAP-System seine eigenen Besonderheiten hat. Kurzum: es ist ein komplexes und kunden- bzw. systemspezifisches Projekt, jedes davon auf seine Art speziell. Und es läuft leider nicht per Autopilot. Daraus folgt, dass auch Fehler geschehen und beispielsweise Daten vergessen oder falsch konvertiert werden. Wer nach dieser Art von Fehlern nicht explizit sucht, der wird sie wahrscheinlich übersehen – was das Problem aber nicht kleiner macht. Einer der Unterschiede zwischen Testen und Datenvalidierung: wenn die Prozesse nicht mehr richtig funktionieren, dann merkt man das normalerweise sofort. Wenn hingegen Daten fehlen oder falsch sind, sind die Konsequenzen meist subtiler. Falsche Prognosen basierend auf falschen Verbrauchsdaten sind eine mögliche Folge. Oder die Konsequenzen treten verzögert auf, weil der Wirtschaftsprüfer aufgrund einer falschen Bilanz sein Testat verweigert.

Fünf Fehler bei der Datenvalidierung, die Sie vermeiden sollten

1. Das Thema zu spät und mit zu geringer Priorität behandeln: Eine Datenvalidierung sollte ebenso wie das Testen von Beginn an Teil der Projektplanung sein. Aus zwei Gründen. Erstens muss eine Datenvalidierung spezifiziert und entwickelt werden – auch ein Partner mit Erfahrung und einer erprobten Methodik schafft das nicht über Nacht. Zweitens liefert eine Datenvalidierung in einer Test-Konvertierung bereits wertvolle Erkenntnisse und hilft Fehler früher zu erkennen und zu beheben. Wer zu spät mit einer Datenvalidierung anfängt und dann den Fehlern hinterher rennen muss, hat schon fast verloren. Fehler können passieren. Fehler nicht oder erst zu spät zu erkennen und mit ihnen live zu gehen, ist hingegen problematisch.

2. Unzuverlässige Wirksamkeit, zu geringe Abdeckung: Was auch immer in der Konvertierung schief lief, muss von der Datenvalidierung zuverlässig erkannt und einer Analyse zugeführt werden. Häufig startet eine Konzeption bereits mit der Annahme, dass mehr als Stichproben-Prüfungen in einem gegebenen Downtime-Zeitfenster nicht möglich sind. Bei näherer Betrachtung stellt sich diese Annahme allerdings als falsch heraus – eine gute Methodik, unterstützt durch ein gutes Tool können innerhalb von wenigen Stunden ein Terrabyte-System komplett durchvalidieren.

3. Verzögerung des Projekts: Die Projektphasen dürfen durch Aktivitäten rund um die Datenvalidierung nicht belastet oder verzögert werden. Vielmehr müssen die Datenvalidierungen die Projektphasen unterstützen, indem sie die Lernkurve steiler machen. Sobald es an die Konvertierung der Produktivdaten geht, muss die Datenvalidierung schnell gehen. Business-Downtime is money, je nach Unternehmen und Industrie kann das auch mal eine Million Euro pro Stunde sein. Der Schlüssel zum Erfolg ist hierbei die Automatisierung. Bei der Datenvalidierung sollten die CPUs glühen und nicht die Köpfe.

4. Zu hoher Aufwand: Wer bei null anfängt und versucht, auf eigene Faust eine Strategie für die Datenvalidierung auf die Beine zu stellen, der steht vor einer Herkules-Aufgabe. Der Schlüssel zum Erfolg liegt auch hier im passenden Partner mit der nötigen Erfahrung, einer vordefinierten Grundlösung und einer erprobten Methodik. Die Einbindung der Fachbereiche kann auf ein Minimum reduziert werden und Aufgaben durch technische Lösungen übernommen werden.

5. Fehlende Flexibilität bei Änderungen des Projekt-Scope: Änderungen im Projekt-Scope sind eher die Regel als die Ausnahme. Wer eine Lösung zur Datenvalidierung implementiert, muss immer im Kopf behalten, dass sich die Projekt-Zielsetzung oder zumindest die Rahmenbedingungen ändern können. Vielleicht wird im Laufe des Projekts ein zusätzlicher Buchungskreis eingeführt, ein Werk geschlossen, ein globales System in mehrere lokale Systeme gesplittet. Tools und Methodik müssen darauf reagieren können. Ein ausgeklügeltes Regelwerk zur Überprüfung einer bestimmten Daten-Konstellation kann über Nacht wertlos werden, wenn die Logik hart-codiert in einem nur noch für den Autor verständlichen Code-Fragment abgelegt ist. Auch hier gilt deshalb, auf eine gute Methodik mit einem guten Tool zu setzen – welches die Logik modularisiert und sie so verwaltet, dass sie gut zu warten ist.

Auch wenn SAP keine Standard-Lösung für die Datenvalidierung bei einer SAP S/4HANA Brownfield-Konvertierung anbietet, muss deswegen niemand vor solch einem Projekt zurückschrecken. Schließlich ist der Wechsel für viele ein bedeutender Schritt, um langfristig wettbewerbsfähig zu bleiben. Doch auch ohne Standardlösung ist eine Datenvalidierung natürlich keineswegs optional. Die gute Nachricht ist: diejenigen, die frühzeitig planen, sinnvoll spezifizieren und weitgehend automatisieren, machen nicht nur ihren Auditor glücklich. Vielmehr halten sie sich, mit einem moderaten zusätzlichen Aufwand und ohne das Zeitfenster für Downtime-Aktivitäten zu sprengen, Probleme bei der Datenqualität vom Leib.

Stehen Sie beim Wechsel zu SAP S/4HANA noch an der Startlinie und sind sich nicht sicher, wie Sie die Datenvalidierung unter Kontrolle bekommen? Kontaktieren Sie mich!

 

Weitere Posts

Capgemini Invent

Zehn Wege, Ihre Geschäftsleistung mit Ihrer SAP S/4HANA®-Implementierung zu verbessern

Markus Jakob
Date icon Juli 30, 2020

S/4HANA Programmmanager stehen vor der Herausforderung in der digitalen Transformation...

Automatisierung

SAP S/4HANA: Automobilzulieferer haben nun die Cloud-Option

Joachim Skarpil
Date icon Juni 5, 2020

Viele Automobilzulieferer befinden sich seit langem in der digitalen Transformation und...