* 의미론적 온보딩: 의미론적 온보딩은 데이터 모델과 그 의미를 한 시스템에서 다른 시스템으로 전송하는 프로세스를 말합니다(예: SAP BW/4HANA 또는 SAP S와 같은 온프레미스 시스템에서).
/4HANA에서 SAP Datasphere와 같은 클라우드 기반 시스템으로의 마이그레이션을 지원합니다. 이를 통해 전송 중에 데이터의 의미적 맥락이 보존됩니다.
* 모델 전송: 모델 전송은 소스 시스템에서 데이터 모델을 내보내고 대상 시스템으로 가져오는 과정입니다. 온프레미스와 클라우드 환경 간의 원활한 통합을 지원합니다.
* SAP Datasphere: SAP Datasphere(이전 명칭: SAP Data Warehouse Cloud)는 데이터 모델링, 통합 및 분석을 위한 클라우드 기반 솔루션입니다. SAP BW/4HANA 및 SAP S/4HANA를 포함한 다양한 소스에서 모델을 가져올 수 있습니다.
* A. SAP BW/4HANA 모델 전송은 SAP Datasphere에서 모델을 생성하기 위해 BW 쿼리를 활용합니다.
이 설명은 틀렸습니다. SAP BW/4HANA 모델 전송은 SAP Datasphere로 데이터 모델을 전송할 수 있지만, 모델 생성을 위해 BW 쿼리를 사용하지 않습니다. 대신 기본 메타데이터와 구조(예: InfoProvider, 변환)를 직접 전송합니다.
* B. 모델 전송은 온프레미스 환경에서 클라우드로 역으로 활용할 수 있습니다. 이 설명은 맞습니다. 모델 전송은 온프레미스 시스템(예: SAP BW/4HANA)과 클라우드 기반 시스템(예: SAP Datasphere) 간의 양방향 모델 이동을 지원합니다. 이러한 유연성 덕분에 조직은 온프레미스 환경과 클라우드 환경을 원활하게 통합할 수 있습니다.
* C. SAP BW 브리지 모델 전송은 BW 모델링 도구를 활용하여 엔터티를 네이티브 SAP Datasphere로 가져옵니다. 이 설명은 틀렸습니다. SAP BW 브리지는 주로 SAP BW를 연결하는 데 사용됩니다.
/4HANA와 SAP Datasphere를 함께 사용하지만, BW 모델링 도구를 활용하여 SAP Datasphere로 엔터티를 가져오지는 않습니다. 대신 실시간 데이터 복제 및 가상 액세스를 지원하는 데 중점을 둡니다.
* D. SAP S/4HANA 모델 전송은 SAP Datasphere에서 모델을 생성하기 위해 ABAP CDS 뷰를 활용합니다.: 이 설명은 정확합니다. SAP S/4HANA 모델 전송은 SAP Datasphere에서 모델을 생성하기 위해 ABAP Core Data Services(CDS) 뷰를 사용합니다. ABAP CDS 뷰는 SAP S/4HANA에서 데이터의 의미적 정의를 캡슐화하므로 모델을 클라우드로 전송하는 데 이상적입니다.
* B: 모델 전송은 온프레미스와 클라우드 환경 간의 양방향 이동을 지원하여 하이브리드 환경에서의 유연성을 보장합니다.
* D: ABAP CDS 뷰는 SAP S/4HANA의 의미 계층의 핵심 구성 요소이며, 모델을 SAP Datasphere로 전송하는 데 중요한 역할을 합니다.
참조: SAP Datasphere 문서: 공식 문서에서는 모델 전송 기능과 양방향 이동 지원에 대해 간략하게 설명합니다.
의미적 온보딩에 대한 SAP 참고 사항: 3089751과 같은 참고 사항은 모델이 시스템 간에 전송되는 방법에 대한 세부 정보를 제공합니다.
하이브리드 통합을 위한 SAP 모범 사례: 이 가이드라인은 SAP Datasphere에서 모델을 생성하기 위해 ABAP CDS 뷰를 사용하는 방법을 강조합니다.
모델 전송을 활용하면 조직은 온프레미스 및 클라우드 환경에서 데이터 모델의 원활한 통합을 보장할 수 있습니다.

SAP BW에서 효율적인 보고 및 분석을 보장하려면 BW 쿼리 성능을 최적화하는 것이 중요합니다.
/4HANA. 각 옵션을 분석하여 B, C, D가 왜 옳은지 확인해 보겠습니다.
* 설명: BW 쿼리의 초기 뷰에 드릴다운 특성을 너무 많이 포함하면 성능에 상당한 영향을 미칠 수 있습니다. 특성이 추가될 때마다 쿼리의 복잡성과 검색되는 데이터 양이 증가하여 응답 시간이 느려집니다. 초기 뷰의 특성 수를 제한하면 사전에 처리되는 데이터 양이 줄어들어 쿼리 성능이 향상됩니다.
* SAP BW/4HANA에서는 초기 뷰에서 최소한의 특성 집합으로 쿼리를 설계하고 사용자가 필요에 따라 동적으로 드릴다운을 추가할 수 있도록 하는 것이 모범 사례입니다.
2. 필수 특성값 변수 사용(옵션 C) 설명: 필수 특성값 변수는 사용자가 쿼리를 실행하기 전에 필터 값을 지정하도록 합니다. 이렇게 하면 시스템이 필터링된 데이터 하위 집합만 처리하므로 쿼리에서 검색되는 데이터 양이 줄어듭니다. 필수 변수가 없으면 쿼리가 불필요하게 큰 데이터 세트를 검색하여 성능 저하를 초래할 수 있습니다.
참고: SAP BW/4HANA는 단일 값, 다중 값, 간격 변수 등 필수로 지정할 수 있는 변수 유형을 제공합니다. 이러한 변수는 데이터 범위를 좁혀 쿼리 실행을 최적화하는 데 도움이 됩니다.
3. 필터 제한 내에서 포함 모드 사용(옵션 D) 설명: 필터 제한의 "포함 모드"는 지정된 값만 쿼리 결과에 포함되도록 합니다. 이는 시스템이 가능한 모든 값을 평가하고 지정된 값을 제외해야 하는 "제외 모드"를 사용하는 것보다 효율적입니다. 포함 모드를 사용하면 계산 오버헤드가 줄어들고 쿼리 성능이 향상됩니다.
참고: SAP BW/4HANA에서는 가능한 경우 필터에 포함 모드를 사용할 것을 권장합니다. 이를 통해 필터링 논리가 간소화되고 성능이 향상됩니다.
4. 연결된 구성 요소 생성(옵션 A) 설명: 연결된 구성 요소는 구조나 수식과 같은 재사용 가능한 쿼리 요소를 생성하는 데 사용되지만 쿼리 성능에 직접적인 영향을 미치지는 않습니다. 연결된 구성 요소는 유지 관리 용이성과 일관성을 향상시키지만 성능 최적화 기술은 아닙니다.
참고: 연결된 구성 요소는 기본적으로 디자인 타임 기능이며 런타임 쿼리 실행에 영향을 미치지 않습니다.
5. 재사용 가능한 필터에 역참조 옵션 사용(옵션 E) 설명: 재사용 가능한 필터에 대한 역참조 옵션을 사용하면 여러 쿼리에서 필터를 재사용할 수 있습니다. 하지만 이것이 본질적으로 쿼리 성능을 향상시키지는 않습니다. 성능에 미치는 영향은 재사용 메커니즘 자체가 아니라 필터가 정의되고 적용되는 방식에 따라 달라집니다.
참고: 재사용 가능한 필터는 중복성을 줄이기 위한 디자인 타임 기능이지만, 쿼리 실행을 직접적으로 최적화하지는 않습니다.
결론 정답은 B(초기 뷰에 드릴다운 특성을 적게 포함), C(필수 특성 값 변수 사용), D(필터 제한 내에서 포함 모드 사용)입니다. 이러한 권장 사항은 데이터 볼륨을 줄이고 필터링 로직을 최적화하여 쿼리 성능을 직접적으로 개선합니다.

SAP BW/4HANA에서 데이터 저장소 객체(고급)를 생성할 때 "데이터 마트 데이터 저장소 객체" 모델링 속성을 선택하면 보고 및 분석에 맞는 특정 동작이 정의됩니다. 이 유형의 데이터 저장소 객체는 데이터 마트로 사용하도록 최적화되어 있습니다. 즉, 보고 도구에서 사용할 수 있도록 집계되거나 정리된 데이터를 저장하도록 설계되었습니다.
* 쿼리 결과는 데이터가 활성화된 경우에만 표시됩니다(B): 데이터 마트 데이터 저장소 개체에서 데이터는 보고에 사용 가능해지기 전에 명시적으로 활성화되어야 합니다. 이를 통해 일관되고 검증된 데이터만 최종 사용자에게 노출됩니다. 활성화 프로세스 중:
* 데이터는 인바운드 테이블에서 활성 테이블로 이동됩니다.
* 오류나 불일치 사항은 데이터를 쿼리할 수 있게 되기 전에 해결됩니다.
* DataStore 객체에 대해 실행된 쿼리는 활성 테이블의 결과만 표시하므로 안정적이고 정확한 보고가 보장됩니다.
* 보고는 인바운드 활성 테이블의 합집합을 기반으로 수행됩니다(C): Data Mart DataStore 객체는 여러 인바운드 테이블을 지원하며, 이를 통해 서로 다른 소스 또는 파티션의 데이터를 저장할 수 있습니다. 보고 목적으로, 시스템은 이러한 인바운드 활성 테이블의 합집합을 수행하여 데이터에 대한 통합된 뷰를 제공합니다. 이 동작은 여러 소스의 데이터를 단일 보고 계층으로 통합할 때 특히 유용합니다.
"데이터 마트 데이터 저장소 개체" 모델링 속성에 대한 특정 동작:
* A. 변경 로그 테이블은 데이터 활성화 후에만 채워집니다. 이 설명은 잘못된 것입니다. 변경 로그 테이블은 데이터 마트 데이터 저장소 객체의 기능이 아니기 때문입니다. 변경 로그는 일반적으로 스테이징 및 보고 데이터 저장소 객체(Stard) 또는 자세한 변경 사항을 추적하는 다른 유형의 데이터 저장소 객체와 연결됩니다. 반면, 데이터 마트 데이터 저장소 객체는 자세한 변경 내역을 유지하지 않고 보고를 위해 집계되고 정리된 데이터를 제공하는 데 중점을 둡니다.
* D. 레코드는 모든 특성이 키에 있는 것처럼 처리됩니다. 이 설명 역시 틀렸습니다. 데이터 마트 데이터 저장소 객체에서는 레코드가 모든 특성이 키의 일부인 것처럼 처리되지 않습니다. 대신, 키 구조는 모델링 과정에서 명시적으로 정의되며, 지정된 키 필드만 고유 레코드를 식별하는 데 사용됩니다. 모든 특성을 키의 일부로 처리하는 것은 스테이징 또는 운영 보고에 사용되는 객체와 같은 다른 유형의 데이터 저장소 객체와 관련된 동작입니다.
잘못된 옵션:
SAP 데이터 엔지니어 - 데이터 패브릭 컨텍스트: SAP 데이터 엔지니어 - 데이터 패브릭 컨텍스트에서 다양한 데이터 저장소 객체 유형의 동작을 이해하는 것은 효율적이고 확장 가능한 데이터 모델을 설계하는 데 필수적입니다. 데이터 마트 데이터 저장소 객체는 보고 및 분석을 위해 특별히 설계되어 데이터 패브릭 아키텍처의 핵심 구성 요소입니다. 이 모델링 속성은 쿼리 결과가 활성화된 후에만 표시되도록 하고 인바운드 활성 테이블의 통합을 활용함으로써 조직 전체에서 안정적이고 일관된 보고를 지원합니다.
자세한 내용은 다음을 참조하세요.
* SAP BW/4HANA 데이터 모델링 가이드: DataStore 객체 유형과 각 유형의 특정 동작 간의 차이점을 설명합니다.
* SAP Learning Hub: SAP BW에서 DataStore 객체를 설계하고 구현하는 방법에 대한 교육을 제공합니다.
/4 작업.
B(쿼리 결과는 데이터가 활성화된 경우에만 표시됨)와 C(보고는 수신 활성 테이블의 합집합을 기반으로 수행됨)를 선택하면 "데이터 마트 데이터 저장소 개체" 모델링 속성에 대한 올바른 동작이 식별됩니다.

SAP Datasphere(이전 명칭: SAP Data Warehouse Cloud)의 데이터 흐름 기능은 ETL(추출, 변환, 로드) 프로세스를 설계하고 실행하는 강력한 도구입니다. 사용자는 이 기능을 통해 데이터를 통합, 변환 및 대상 객체에 로드하는 데이터 파이프라인을 생성할 수 있습니다. 다음은 사용 가능한 옵션에 대한 설명입니다.
* 설명: 이 문장은 틀렸습니다. SAP Datasphere는 Python을 사용한 고급 변환을 지원하지만, NumPy와 같은 라이브러리를 SQL 스크립트로 자동 변환하지는 않습니다. 대신 Python 스크립트는 변환 로직의 일부로 실행되고, SQL은 데이터베이스 작업에 사용됩니다.
* SAP Datasphere 문서에서는 Python이 사용자 정의 변환을 지원한다는 점을 강조하지만, NumPy와 같은 Python 라이브러리를 SQL로 자동 변환하는 것에 대해서는 언급이 없습니다.
2. Python 언어는 복잡한 변환에 사용될 수 있습니다. 설명: 이 문장은 맞습니다. SAP Datasphere를 사용하면 Python을 사용하여 사용자 지정 변환 로직을 작성할 수 있습니다. 이는 표준 SQL이나 그래픽 연산자로는 구현할 수 없는 복잡한 비즈니스 규칙이나 계산을 구현하는 데 특히 유용합니다.
참고: 데이터 흐름 기능에는 Python 연산자가 포함되어 있어 사용자가 고급 변환을 위한 Python 코드를 내장할 수 있습니다. 이 기능은 SAP Datasphere 변환 가이드에 설명되어 있습니다.
3. Union 또는 Join 연산자를 사용하여 데이터를 결합할 수 있습니다. 설명: 이 문장은 맞습니다. SAP Datasphere는 그래픽 데이터 흐름 디자인의 일부로 Union 및 Join 연산자를 제공합니다. 이러한 연산자를 사용하면 특정 조건에 따라 또는 행을 추가하여 여러 소스의 데이터를 결합할 수 있습니다.
참고: Union 연산자는 데이터 세트를 수직(행 방향)으로 병합하고, Join 연산자는 수평(열 방향)으로 데이터 세트를 결합합니다. 두 연산자 모두 SAP Datasphere 사용자 가이드에 설명된 대로 데이터 흐름 기능의 필수 기능입니다.
4. 원격 테이블은 대상 객체로 사용할 수 있습니다. 설명: 이 설명은 틀렸습니다. SAP Datasphere에서 원격 테이블은 데이터 흐름의 원본 객체로만 사용할 수 있습니다. SAP Datasphere 환경 내의 로컬 테이블에 데이터를 로드해야 하므로 대상 객체로는 사용할 수 없습니다.
참고: SAP Datasphere의 아키텍처는 원격 테이블(외부 시스템)과 로컬 테이블(내부 저장소)을 분리합니다. 로컬 테이블만 데이터 흐름에서 대상으로 작동할 수 있습니다.
5. 대상 모드는 추가, 잘라내기 또는 삭제일 수 있습니다. 설명: 이 문장은 맞습니다. SAP Datasphere에서 대상 테이블에 데이터를 로드할 때 사용자는 로드 모드를 지정할 수 있습니다.
추가: 기존 데이터에 새로운 레코드를 추가합니다.
잘라내기: 새 레코드를 로드하기 전에 기존 데이터를 모두 삭제합니다.
삭제: 새로운 데이터를 로드하기 전에 조건에 따라 특정 레코드를 제거합니다.
참고: 이러한 로드 모드를 구성하는 기능은 SAP Datasphere의 데이터 흐름 기능의 표준 기능이며, 데이터 로딩 설명서에 설명되어 있습니다.
결론SAP Datasphere의 데이터 흐름 기능에 대한 유효한 옵션은 다음과 같습니다.
복잡한 변환을 위해 Python을 사용합니다.
Union이나 Join 연산자를 사용하여 데이터를 결합합니다.
추가, 잘라내기, 삭제 등의 대상 모드를 구성합니다.
이러한 기능을 통해 SAP Datasphere는 다양한 소스의 데이터를 통합하고 변환하는 다재다능한 도구가 됩니다.