MDG Cloud · Datasphere Knowledge Graph – Stammdaten-Architektur 2026
Drei Bausteine, drei Rollen
Die Architektur-Frage 2026 ist nicht 'MDG ODER Datasphere' – sondern wie die drei Bausteine zusammenspielen.
### MDG Cloud edition – Single Source of Truth - Aktuell: Business Partner (Customer/Vendor) als SaaS auf BTP ABAP Environment. - Roadmap 2025/2026: Material Master folgt; Cost Center, Profit Center und weitere Domains sukzessive. - Übergangs-Strategie: Klassisches MDG-on-S/4 für Material bleibt sinnvoll bis Cloud-Material-Domain GA. Wer schon ABAP- Cloud-konform aufsetzt, vermeidet später Doppelmigration.
### Datasphere + Knowledge Graph – Fabric mit Semantik - HANA Cloud Knowledge Graph seit Anfang 2025 GA – bringt semantische Geschäftslogik (Beziehungen, Hierarchien, Synonyme) in die Datasphere. - Datasphere als Fabric – virtueller Zugriff über MDG-Master-Daten, ERP-Bewegungsdaten und externe Quellen. - Rolle: Anreicherung und Konsumtion, NICHT Source-of-Truth. Datasphere harmonisiert für Analytics und AI, MDG bleibt Stamm-Hoheit.
### HANA Cloud Vector Engine – semantische Brücke - GA seit 2024, breit produktiv 2025/2026. - Embedding-Modelle aus AI Hub (Azure OpenAI, Bedrock, Joule Knowledge Graph) für Klassifikation/Synonyme/Varianten-Suche. - Rolle: semantische Suche und Klassifikation auf Materialstämmen, GPC/eCl@ss-Mapping, Ticket-Klassifikation – ohne dass jeder Use-Case einen eigenen Vektor-Index braucht.
## Wo der golden-record-Streit unnötig ist - MDG hat die Wahrheit für definierte Domains. - Datasphere hat den semantischen Layer und verbindet MDG- Daten mit ERP-Bewegungen, Streaming, externen Quellen. - Vector Engine ergänzt Semantik wo strukturierte Stammdaten nicht reichen (Freitexte, Tickets, Lieferantenbeschreibungen). Diese drei Rollen kollidieren NICHT – sondern entlasten sich gegenseitig. Der Streit kommt nur, wenn eine Schicht versucht, die andere zu ersetzen.
## Klassifikation als typischer Erst-Use-Case Materialstammbereinigung ist 2026 ein bewährter Einstieg: 1. AI-Hub generiert Klassifikations-Vorschläge auf Basis von Materialtexten. 2. Vector Engine sucht semantisch ähnliche Stammsätze (Synonyme/Varianten). 3. MDG-Workflow setzt finale Freigabe und Datenqualität. 4. Datasphere Knowledge Graph verbindet die bereinigten Stämme mit Bewegungsdaten für Analytics. Die KI schlägt vor – der Mensch entscheidet – MDG hat die Wahrheit. Garbage-in-garbage-out wird durch diese Reihenfolge minimiert, nicht durch ein 'wir lassen die KI alles richten'.
## Was eine Stammdaten-Sondierung liefert Wir bringen die drei Bausteine an Ihrem konkreten Daten-Bestand auf den Tisch (typischerweise 2-3 kritische Warengruppen, Stichprobengrösse), zeigen wo MDG/Datasphere/Vector Engine je Wert liefern und wo nicht – und schlagen einen 3-Schritte- Vorgehen vor, das ohne Doppelmigration auskommt.
Stand: 2026-05-04
