Du bekommst eine klare technische Übersicht zu Data Factory (Microsoft Fabric Data Factory), Connector-Optionen, Voraussetzungen und dem stabilen Laden nach OneLake.





















.png)
























.png)



Viele Teams starten mit Exporten, Schatten-Tabellen oder schnellen Tools – und zahlen später mit fragilen Refreshes, unklarer Datenherkunft und endlosen Abstimmungen.
Mit Microsoft Fabric kannst du Daten aus S/4HANA strukturiert anbinden – aber nur, wenn Connector, Netzwerk, Copy-Modus und Datendesign zusammenpassen.

Die Technik ist lösbar – die Risiken entstehen fast immer durch fehlende Standards: falscher Copy-Modus, schwankende Last, ungünstige Datentypen und unklare Governance.
Mit Data Factory (Microsoft Fabric Data Factory) baust du wiederholbare Pipelines: klarer Prozessfluss, nachvollziehbare Settings und saubere Übergänge nach OneLake.
Ob Lakehouse oder Warehouse: Du brauchst ein Zielmodell, das ERP-Daten (inkl. HANA-typischer Typen) performant und verständlich macht – statt 1:1-Tabellenfriedhof.
Wenn du Ladearten und Parallelisierung bewusst wählst, kannst du Laufzeiten und Stabilität messen und schrittweise verbessern.
Seit Jahren realisieren wir skalierbare Lösungen mit Microsoft Power BI, Fabric und Copilot.
Für dich, wenn Daten aus S/4HANA in Power BI oder in einer Datenplattform zuverlässig und wiederholbar verfügbar sein müssen – ohne manuelles Nacharbeiten.
Typische Auslöser: Monatsabschluss-Reporting, KPI-Harmonisierung über mehrere Quellen, oder der Schritt von SAP BW / BW/4HANA in Richtung Microsoft Fabric als zentrale Integrations- und Analyseplattform.

Was du für eine stabile Anbindung in Fabric brauchst – technisch und organisatorisch.
Netzwerkpfad, Berechtigungen, On-premises data gateway (falls nötig), ODBC driver for HANA und Connector-Parameter – damit die Anbindung nicht am „Kleingedruckten“ scheitert.
Welche Funktionen der HANA-Connector in Data Factory abdeckt, wann ein initialer Komplettlauf sinnvoll ist und wie du inkrementelles Laden aufsetzt – inkl. Grenzen und Workarounds.
Mapping von HANA-Datentypen auf Fabric/Lakehouse/Warehouse-Modelle (Delta-Parquet/Tabellen), inkl. Empfehlungen für Schlüssel, Zeitstempel, Dezimalzahlen und Textfelder.
Namenskonventionen, API-/Credential-Handling, Monitoring und Ownership – damit die Integration nicht zur Blackbox wird und die Aktivität im Betrieb beherrschbar bleibt.

Zwei Beispiele aus der Praxis (Datenintegration in Microsoft Fabric).

Ein pragmatischer Prozessfluss – von Erstcheck bis skalierbarem Betrieb.
Wir klären Zielbild (Reporting, DWH, Mirroring-Optionen), Quellen (S/4HANA, HANA, ggf. SAP Datasphere oder SAP BW / BW/4HANA) und Randbedingungen wie Security, Netzwerk und Datenvolumen.
Setup der Integration: Connector-Entscheidung, Treiber/Netzwerk, On-premises data gateway (falls on-premises), sowie Data Factory (Microsoft Fabric Data Factory) Pipelines inkl. Copy-Modus und Ladeart (initial vs. inkrementell).
Wir machen euer Team fit: Datentyp-Mapping, Fehlerbilder, Monitoring und Best Practices fürs Zielmodell (Lakehouse/Warehouse). Damit ihr nicht an jedem Signal oder „mystery error“ hängen bleibt.
Skalierung nach Roadmap: weitere Tabellen/Domänen, Qualitätschecks, Governance und – wenn sinnvoll – Vergleich zu Fabric Mirroring bzw. anderen Integrationsoptionen im Fabric-Ökosystem.
Du gehst von „Daten irgendwie bekommen“ zu einem Setup, das du betreiben, messen und erweitern kannst.



Der Preis hängt davon ab, wie viele Objekte, Ladearten und Zielmodelle du wirklich brauchst.

In der Praxis läuft es oft über HANA als technische Quelle (z. B. über den HANA database connector in Data Factory (Microsoft Fabric Data Factory)). Dadurch kannst du S/4HANA-nahe Daten in Microsoft Fabric integrieren und Richtung OneLake bereitstellen. Welche Tabellen/Views sinnvoll sind, hängt stark von eurem Use Case und euren Berechtigungen ab.
Wenn eure HANA-Quelle on-premises steht, brauchst du meist ein On-premises data gateway und den passenden ODBC driver for HANA auf einer stabilen Windows-Umgebung. Dazu kommen Netzwerkfreigaben (Ports/Firewall), technische User/Berechtigungen sowie eine klare Entscheidung, ob ihr Tabellen, Views oder extrahierte Schichten ladet.
Ein Komplettlauf ist simpel, wird aber bei großen Tabellen schnell teuer in Laufzeit und Last. Inkrementelles Laden ist oft die bessere Wahl, verlangt aber eine saubere Änderungslogik (Zeitstempel, Belegnummern, Delta-Mechanik). Häufig ist ein hybrider Ansatz sinnvoll: initialer Komplettlauf, danach inkrementell – plus gezieltes Reprocessing bei Ausnahmen.
Fabric Mirroring kann – je nach Quelle und Szenario – eine alternative Option sein, wenn du ein Mirrored-Database-Konzept nutzen willst. Für ERP-Szenarien ist aber entscheidend, welche Quelle du wirklich spiegeln kannst, welche Latenz du brauchst und wie du Governance, Transformation und Integration in der Plattform abbildest. Wir schauen das in einer kurzen Bewertung gemeinsam an.