Auf einen Blick
Kunde | Ein Enterprise-Kunde aus der Finanzdienstleistung in DACH |
Umfang | Ein Python-2.7-basierter Analytics- und Datentransformations-Stack für Risiko, Vertrieb, Portfolio, Kunde, Profitabilität und Compliance-Reporting |
Analysierte Codebasis | ~140.000 Zeilen Python in ~880 Skripten, Notebooks, Hilfsmodulen, Shell-Wrappern und Konfigurationsfragmenten |
Datenfläche | ~35 vorgelagerte Datenquellen (Datenbanken, CSV-Drops, Excel-Mappen, SFTP-Feeds, interne APIs, Exporte aus Altreporting); ~110 wiederkehrende Reports, Extrakte und analytische Ausgaben |
Abhängigkeitsfläche | ~200 Drittanbieter- und interne Python-Pakete (pandas, NumPy, SciPy, scikit-learn, matplotlib, xlrd/openpyxl, SQLAlchemy) sowie mehrere Datenbanktreiber und Hauptversionen, die hinter dem aktuellen Stand zurückliegen |
Nutzerfläche | ~40 Senior-Analysten mit Ad-hoc-Arbeit direkt auf dem Stack; ~12 Management-Reporting-Konsumenten nachgelagert; Compliance- und Audit-Funktionen, die auf abgeleiteten Datensätzen aufsetzen |
Methode | 7P Legacy Fast Check: Scan. Score. Strategize. |
Werkzeuge | Automatisierte Python-Analyse-Toolchain, KI-Pipeline, Experten-Walkthrough (Data Engineering), Coding-Agent-Walkthrough |
Time-to-Verdict | Scans in Stunden; vollständiges Assessment in rund drei Wochen ausgeliefert |
Lieferobjekte | Bewerteter Ist-Zustandsbericht, priorisierte Top-10-Liste, Python-2-zu-3-Migrationsbewertung, Abhängigkeits- und Paketverfügbarkeitskarte, Data-Lineage- und Reproduzierbarkeitskarte, Inventar des analytischen IP, KI-Readiness-Bewertung, Strategic Evolution Roadmap, Service-Übernahme-Checkliste |
Das Unternehmen
Der Kunde ist ein großer Finanzdienstleister in der DACH-Region. Sein analytisches Betriebsmodell stützte sich auf einen über Jahre gewachsenen Python-Stack, der aus der Zusammenarbeit von Data Scientists und Domänenexperten entstanden war. Dieser verband Daten aus unterschiedlichen Quellen mit fachlicher Logik und bildete die Grundlage für Reporting und analytische Auswertungen.
Hinter dem Python-2.7-Stack stand ein umfangreicher Bestand an Domänenwissen, der das Reporting und die analytischen Bewertungen fachlich absicherte. In den Skripten waren Regeln und Berechnungen hinterlegt, die für das Reporting, die Compliance und spätere datengetriebene Vorhaben relevant waren.
Ausgangssituation
Die Skripte waren für ihren ursprünglichen Zweck sinnvoll aufgebaut. Zunächst beantworteten sie einzelne analytische Fragestellungen, doch mit der Zeit entwickelten sie sich zu einem produktiv genutzten Bestand für wiederkehrende Reports. Was als analytische Werkbank begann, entwickelte sich somit schrittweise zu einer produktionskritischen Datenpipeline.
Gleichzeitig alterte die technische Grundlage. Python 2.7 hatte das Ende seines Lebenszyklus erreicht, zentrale Abhängigkeiten ließen sich nicht mehr zuverlässig installieren und mit dem Weggang der ursprünglichen Autoren ging wichtiges Wissen zunehmend verloren. Die Reports wurden zwar weiterhin geliefert, doch das Vertrauen in ihre Belastbarkeit nahm spürbar ab.
Bevor über Stabilisierung oder Modernisierung entschieden werden konnte, musste zunächst ein belastbares Entscheidungsbild aus dem gewachsenen Bestand entstehen.
Lösung
7P stuft den Bestand als geschäftskritischen Analytics-Stack mit hohem fachlichem Wert ein. Zur Ermittlung dieses Werts wurden automatisierte Analysen und KI-gestützte Auswertungen mit Experten-Reviews kombiniert. So entstand in kurzer Zeit ein belastbares Gesamtbild über den technischen Zustand, die Reproduzierbarkeit und das im Bestand gebundene analytische Wissen.
Mithilfe des „Legacy Fast Check” konnten technische Schwächen identifiziert werden. Der Bestand wurde so bewertet, dass sich Risiken und der fachliche Wert sauber voneinander abgrenzen lassen. Darüber hinaus wurde deutlich, welches Wissen für spätere KI-Initiativen erhalten bleiben muss.
Der Legacy Fast Check folgte dabei einem dreistufigen Ansatz:
- Scan: Analyse von Codebasis, Abhängigkeiten, Reproduzierbarkeit und fachlich wertvollen Transformationen.
- Score: Bewertung der Befunde im Hinblick auf Risiko, Wartbarkeit und Zukunftsfähigkeit.
- Strategize: Entwicklung konkreter Handlungsoptionen für Stabilisierung, Migration und Weiterentwicklung.
Das vollständige Assessment wurde innerhalb von rund drei Wochen geliefert.
Sebastian Grundhöfer
Senior Solution Engineer
Stimme aus dem Projekt
“ In den Skripten steckte über Jahre gewachsenes, für das Geschäft zentrales Domänenwissen. Kritisch war vor allem die fehlende Sicherheit darüber, wie belastbar sich Änderungen und Ergebnisse noch nachweisen ließen. Der Legacy Fast Check hat den fachlichen Kern sichtbar gemacht und somit eine fundierte Modernisierungsdiskussion erst ermöglicht.”
Das Ergebnis
Der Fast Check zeigte, dass der Stack zwar weiterhin geschäftskritische Ergebnisse lieferte, seine technische Grundlage und Ausführungslogik jedoch über die Jahre an Belastbarkeit verloren hatten. Vor allem wurde sichtbar, wie eng technisches Risiko und fachlicher Wert miteinander verknüpft waren.
Laufzeit und Abhängigkeiten
Der Betrieb hängt nach wie vor stark von einer nicht mehr unterstützten Laufzeitumgebung sowie veralteten Paketständen ab. Mehrere Abhängigkeiten waren nur eingeschränkt installierbar oder an gewachsene Umgebungen gebunden. Dementsprechend konnte eine technische Erneuerung nicht als reines Upgrade verstanden werden.
Reproduzierbarkeit und Datenflüsse
Zudem war fraglich, wie sich Ergebnisse nachvollziehen und erneut erzeugen ließen. Ausführungsreihenfolgen und manuelle Zwischenschritte waren nicht überall so dokumentiert, dass sich Berichte und Ausgaben jederzeit sicher reproduzieren ließen. Das war für ein System, dessen Ergebnisse in Reporting und Compliance einfließen, von maßgeblicher Bedeutung.
Fachliches Wissen im Bestand
Der eigentliche Wert des Systems lag in seinem analytischen Domänenwissen. Regeln und Transformationen waren über viele Skripte verteilt und nur teilweise explizit dokumentiert. Eine Modernisierung ist daher nur dann sinnvoll, wenn dieses Wissen gezielt gesichert und in nutzbare Strukturen überführt wird.
Was der Kunde erhalten hat
Laufzeit & Abhängigkeiten | End-of-Life-Technologie und veraltete Paketlandschaft erschweren Betrieb und Modernisierung. |
Reproduzierbarkeit | Datenflüsse und Berechnungen wurden transparent gemacht und kritische Lücken identifiziert. |
Analytisches IP | Geschäftskritisches Domänenwissen wurde lokalisiert und für zukünftige Nutzung dokumentiert. |
Sicherheit & Betrieb | Priorisierte Maßnahmen schaffen die Grundlage für einen stabileren und besser auditierbaren Betrieb. |
Die Entscheidung, die der Kunde jetzt vertreten kann
Der Legacy Fast Check zeigte die technisch problematischen Teile des Systems und identifizierte das erforderliche Domänenwissen. Dadurch konnte der Kunde die Modernisierungsdiskussion nicht mehr nur auf Python 2 reduzieren und auf einer belastbaren Grundlage über das weitere Vorgehen entscheiden.
Sie möchten dieses Ergebnis für Ihr System?
Der Legacy Fast Check liefert eine belastbare Außensicht: strukturierte Scores, ein vollständiges Risk Register und priorisierte Handlungsempfehlungen. Handeln Sie jetzt.
Sie sehen gerade einen Platzhalterinhalt von Hubspot Embedded Content. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr InformationenSie sehen gerade einen Platzhalterinhalt von HubSpot. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr InformationenSie sehen gerade einen Platzhalterinhalt von Hubspot Meetings. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr Informationen