CRESTONE
Conceptos
SAP y datos modernos: por qué el stack tradicional ya no alcanza
Durante décadas, las empresas construyeron su arquitectura de datos alrededor del ERP. SAP era la fuente de la verdad, el corazón del sistema, el lugar donde vivían los datos que importaban. Esa arquitectura funcionó bien durante mucho tiempo. Pero el contexto cambió.
Hoy, los equipos de datos enfrentan demandas que el stack tradicional —ERP + reportes on-premise + exportaciones manuales— no puede satisfacer: análisis en tiempo real, integración con fuentes externas, Machine Learning, IA generativa, autoservicio para el negocio. El problema no es SAP. El problema es lo que rodea a SAP.
Qué entendemos por “stack tradicional”
El stack tradicional de datos sobre SAP se ve así: los datos viven en SAP ECC o S/4HANA. Los reportes se generan dentro del ERP (transactions, queries, Fiori). Lo que no se puede reportar ahí se extrae mediante un programa ABAP o una transacción SE16. Los archivos se abren en Excel. Los analistas los procesan manualmente.
En algunos casos más maduros, existe un SAP BW (Business Warehouse) on-premise que centraliza parte de la analítica. Pero incluso en esos casos, la actualización es batch (diaria o semanal), la flexibilidad es limitada y el mantenimiento recae sobre un equipo especializado.
Este stack tiene tres problemas estructurales que se vuelven más evidentes a medida que crecen las necesidades analíticas:
- Latencia: los datos no están disponibles en tiempo real. Un cierre de mes tarda días en reflejarse.
- Silos: los datos de SAP no se cruzan fácilmente con los de Salesforce, Google Analytics o cualquier sistema externo.
- Escalabilidad: a medida que crece el volumen de datos y la cantidad de usuarios analíticos, el sistema se vuelve más lento y más caro de mantener.
El surgimiento del Modern Data Stack
En los últimos cinco años se consolidó un nuevo paradigma: el Modern Data Stack (MDS). La idea central es separar el almacenamiento del procesamiento, usar la nube como infraestructura elástica y construir pipelines de datos desacoplados, mantenibles y escalables.
Los componentes típicos de un MDS son:
Ingesta: una herramienta que extrae datos de los sistemas de origen (ERP, CRM, APIs) y los lleva al destino. Es el rol que cumple CRESTONE para el mundo SAP.
Data Warehouse cloud: plataformas como Snowflake, Databricks o Google BigQuery que almacenan y procesan los datos con capacidad elástica y separación entre storage y compute.
Transformación: herramientas como dbt que permiten modelar los datos dentro del warehouse usando SQL versionado.
BI y visualización: Power BI, Tableau, Looker u otras herramientas que consumen los datos ya modelados para generar reportes e insights.
La clave del Modern Data Stack es que cada componente hace una cosa bien y se integra con los demás a través de interfaces estándar. Eso lo hace más fácil de evolucionar que una arquitectura monolítica.
Por qué SAP necesita una capa de integración dedicada
SAP no es una fuente de datos como cualquier otra. Tiene una arquitectura interna compleja, un modelo de datos propio y mecanismos específicos para la extracción segura de información: tablas transparentes, BAPIs, extractores estándar, RFC (Remote Function Call).
Conectar SAP a un Data Warehouse moderno sin una capa de integración dedicada es posible, pero problemático:
- Las consultas directas a tablas SAP desde herramientas externas pueden impactar el rendimiento del sistema productivo.
- Los extractores estándar de SAP (como los de la familia 2LIS para logística o 0FI para finanzas) requieren inicialización y gestión de Delta Pointer para cargas incrementales. Sin esa lógica, cada extracción es un Full Load.
- El manejo de objetos Z (desarrollos a medida) y la interpretación del modelo de datos SAP requieren conocimiento específico que las herramientas genéricas no tienen.
Por eso existe una categoría de herramientas especializadas en la integración SAP: no son conectores genéricos, sino plataformas que entienden la lógica interna de SAP y saben cómo extraer datos de forma segura, eficiente e incremental.
ETL vs. ELT: el cambio de paradigma
El stack tradicional usaba ETL (Extract, Transform, Load): los datos se extraían de SAP, se transformaban fuera del sistema y recién entonces se cargaban al destino. Esto tenía sentido cuando el destino era un sistema con capacidad de procesamiento limitada.
El Modern Data Stack invirtió el orden: primero se carga (ELT) y la transformación ocurre dentro del Data Warehouse, que en la nube tiene capacidad de cómputo prácticamente ilimitada. Esto simplifica los pipelines de ingesta, reduce la fragilidad de las transformaciones intermedias y permite mayor flexibilidad para cambiar el modelo de datos sin tocar la extracción.
Lo que gana una empresa que hace el salto
Las organizaciones que conectan SAP a un Modern Data Stack reportan beneficios concretos en tres dimensiones:
Velocidad: los datos de SAP están disponibles en el Data Warehouse con latencia de minutos, no de horas o días. Los equipos de negocio pueden trabajar con información actualizada sin depender de un proceso batch nocturno.
Flexibilidad: los analistas pueden cruzar datos de SAP con cualquier otra fuente (Salesforce, Google Ads, sensores IoT) dentro del mismo warehouse, sin necesidad de exportaciones manuales.
Escalabilidad: el costo de analítica crece de forma lineal con el uso, no con el tamaño del equipo de IT que lo mantiene. Y el modelo de datos puede evolucionar sin afectar los pipelines de extracción.
El rol de CRESTONE en esta arquitectura
CRESTONE es la capa de ingesta especializada en SAP dentro de un Modern Data Stack. Se conecta a SAP vía RFC, extrae datos de tablas, BAPIs, extractores estándar y objetos Z, y los entrega en los destinos más usados del mercado: Snowflake, Databricks, Redshift, Azure Synapse y AWS S3.
La extracción es incremental por defecto: CRESTONE gestiona automáticamente qué registros cambiaron desde la última ejecución, sin necesidad de desarrollar esa lógica a medida. Y lo hace sin impactar el rendimiento del sistema SAP productivo.
El resultado es una arquitectura moderna, escalable y lista para IA —con SAP como fuente confiable de datos operativos en el centro.
— Equipo CRESTONE | Seidor Analytics