Comment vérifier qu’une migration SAS produit les bons résultats ?
Une stratégie de comparaison utile doit séparer les différences de représentation des écarts métier. Voici les contrôles à prévoir avant de remplacer les traitements d’origine.
1. Définir une référence avant de migrer
Pour chaque programme ou chaîne, choisir des données d'entrée représentatives et conserver les sorties SAS attendues. Documenter la version du programme, les options d’exécution, les paramètres, la date et la chaîne de dépendances. Ces informations forment le jeu de référence de non-régression.
Un échantillon doit inclure, dans la mesure du possible, des cas limites : identifiants dupliqués, valeurs manquantes, dates de frontière, montants négatifs, accents et catégories rares. Une comparaison sur dix lignes « propres » révèle rarement les problèmes importants.
2. Comparer selon une clé métier
Une comparaison ligne par ligne après tri implicite peut générer de faux écarts. Déterminer une clé métier stable, vérifier son unicité, puis réaliser une jointure contrôlée entre sortie SAS et sortie cible. Pour les tables agrégées, la clé peut combiner plusieurs dimensions.
assert unique(keys(source_sas))
assert unique(keys(sortie_python))
assert keys(source_sas) == keys(sortie_python)
for colonne in mesures:
comparer(source_sas[colonne], sortie_python[colonne],
tolerance_absolue, tolerance_relative)
verifier_comptages_et_valeurs_manquantes()3. Définir des tolérances justifiées
Comparer une somme, une moyenne ou un résultat statistique demande parfois une tolérance d’arrondi. La tolérance absolue protège les valeurs proches de zéro ; la tolérance relative protège les grandes valeurs. Il faut décider ces seuils avec les métiers, et non masquer systématiquement des écarts.
Pour les variables catégorielles, les dates, les identifiants ou les règles de gestion, une égalité stricte peut être plus appropriée. Un rapport de non-régression doit distinguer différence attendue, anomalie à corriger et élément à instruire.
4. Tester à plusieurs niveaux
- Structure : schémas, types, nombre de colonnes, tailles et clés.
- Qualité : valeurs nulles, doublons, valeurs hors domaine, distribution des variables.
- Métier : ratios, totaux, règles de filtrage, échantillons sensibles.
- Exploitation : rejouabilité, idempotence, logs, gestion des erreurs et temps de traitement.
5. Rendre les écarts auditables
Conserver l’identité du lot, les versions de code et les paramètres ayant servi aux deux exécutions. Automatiser un rapport lisible qui présente les écarts critiques avec une possibilité de revenir aux enregistrements source. L’objectif n’est pas seulement d’obtenir un indicateur « vert », mais de comprendre pourquoi les résultats concordent.
Et après ?
Le même protocole peut être réutilisé lors de la conversion de lots successifs. Il facilite également la maintenance une fois que SAS n’est plus exécuté. Il doit rester adapté aux risques de chaque programme : des calculs réglementaires ne se recettent pas comme une extraction exploratoire.
Préparer un diagnostic de patrimoine SAS ↗ Migration SAS vers Python ↗
Un lot SAS à sécuriser ?
Nous pouvons cadrer les tests d’équivalence avant ou pendant une migration.