Case Study

SAS zu Oracle Migration Case Study: 457 Zeilen SQL, Lineage, Abnahme

Sehen Sie in der SAS zu Oracle Migration Case Study beim DRK-Blutspendedienst, wie aus einem SAS-Bericht 457 Zeilen Oracle-SQL, 97 Lineage-Kanten und Faktor 10 Tempo werden

Von DBI Analytics11 Min. Lesezeit

Inhalt
  1. Kurzantwort
  2. Das Wichtigste in Kürze
  3. Ausgangslage: Warum klassische SAS Oracle Migration bricht
  4. Pipeline-Architektur und Scope der Case Study
  5. Das versteckte Risiko: 44 PROC-SQL-Blöcke und 25 DATA-Steps
  6. Vorgehen: Wissensgraph, Übersetzung, Review
  7. SAS zu Oracle: Übersetzungstabelle aus dem Case
  8. Der inkrementelle Upsert als Härtetest
  9. Lineage im Code: 97 Kanten, Git-versionierbar
  10. Warum Version 1 verworfen wurde
  11. Testfälle und Abnahme
  12. Aufwand und TCO-Signal
  13. Scope-Grenze: Reporting ja, Statistik nein
  14. Was das für ein regulated DACH-Unternehmen bedeutet
  15. Zusammenfassung
  16. Weiterlesen bei DBI
  17. Häufig gestellte Fragen
  18. Über DBI Analytics

Kurzantwort

Wie lässt sich ein SAS-Bericht mit KI nach Oracle migrieren?

In der Case Study wurde ein SAS-Bericht aus dem Tagesreporting in 457 Zeilen deploybares Oracle-SQL über 4 Views übersetzt. Die KI-Sitzung dauerte unter 60 Minuten, die formale Abnahme gegen SAS-Referenzdaten unter zwei Tage. Aus dem SAS-Code entstand ein Lineage-Graph mit 111 Knoten und 97 Kanten. Pro Report-Gruppe sinkt der Aufwand von 13 bis 21 Tagen auf 1,5 bis 2 Tage. Zwei manuelle Peer-Reviews sind fest im Prozess, die erste Version wurde verworfen.

Lässt sich ein SAS-Bericht in produktionsreifes Oracle-SQL überführen, ohne zwei Wochen Senior-Zeit und das halbe BI-Team zu binden? Ja. Wir haben es für den DRK-Blutspendedienst gemacht: ein Bericht aus dem Tagesreporting, 457 Zeilen deploybares Oracle-SQL, formale Abnahme in unter zwei Tagen. Was folgt, ist die gemessene SAS zu Oracle Migration Case Study, nicht der Pitch: Zahlen, Testfälle, die verworfene Version 1 und der Enterprise-Winkel für einen regulierten DACH-Betrieb.

Das Wichtigste in Kürze#

  • 457 Zeilen produktionsreifes Oracle-SQL aus einem SAS-Bericht, generiert in unter 60 Minuten KI-Sitzung mit Claude Sonnet 4.5.
  • 111 Knoten / 97 Kanten Lineage-Graph über 3 Oracle-Schemas, aus dem SAS-Code rekonstruiert.
  • Faktor 10 Zeitersparnis pro Report-Gruppe: 13–21 Tage manuell gegen 1,5–2 Tage mit dem Verfahren.
  • 4 deploybare Views gegen Oracle 19c, jede mit -- Migrated from:-Header und Git-versionierbarer Herkunft.
  • 2 manuelle Peer-Reviews fest im Prozess, Version 1 (23 verschachtelte Views) wurde verworfen, Version 2 abgenommen.
  • 16 flüchtige work-Tabellen aufgelöst in 16 CTEs, ohne Schreibzugriff auf Zwischenobjekte.
  • 0 € zusätzliche SAS-Lizenz im Zielpfad: Das SQL läuft nativ auf Oracle, portierbar auf Microsoft Fabric, Synapse oder Snowflake.

Ausgangslage: Warum klassische SAS Oracle Migration bricht#

Der DRK-Blutspendedienst fährt sein gesamtes Tagesreporting über einen proprietären SAS-Stack auf einem Oracle-Datenbestand. Rund 100 Berichte hängen an dieser Pipeline. Die interne Schicht- und Tabellenstruktur ist für diese Darstellung anonymisiert, die Verarbeitungslogik unverändert.

Eine SAS Legacy Reporting Migration scheitert selten an einzelnen Befehlen. Sie scheitert strukturell an drei Punkten, die wir zu Projektbeginn vermessen haben.

RisikoMessung im CaseKonsequenz ohne KI-Verfahren
Versteckte Geschäftslogik44 PROC-SQL-Blöcke + 25 DATA-Steps pro BerichtJahr-über-Jahr-Self-Join wird manuell übersehen
Flüchtige Zwischenstufen16 work.W*-Tabellen pro LaufNach Job-Ende keine Rekonstruktion möglich
Lizenz- und Key-Person-Bindung3 SAS-Spezialisten im HausJede Zeile Logik nur mit aktiver Lizenz lesbar

Generische KI-Übersetzer verschärfen das Problem. Sie lesen den Code als Text, nicht als Abhängigkeitsstruktur. Das Agentensystem liest ihn als Graph. Dafür trifft es keine Architekturentscheidung ohne Peer-Review. So bleibt die Freigabe immer im Team.

Pipeline-Architektur und Scope der Case Study#

Die SAS-Pipeline des DRK-Blutspendedienstes besteht aus drei Verarbeitungsschichten über einer Oracle-Quelle. Nur die dritte Schicht, der Logik-Mart, trägt die fachliche Komplexität. Genau dort hat die Migration begonnen.

SchichtRolleCharakter
Oracle-Quelle (Z-Layer)Quelle der WahrheitTäglich beladen, vollständiger Datenbestand
Schicht 1 – Eingang1:1-ÜbernahmeDirektabzug + CSV, keine Fachlogik
Schicht 2 – ZusammenführungLeichte TransformationRegionen-Merge, Mapping-Tabellen
Schicht 3 – Logik-MartKernlogikUndokumentiert, Scope der Case Study
Berichte (.sas)AuslieferungGreifen auf Mart-Views zu

Stellvertretend haben wir einen Bericht analysiert. Er führt Wochen-Ist-Werte, Prognosen und Zielvorgaben nach Region und Spendentyp zusammen. Klingt überschaubar.

Das versteckte Risiko: 44 PROC-SQL-Blöcke und 25 DATA-Steps#

Die SAS-Realität dieses einen Berichts:

KennzahlWertBedeutung
PROC-SQL-Blöcke44seriell, ohne Dokumentation
DATA-Steps25einer mit manuellem Unpivot über 9 Regionsspalten
Flüchtige work-Tabellen16verschwinden nach Job-Ende
Quell-Entitäten7aus 3 Oracle-Schemas
Versteckte Self-Joins1Jahr-über-Jahr, nirgends dokumentiert

Der Jahr-über-Jahr-Self-Join ist der härteste Fall. Er steht nicht in einer Doku, nicht in einer Namenskonvention und nicht im Dateinamen. Er existiert nur als Join-Prädikat in Block 34 gegen eine work.w_ist-Kopie mit um 365 Tage verschobenem Schlüssel. Ein Senior-Entwickler findet ihn nach zwei Tagen Lesen. Der Lineage-Graph zeigt ihn nach 90 Sekunden Traversierung.

Vorgehen: Wissensgraph, Übersetzung, Review#

Der Kern unseres Vorgehens bei einer SAS SQL Umstellung ist die Entkopplung von Analyse und Übersetzung. Zuerst wird der SAS-Code als Graph erschlossen, danach übersetzt die KI knotenweise. Jeder Schritt ist auditierbar. Der Agent trifft keine Freigabe, das macht der Mensch im Review.

  1. Code-Ingest. Alle .sas-Dateien des Berichts (inklusive referenzierter Makros) werden geparst.
  2. Graph-Aufbau. Jeder PROC-SQL-Block, jeder DATA-Step, jede Tabelle und jede CSV-Datei wird ein Knoten. Lese- und Schreibabhängigkeiten werden Kanten. Ergebnis im Case: 111 Knoten / 97 Kanten über 3 Schemas.
  3. Traversierung über MCP. Ein KI-Agent traversiert den Graphen über das Model Context Protocol. So sieht er nicht nur einzelne Blöcke, sondern die vollständige Ausführungs-DAG.
  4. Semantische Übersetzung. Prozedurale SAS-Muster werden in idiomatisches Oracle-SQL überführt, nicht oberflächlich gespiegelt.
  5. Lineage-Annotation. Jeder generierte CTE und jede Ziel-View bekommt im Header -- Migrated from: <SAS-Ursprung>.
  6. Peer-Review (Mensch). Zwei Review-Runden gegen den Kundenstandard. Version 1 wurde verworfen.
  7. Abnahme gegen SAS-Referenzdaten. Testfälle vergleichen die Ergebnismenge der neuen Views Zeile für Zeile gegen den letzten SAS-Produktionslauf.

Der Agent plant und schreibt. Der Mensch gibt frei. Diese Rollenverteilung steht im Prompt-Protokoll fest, nicht im Nachhinein.

Lesepfad6 Schritte
Hervorheben
Element anklicken oder antippen für die Erklärung. Der Agent plant und schreibt, der Mensch gibt frei: Version 1 wurde im Review verworfen. Als Bild öffnen
SAS zu Oracle Migration: vom Code zum abgenommenen SQLAblauf in vier Spalten. Erstens der SAS-Bericht: 44 PROC-SQL-Blöcke ohne Dokumentation, 25 DATA-Steps, einer mit manuellem Unpivot über 9 Regionsspalten, und 16 flüchtige work-Tabellen. Zweitens der Wissensgraph: 111 Knoten und 97 Kanten über 3 Schemas, Traversierung über MCP, Übersetzung knotenweise in idiomatisches Oracle-SQL. Drittens das Oracle-SQL: 457 Zeilen in 4 deploybaren Views gegen Oracle 19c, 16 CTEs lösen die work-Tabellen auf, die Herkunft steht als Kommentar in jeder View. Viertens Review und Abnahme: 2 Peer-Reviews, Version 1 mit 23 gestapelten Views verworfen, 315 von 315 Zeilen identisch mit der SAS-Referenz, höchstens 0,5 % Differenz bei den Kennzahlen. Darunter ein Lineage-Ausschnitt: von der flüchtigen Zwischenstufe work.w_ist über den versteckten Self-Join in Block 34 zum CTE im WITH-Block und zur Ziel-View, deren Header den SAS-Ursprung nennt. Aufwand je Report-Gruppe: 1,5 bis 2 Tage statt 13 bis 21 Tage manuell.SAS zu Oracle Migration: vom Code zum abgenommenen SQLDer Agent liest den SAS-Code als Graph und übersetzt knotenweise. Freigegeben wird im Review, durch Menschen.dbi-analytics.de · Blog · Stand November 20261 · SAS-BerichtDer eine analysierte Bericht besteht aus 44 PROC-SQL-Blöcken, seriell und ohne Dokumentation. Die Daten kommen aus 7 Quell-Entitäten in 3 Oracle-Schemas.44 PROC-SQL-Blöckeseriell, ohne Dokumentation25 DATA-Steps, einer davon mit manuellem Unpivot über 9 Regionsspalten. In Oracle wird daraus UNPIVOT mit REGEXP_SUBSTR, das Muster mit dem höchsten Aufwand.25 DATA-Stepseiner mit manuellem Unpivot über 9Regionsspalten16 flüchtige work-Tabellen entstehen pro Lauf und verschwinden nach Job-Ende. Ohne das Verfahren ist danach keine Rekonstruktion möglich.16 work-Tabellenflüchtig, verschwinden nach Job-Ende2 · WissensgraphJeder PROC-SQL-Block, jeder DATA-Step, jede Tabelle und jede CSV-Datei wird ein Knoten. Lese- und Schreibabhängigkeiten werden Kanten. Ergebnis im Case: 111 Knoten und 97 Kanten über 3 Schemas.111 Knoten, 97 Kantenjeder Block, jede Tabelle, jedeCSV-Datei, über 3 SchemasEin KI-Agent traversiert den Graphen über das Model Context Protocol. So sieht er nicht nur einzelne Blöcke, sondern die vollständige Ausführungs-DAG.Traversierung über MCPder Agent sieht die vollständigeAusführungs-DAGProzedurale SAS-Muster werden in idiomatisches Oracle-SQL überführt, nicht oberflächlich gespiegelt. Beispiele: UPDATE plus PROC APPEND wird zu einem MERGE INTO, ein FULL JOIN mit Missing-Prüfung zu FULL OUTER JOIN mit COALESCE.Übersetzung knotenweiseidiomatisches Oracle-SQL, nichtgespiegelter SAS-Code3 · Oracle-SQL457 Zeilen deploybares Oracle-SQL in 4 Views gegen Oracle 19c. Version 2 hat vier Deploy-Objekte statt 23 und einen Plan pro Ziel-View.457 Zeilen SQL4 deploybare Views gegen Oracle 19cDie 16 flüchtigen work-Tabellen werden in 16 CTEs aufgelöst, ohne Schreibzugriff auf Zwischenobjekte. Version 2 faltet die Logik je Ziel-View in einen einzigen WITH-Block mit nummerierten CTEs.16 CTEslösen die work-Tabellen imWITH-Block aufDie Lineage wird nicht in einem externen Tool gepflegt. Sie steht als strukturierter Kommentarblock im Code, pro View generiert, und wandert ins Git-Repository des BI-Teams. So ist sie im selben Pull Request wie der SQL-Code reviewbar.Herkunft im CodeKommentar „Migrated from“ in jederView, im Git reviewbar4 · Review und AbnahmeDer erste Durchlauf produzierte 23 ineinander gestapelte Views: technisch korrekt, aber der Oracle-Optimizer sah keine durchgängige DAG mehr. Das wurde im Technical Review abgelehnt.Diese Entscheidung hat kein Agent getroffen. Sie kam aus dem Review.2 Peer-ReviewsVersion 1 mit 23 gestapelten ViewsverworfenStufe 2 der Abnahme vergleicht die Ergebnismenge eines Produktionslaufs Zeile für Zeile mit der SAS-Referenz: 315 von 315 Zeilen identisch.Davor steht der Strukturtest: 4 Views, 42 Spalten, 42 von 42 Datentyp-Zuordnungen bestanden.Zeilen-Diff315 von 315 Zeilen identisch mit derSAS-ReferenzStufe 3 prüft 6 Summen-, 2 Jahr-über-Jahr- und 2 Plan-Abweichungs-Kennzahlen: höchstens 0,5 % Differenz auf Rundungsebene. Die fachliche Abnahme erfolgt anhand dieser Kennzahl-Diffs der letzten Produktionswoche.Kennzahl-Diffhöchstens 0,5 % Differenz aufRundungsebeneLINEAGE-AUSSCHNITT: EIN PFAD DURCH DEN GRAPHENEine der 16 flüchtigen Zwischenstufen. Der versteckte Self-Join läuft gegen eine Kopie von work.w_ist mit um 365 Tage verschobenem Schlüssel.work.w_istflüchtige SAS-ZwischenstufeDer Jahr-über-Jahr-Self-Join steht in keiner Doku, in keiner Namenskonvention und in keinem Dateinamen. Er existiert nur als Join-Prädikat in Block 34.Ein Senior-Entwickler findet ihn nach zwei Tagen Lesen. Der Lineage-Graph zeigt ihn nach 90 Sekunden Traversierung.Block 34: versteckter Self-Join,Jahr über JahrVersion 2 faltet die Logik je Ziel-View in einen einzigen WITH-Block mit nummerierten CTEs. Ein Plan pro Ziel-View, kein Stapel aus aufeinander aufbauenden Views.CTE im WITH-Blocknummeriert, ein Plan je Ziel-ViewJeder generierte CTE und jede Ziel-View bekommt im Header die Zeile „Migrated from“ mit dem SAS-Ursprung. Die Herkunft lebt im SQL, nicht in einer Folie daneben.Ziel-ViewHeader nennt den SAS-UrsprungKlassisch 13 bis 21 Tage: Code lesen, Datenfluss dokumentieren, SQL schreiben und testen, Funktionen übersetzen, QS. Mit dem Verfahren 1,5 bis 2 Tage, davon 1 Tag Peer-Review, der bewusst drin bleibt.Der Faktor von etwa 10 bezieht sich auf eine Report-Gruppe, nicht auf das Gesamtprojekt.Aufwand je Report-Gruppe: 1,5–2 Tage mit dem Verfahren statt 13–21 Tage manuell. Der Agent plant und schreibt, der Mensch gibt frei

SAS zu Oracle: Übersetzungstabelle aus dem Case#

Diese Zuordnungen hat die KI auf Basis der SAS Lineage KI-Analyse im konkreten Bericht angewendet. Jede Zeile entspricht einem Muster, das mindestens einmal im Code vorkam.

SAS (vorher)Oracle (nachher)Charakter
YEAR(DATE())EXTRACT(YEAR FROM SYSDATE)direkte Entsprechung
CASE WHEN x eq . THEN 0NVL(x, 0)SAS-Missing → NULL
DATA-Step Wide→Long (multi-OUTPUT)UNPIVOT + REGEXP_SUBSTRhöchster Aufwand
UPDATE + PROC APPENDMERGE INTO ... ON (DAY_CODE)inkrementeller Upsert
16 flüchtige work.W*-Tabellen16 CTEs im WITH-BlockZwischenstufen aufgelöst
FULL JOIN + CASE WHEN key eq .FULL OUTER JOIN + COALESCE(...)null-sicherer Schlüssel
PUT(DAY_CODE, BEST32.)TO_CHAR(DAY_CODE)Numerik → String
3× CREATE TABLE3× CREATE OR REPLACE VIEWdeploybare Zielobjekte

Der inkrementelle Upsert als Härtetest#

Der inkrementelle Upsert ist das lohnendste Beispiel. SAS löst ihn zweistufig:

SAS
/* SAS (vorher): zweistufiges Muster aus SAS DI Studio */
PROC SQL;
  UPDATE DBS.ziel z
     SET wert = (SELECT s.wert FROM staging s WHERE s.day_code = z.day_code)
   WHERE EXISTS (SELECT 1 FROM staging s WHERE s.day_code = z.day_code);
QUIT;

DATA etls_newrecords;
  /* Zeilen, die im Ziel noch nicht existieren ... */
RUN;
PROC APPEND BASE=DBS.ziel DATA=etls_newrecords; RUN;

Nach der Übersetzung wird daraus eine einzige deklarative Anweisung:

SQL
-- Migrated from: DBS_Planzahlen_SAS_CODE
-- Generated by: DBI Analytics, reviewed 2026-06-13
MERGE INTO ziel z
USING staging s
   ON (z.day_code = s.day_code)
 WHEN MATCHED THEN UPDATE SET z.wert = s.wert
 WHEN NOT MATCHED THEN INSERT (day_code, wert) VALUES (s.day_code, s.wert);

Dafür plant der Oracle-Optimizer die Anweisung als Ganzes. Die Herkunft lebt im SQL, nicht in einer Folie daneben. Damit bleibt der Upsert in einer Transaktion und nicht in zwei, was das Rollback-Verhalten bei Fehlern im Tagesreporting deutlich vereinfacht.

Lineage im Code: 97 Kanten, Git-versionierbar#

Der Lineage-Graph der Case Study besteht aus 111 Knoten und 97 Kanten. Nach der Übersetzung wird die Lineage nicht in einem externen Tool gepflegt. Sie steht als strukturierter Kommentarblock im Code. Beispiel aus einer der vier Ziel-Views:

SQL
-- Ziel-View: v_wochenwerte_region
-- Migrated from SAS job: DBS_Planzahlen_SAS_CODE (Block 17..41)
-- Upstream Oracle-Quellen:
--   RAW.z_spenden, RAW.z_regionen, STG.map_region, STG.map_spendentyp
-- Upstream CSVs:
--   /mnt/sas/input/plan_woche_YYYY.csv
-- Replaces SAS temp tables:
--   work.w_base, work.w_plan, work.w_ist, work.w_yoy, work.w_long
-- Owner: BI-Team DRK-Blutspendedienst  ·  Review: 2026-06-13
CREATE OR REPLACE VIEW v_wochenwerte_region AS
WITH w_base AS ( ... ),
     w_plan AS ( ... ),
     w_ist  AS ( ... ),
     w_yoy  AS ( /* Jahr-über-Jahr-Self-Join, war in SAS undokumentiert */ ... ),
     w_long AS ( /* UNPIVOT aus multi-OUTPUT DATA-Step */ ... )
SELECT ...
FROM   w_base
FULL OUTER JOIN w_plan USING (day_code, region_code)
FULL OUTER JOIN w_ist  USING (day_code, region_code)
FULL OUTER JOIN w_yoy  USING (day_code, region_code);

Diese Blockkommentare sind pro View generiert, nicht händisch gepflegt. Sie wandern in das Git-Repository des BI-Teams. So sind sie im selben Pull Request wie der SQL-Code reviewbar. Für einen Blutspendedienst ist das Pflicht, nicht Kür.

Warum Version 1 verworfen wurde#

Der erste Übersetzungsdurchlauf produzierte 23 ineinander gestapelte Views. Technisch korrekt. Jede View las die vorherige, der Oracle-Optimizer sah keine durchgängige DAG mehr, und die Deployment-Reihenfolge war an sich ein Projekt. Der Lead-Datenbankentwickler des DRK-Blutspendedienstes hat das im Technical Review abgelehnt.

Version 2 faltet die Logik pro Ziel-View in einen einzigen WITH-Block mit nummerierten CTEs. Vier Deploy-Objekte statt 23, ein Plan pro Ziel-View, kein v01 → v02 → v03-Stapel. Diese Entscheidung hat kein Agent getroffen. Sie kam aus dem Review. Genau dafür ist der Mensch im Loop.

Testfälle und Abnahme#

Die Abnahme verläuft in drei Stufen. Die Zahlen stammen aus dem Case.

StufeTestumfangErgebnis
1. Strukturtest4 Views, 42 Spalten, 42 Datentyp-Zuordnungen42 / 42 bestanden
2. Zeilen-Diff gegen SAS-Referenz1 Produktionslauf, 7 Tage × 9 Regionen × 5 Spendentypen315 / 315 Zeilen identisch
3. Kennzahl-Diff6 Summen-, 2 YoY-, 2 Plan-Abweichungs-Kennzahlen≤ 0,5 % Differenz auf Rundungsebene

Die formale Abnahme fand in zwei Schritten statt:

  1. Technical Review durch den Lead-Datenbankentwickler des DRK-Blutspendedienstes. Hier wurde Version 1 verworfen.
  2. Fachliche Abnahme durch den Reporting-Verantwortlichen anhand der Kennzahl-Diffs der letzten Produktionswoche.

Die KI liefert Tempo, die Architekturentscheidung bleibt im Team.

Aufwand und TCO-Signal#

Die Case Study rechtfertigt kein Gesamtprogramm. Sie liefert einen belastbaren Datenpunkt pro Report-Gruppe.

ArbeitsschrittKlassisch (manuell)Mit KI-Verfahren
SAS-Code lesen & verstehen3–5 Tage0 (Graph-Extraktion)
Datenfluss dokumentieren2–3 Tage0 (Graph = Doku)
Oracle-SQL schreiben & unit-testen5–8 Tage~0,5 Tage
SAS-Funktionen übersetzen1–2 Tage0 (automatisch)
QS & Peer-Review2–3 Tage1 Tag (bleibt bewusst drin)
Summe pro Report-Gruppe13–21 Tage1,5–2 Tage

Der Faktor ~10 bezieht sich auf eine Report-Gruppe, nicht auf das Gesamtprojekt. Hochgerechnet auf rund 100 Berichte entsteht ein Migrationskorridor, der in Monaten statt in Jahren rechnet. Die eigentliche Opportunität liegt nicht in Lizenzen, sondern in freigesetzten Spezialisten-Tagen für neue Projekte.

Scope-Grenze: Reporting ja, Statistik nein#

Deshalb trennen wir Reporting von Analytics im Scope. Statistische Verfahren wie PROC REG oder PROC FORECAST bleiben in SAS oder wandern in Fabric-Notebooks. Nur das Reporting wandert in diesem Projekttyp. Das ist eine bewusste Grenze: Was keine direkte SQL-Entsprechung hat, bekommt sie auch nicht durch Übersetzung, sondern durch Neubau. Der Agent markiert diese Knoten explizit, statt zu halluzinieren.

Was das für ein regulated DACH-Unternehmen bedeutet#

Ein Blutspendedienst ist ein regulierter Betrieb. Jede Änderung am Tagesreporting hat eine Prüfspur: Wer hat was wann freigegeben, gegen welche Referenz wurde getestet, wo liegt die Herkunft jeder Zahl. Klassische Migrationswerkzeuge erzeugen Code, der korrekt ist, aber keine dieser Fragen beantwortet. Das ist in der Finanzaufsicht, im Gesundheitssektor und bei öffentlich-rechtlichen Trägern der Punkt, an dem Projekte liegen bleiben.

Das in dieser Case Study beschriebene Verfahren beantwortet die Prüfspur direkt im Code. Die -- Migrated from:-Header, die Owner-Zeile, der Review-Stempel und das Git-Pull-Request-Protokoll ergeben zusammen die Dokumentation, die ein interner oder externer Auditor sehen will. Zusätzliche Compliance-Lagen entfallen, weil die Herkunft nicht neben dem Artefakt lebt, sondern im Artefakt.

Für den EU AI Act und die zugehörige Hochrisiko-Diskussion ist das relevant. Der Agent plant, der Mensch gibt frei, die Testfälle werden versioniert. Die Entscheidung bleibt nachvollziehbar, auch wenn das Modell morgen ausgetauscht wird. Mehr dazu im Blog zu Datenqualität unter DSGVO und EU AI Act.

Zusammenfassung#

Eine SAS zu Oracle Migration ist kein Übersetzungsproblem, sondern ein Sichtbarkeitsproblem.

  • Wer den Code als Text liest, übersieht versteckte Logik und produziert teure Fehler im Produktivbetrieb.
  • Wer ihn als Lineage-Graph erschließt, macht die vollständige Ausführungskette zum Nebenprodukt.
  • Die KI erzeugt daraus produktionsreifes Oracle-SQL, die Architekturentscheidung bleibt beim Menschen im Review.
  • Für den DRK-Blutspendedienst waren das 457 Zeilen Oracle-SQL, 97 Lineage-Kanten und eine Abnahme in unter zwei Tagen statt zwei bis vier Wochen.
  • Hochgerechnet auf rund 100 Berichte rechnet die Migration in Monaten statt in Jahren.

Weiterlesen bei DBI#

  • Das methodische Kapitel liegt im Guide Legacy-Reporting mit Agentic BI ablösen. Dort sehen Sie das Verfahren über alle Legacy-Quellen hinweg, nicht nur SAS.
  • Für die Umsetzung übernehmen wir Ihre BI-Modernisierung als Festpreis-Discovery, inklusive Lineage-Graph, Übersetzungs-Prototyp und belastbarer Aufwandsschätzung.
  • Wenn Sie zuerst die Reihenfolge klären wollen, begleitet Sie einer unserer BI-Berater in einem dreitägigen Audit, unabhängig von Zielsystem und Hersteller.
  • Ein verwandter Projekttyp mit anderer Quellseite ist unsere SAP-ECC-zu-Power-BI-Migration. Dort geht es nicht um SAS, aber um dasselbe Muster: Lineage zuerst, dann übersetzen.
  • Für das Zusammenspiel mit MCP und Claude Sonnet 4.5 in regulierten Umgebungen lesen Sie den Blog zum Claude Power BI MCP Server für sichere Agentic BI.

Häufig gestellte Fragen#

Was genau ist eine SAS zu Oracle Migration Case Study?#

Eine SAS zu Oracle Migration Case Study dokumentiert an einem realen Projekt, wie SAS-Code in produktionsreifes Oracle-SQL überführt wird, inklusive Lineage, Testfällen und Abnahme. Im Fall des DRK-Blutspendedienstes wurde ein Bericht aus dem Tagesreporting in 457 Zeilen Oracle-SQL über 4 Views übersetzt, mit 97 dokumentierten Lineage-Kanten und formaler Abnahme gegen SAS-Referenzdaten.

Wie läuft eine SAS Oracle Migration mit KI-Unterstützung konkret ab?#

In sieben Schritten: Code-Ingest, Graph-Aufbau, Traversierung über MCP, semantische Übersetzung, Lineage-Annotation im Code, Peer-Review, Abnahme gegen Referenzdaten. Der Mensch bleibt in Review und Abnahme fest eingebunden. Das ist Teil des Verfahrens, nicht eine Reserve für Fehlerfälle.

Kann man SAS-Prozeduren eins zu eins in Oracle übersetzen?#

Fast nie, und das ist auch nicht das Ziel. ANSI-nahe PROC SQL-Logik überführt der Ansatz direkt. Prozedurale Konstrukte wie DATA-Step-Schleifen oder Wide→Long-Unpivots werden in idiomatische Oracle-Muster (UNPIVOT, MERGE, CTEs) übersetzt. Statistische Prozeduren wie PROC REG haben keine direkte SQL-Entsprechung und werden kenntlich gemacht, nicht halluziniert.

Ist das Ergebnis produktionsreif oder nur ein Proof-of-Concept?#

Ja, produktionsreif. Die 457 Zeilen aus der Case Study wurden gegen Oracle 19c deployt, in Git eingecheckt und gegen einen SAS-Produktionslauf abgenommen (315/315 Zeilen identisch, Kennzahl-Diff ≤ 0,5 %). Der Code ist derselbe, den das BI-Team des DRK-Blutspendedienstes weiter pflegt.

Wie verlässlich ist der Faktor 10 Zeitersparnis?#

Das kommt auf den Bericht an. Die Zahl bezieht sich auf Analyse und Übersetzung einer Report-Gruppe und stammt aus dem realen Discovery Case: 13–21 Tage klassisch gegen 1,5–2 Tage mit dem Verfahren. Wir kommunizieren Faktor ~10, nicht mehr. Für das Gesamtprojekt rechnen wir individuell pro Report-Gruppe, nicht pauschal.

Was passiert mit der SAS-Lizenz nach der Migration?#

Das migrierte SQL läuft nativ auf Oracle 19c und portierbar auf Microsoft Fabric, Synapse oder Snowflake. Die wiederkehrende SAS-Lizenz verlässt damit den kritischen Pfad des Tagesreportings. Die genaue Einsparung hängt vom Lizenzmodell ab und gehört in die projektspezifische TCO-Rechnung, nicht in diese Case Study.

Über DBI Analytics#

DBI Analytics ist Microsoft Solutions Partner für Data und AI mit Sitz in München. Wir bauen seit 2015 Enterprise-BI-Lösungen auf Microsoft Fabric, Power BI und ABIS, unserer eigenen Local-First-Middleware für Agentic BI unter EU AI Act und DSGVO. Für ein konkretes Projekt melden Sie sich bei unseren BI-Consultants oder lesen Sie unser Power-BI-Beratungsangebot.

Alle Artikel

Weiterlesen im Guide

Legacy-Migration mit Agenten: die Methode

Wie SAS-Logik inventarisiert wird, wie der Arbeitsablauf bis zur Abnahme aussieht und was Lineage dabei leistet — im Agentic BI Guide.

Alle 31 Kapitel im Agentic BI Guide