Kundcase · Försäkring

Från Azure Synapse till Databricks på tre månader

Så togs hela beslutsunderlaget fram på dagar i stället för månader, med kvaliteten bevisad per objekt.

Ett ledande nordiskt försäkringsbolag behövde migrera sin analysplattform, 16 källsystem, över 350 miljoner rader per dygn och 124 Power BI-modeller, från Azure Synapse till Databricks. Kontraktskravet: hundra procent rapportkorrekthet, utan att en enda rapport förändras för användarna.

Kund: Ledande nordiskt försäkringsbolag, avidentifierat
Bransch: Försäkring
Uppdrag: Migrering av analysplattform, Azure Synapse till Databricks
Omfattning: 16 källsystem, över 350 miljoner rader per dygn, 124 Power BI-modeller
Genomförande: Planerad migrering tre månader, fem personer på cirka halvtid
Teknikstack: Azure Synapse, Databricks, dbt, Power BI
Status: Planering och design klar och operatörsgranskad. Genomförandet pågår
Metod: RAID

Utmaningen

Ingen visste längre exakt vad som var i drift

Kundens dataplattform hade vuxit under många år: 400 pipelines, cirka 730 SQL-skript, 165 notebooks och ett rapportlager där 91 av 124 Power BI-modeller bar egen affärslogik. Plattformen skulle flyttas till Databricks med dbt, utan ny funktionalitet, utan förändringar för rapportanvändarna, och med parallelldrift och verksamhetsgodkännande per inkrement.

Riskbilden var den klassiska för legacymigreringar: ingen visste längre exakt vad som var i drift, vilka beroenden som fanns, eller var historiken egentligen bodde.

Lösningen

Kartlägg allt, innan något byggs

RAID:s första fas är en uttömmande, AI-driven nulägesanalys, inte stickprov. Varje pipeline, varje SQL-skript och varje rapportmodell inventerades och korsrefererades: över 3 500 beroenden mellan skript och källor, ytterligare 1 200 mellan rapporter och tabeller. Kartläggningen hittade det som manuella genomgångar brukar missa:

187 av 400 pipelines var döda, nästan halva migreringsytan kunde klippas bort innan en enda rad byggts.
Ett av källsystemen visade sig vara fyra separata delsystem med olika körscheman, vilket omformade en hel migreringsfas till fyra mindre, var och en med sitt eget övergångsbeslut.
Historiken fanns bara i legacyplattformen och gick inte att återskapa från källorna, den måste kopieras. Utan den upptäckten hade varje historisk rapportsiffra blivit fel.
Parallellvalidering med två oberoende källäsningar hade gett falska fel på grund av tidsskillnader mellan läsningarna. Designen gjordes om till en enkelextrakt-princip där båda plattformarna validerar exakt samma data.
Fem rapportmodeller pekade mot en redan avvecklad komponent, bekräftades som avvecklade och ströks ur scope.

Varje fynd granskades och beslutades av kundens operatör vid en formell grind. AI:n levererar underlaget, människan äger beslutet.

Leveransen

Ett komplett beslutspaket på dagar

På dagar i stället för månader producerade och reviderade RAID ett komplett, internt konsistent beslutspaket: nulägesanalys i fem versioner allteftersom ny fakta bekräftades, en arkitektur med 14 dokumenterade beslut inklusive mekanismdiagram, en migreringsplan med 56 enheter där varje enhet bär egna kvalitetskontroller och en definition av klart, en tidplan paketerad i kundens egna tvåveckorssprintar, samt en datamigrerings- och valideringsdesign.

Allt versionerat, spårbart och operatörsgranskat.

Planen

Kvaliteten bevisad, inte utlovad

Kvalitetsgolvet är orört i planen: varje migrerat objekt jämförs rad för rad mot legacy, varje inkrement kör parallelldrift med verksamhetsgodkännande, och varje övergång är ett separat mänskligt beslut med bevisunderlag. Farten kommer från att aldrig behöva göra om.

I korthet

01
Tre månaders planerad migrering, mot cirka 13,5 månader för samma arbete gjort manuellt
02
Cirka 900 timmar mänsklig arbetstid, fem personer på ungefär halvtid
03
Hundra procent rapportkorrekthet, bevisad rad för rad per objekt

Står ni inför en liknande utmaning?