Dataflow Gen 1 zu Gen 2 Migration (Legacy): dein Fahrplan
Wir zeigen dir, wie Teams ihre bestehenden Dataflows planbar von Gen1 auf Gen2 in Microsoft Fabric umstellen – inklusive gen dataflows, mit Klarheit zu Ressourcen, Refresh und Datenqualität.
- Legacy-Risiken früh erkennen und priorisieren
- Gen2-Optionen: Export, Copy, Save As
- POC mit Test- und Validierungsplan
.png)
Wenn Gen1 zum Legacy wird, treffen dich die Nebenwirkungen
Viele Teams haben existing Lösungen in Power BI im Einsatz – oft mit Power Query Transformationen, die „einfach laufen“.
Das Problem: Sobald Gen1 als Legacy betrachtet wird, steigen Risiko und Aufwand rund um Weiterentwicklung, Umstellung, Refresh, Berechtigungen und Kapazitäten. Dann wird aus „später mal“ schnell „jetzt“.
Warum Gen2 der next sinnvolle Schritt ist
Gen2 bringt die Logik näher an Microsoft Fabric: bessere Integration in pipelines / pipeline orchestration, klarere Ziele wie Lakehouse oder Warehouse und ein moderneres Setup für Workspaces, Ressourcen und Betrieb (gen gen).
Mehr Kontrolle über Ziele & Integration
Dataflows in Gen2 können strukturierter in Lakehouse-, Warehouse- und Data Factory Szenarios eingebunden werden – statt isolierter Logik ohne sauberen End-to-End-Plan.
Mehr Betriebsfähigkeit
Du bekommst bessere Optionen für Upgrade und CI/CD (z. B. Save As / Save As API). Das hilft, wenn viele Queries und mehrere Workspaces sauber verwaltet werden müssen.
Assistenz für Entwicklung & Qualität
Mit Copilot (Copilot for Data Factory) lassen sich Schritte wie Mapping, Dokumentation und Plausibilitätschecks schneller vorbereiten – als Ergänzung zu klaren Tests und Review-Prozessen.
Ehrliche Partnerschaften führen zu erfolgreichen Datenprojekten.
Seit Jahren realisieren wir skalierbare Lösungen mit Microsoft Power BI, Fabric und Copilot.
Zertifizierungen
Projekte
zufriedenheit
Für wen lohnt sich die Gen1→Gen2 Umstellung?
Für Teams, die in Power BI many Reports/Datasets haben und einen stabilen Ingestion- und Transformation-Layer nutzen – oft mit SQL-Quellen (on-prem oder cloud) und M language (Power Query M).
Besonders dann, wenn du bestehende Logik weiterverwenden willst, aber mehr Integration in Microsoft Fabric brauchst: Pipelines, Monitoring, Lakehouse/OneLake, Warehouse und klarere Governance.
Was steckt im Paket?
Ein pragmatischer Plan, der Technik, Risiko und Betrieb zusammendenkt.
Gen1/Gen2 Vergleich & Kompatibilität
Wir prüfen deine bestehende Gen1-Landschaft: Power Query Features, Computed/Linked Entities, Refresh-Verhalten (z. B. inkrementelles Laden) und typische Kompatibilitätsfallen.
Optionen im Überblick
Wir bewerten die passenden Wege: Export template (.pqt), Copy-and-paste von Queries, Save As (Save As API) sowie CI/CD. Ergebnis: klare Empfehlung pro Objekt und Szenario.
Voraussetzungen: Ressourcen, Berechtigungen, Gateways
Wir klären Fabric Ressourcenbedarf, Workspace-Setup, Credentials, Power BI licensing tiers (Pro, Premium, PPU) sowie Anbindung über On-premises data gateway oder Virtual network data gateway – inklusive Risiken für Refresh und Performance.
POC + Test- und Validierungsphase
Wir planen einen POC mit einem repräsentativen Set: Messpunkte, Testdaten, Vergleich in Power BI Desktop, Validierung von Tabellen/Queries, Fehlermeldungen und Monitoring. So wird die Umstellung messbar – nicht „gefühlt“.
Willst du wissen, welcher Gen2-Weg bei dir wirklich passt?
- Kurzer Check deiner Architektur
- Ressourcen- und Licensing-Einschätzung
- Konkreter Plan für Tests
Gemeinsam erzielte Ergebnisse.
Zwei Beispiele aus der Praxis (typische Umstellungs-Szenarios)
Konzern-Reporting: viele Gen1 Lösungen, hoher Refresh-Druck
Ausgangslage
- Viele Gen1-Objekte mit komplexem Power Query
- SQL-Quellen plus Azure SQL Database / SQL MI
- Refresh instabil, Performance schwankt je Workspace
- Kein sauberer CI/CD für Queries
Ergebnis
- Dataflows in Gen2 je Szenario umgesetzt
- Pipelines für Laden und Qualitätschecks
- Landung in Lakehouse und Übergabe an Warehouse
- Klare Regeln für Ressourcen und Workloads
Service-Unternehmen: Legacy-Risiko, aber wenig Kapazität
Ausgangslage
- Bestehende Gen1-Logik als zentrale Datenbasis
- M language (Power Query M) historisch gewachsen
- Berechtigungen und Credentials uneinheitlich
- Governance fehlt, Data Lineage unklar
Ergebnis
- Schrittweise Umstellung per Copy und Save As
- Test-/Validierungsphase mit Tabellen-Checks je Lauf
- OneLake/Lakehouse als stabile Landing-Zone
- Purview-gestützte Transparenz für Data Lineage
Unser Ansatz: In vier Phasen zum Erfolg
Vier Etappen – wie eine saubere Route zum Gipfel: erst Orientierung, dann Schritt für Schritt.
Erstgespräch
Wir sichten deine Gen1-Landschaft: wie many Objekte, welche Queries, welche Ziele (z. B. Lakehouse/Warehouse/SQL), welche Workspaces und welche Power BI Lizenzen im Einsatz sind. Ergebnis ist ein klarer Plan statt Bauchgefühl.
Setup
Wir setzen die Voraussetzungen: Fabric Ressourcen-Einordnung, Zugriffs- und Berechtigungskonzept, Gateway/Connect Setup (On-premises data gateway oder Virtual network data gateway) sowie ein POC-Workspace mit Monitoring.
Training
Wir übertragen ein repräsentatives Set im POC: Export template (.pqt), Copy-and-paste von Queries oder Save As (Save As API). Dann testen wir: Datenabgleich, Refresh-Verhalten, Fehlermeldungen, Performance und Integration in pipelines / pipeline orchestration.
Skalierung
Wir rollen die Umstellung in Wellen aus: priorisiert nach Risiko (Legacy/Limitierungen), Nutzen, Abhängigkeiten zu Datasets/Reports und Workloads. Parallel etablieren wir CI/CD, Dokumentation und Betriebsroutinen.
Was sich für dich im Betrieb verändert
Du tauscht nicht nur ein Objekt aus – du machst die Lösung in Microsoft Fabric betriebssicher.
- Gen1 läuft, aber Legacy-Status wird zum Risiko
- Refresh-Probleme schwer reproduzierbar
- Viele Queries ohne Versionierung und CI/CD
- Unklare Kapazitätsauswirkungen je Workspace
- Integration in Pipelines und Ziele oft Stückwerk
- Gen2 als definierter Upgrade-Pfad
- Test- & Validierungsphase pro Objekt etabliert
- Optionen wie Save As und Export template nutzbar
- Kapazitätsplan pro Workspace greifbar
- Lakehouse/Warehouse als klare Ziele verankert
Wir lassen unsere Kunden für uns sprechen
SANHA GmbH & Co. KG
Ausgangssituation:
- Absatz- und Produktionsplanung auf Basis von Erfahrung statt Daten
- Unzureichende Transparenz über Nachfrageentwicklung am Markt führte zu Planungsunsicherheit
Ergebnis:
- KI-basierte Absatzprognosen als Grundlage für die Produktionssteuerung
- Effiziente Ressourcennutzung und frühzeitig erkennbare Nachfrageentwicklung
GBG Unternehmensgruppe
Ausgangssituation:
- Fragmentierte BI-Landschaft mit Tools wie Snowflake und Tableau
- Strategischer Wunsch nach Microsoft-Integration zur Vereinheitlichung
Ergebnis:
- Integration in das Microsoft-Ökosystem reduziert Systembrüche und vereinfacht die Datenarchitektur
- Unternehmensweite Migration von Tableau und Snowflake zu Power BI und Fabric
EW GROUP GmbH
Ausgangssituation:
- Daten aus zahlreichen internationalen Tochtergesellschaften waren verteilt und schwer vergleichbar
- Management hatte keinen konsolidierten Überblick über zentrale KPIs der einzelnen Gesellschaften.
Ergebnis:
- Zentrale Daten- und Reportingplattform schafft Transparenz über Kennzahlen aller Gesellschaften.
- Fundierte Managemententscheidungen auf Basis konsolidierter Daten statt isolierter Einzelreports.
Preise: Business Value durch planbare Umstellung
Der Preis hängt vor allem von Anzahl, Komplexität und Abhängigkeiten ab.
- Inventar: Gen1, Queries, Workspaces
- Gen1 vs Gen2 Vergleich & Risiken
- Ressourcen-/Licensing-Einschätzung (Pro, PPU)
- Empfehlung je Umstellungs-Option
- POC mit ausgewählten Dataflows
- Umsetzung via Copy/Save As/Export template
- Refresh-, Performance- und Datenabgleich
- Dokumentation + Rollout-Plan in Wellen
- Umstellung über viele Abhängigkeiten
- CI/CD und Workspace-Standards
- Pipelines und Monitoring Setup
- Governance-Add-on z. B. Purview Lineage
Willst du wissen, welcher Gen2-Weg bei dir wirklich passt?
- Kurzer Check deiner Architektur
- Ressourcen- und Licensing-Einschätzung
- Konkreter Plan für Tests
Häufige Fragen
Ist Gen1 jetzt sofort „weg“?
Nein – aber Gen1 wird als Legacy eingeordnet, und damit steigt das Risiko, dass bestimmte Capabilities eingeschränkt werden oder sich der Support-Fokus verlagert. Deshalb lohnt sich ein Plan für existing Lösungen, bevor Zeitdruck entsteht.
Wie gehe ich bei dataflow gen 1 zu gen 2 migration legacy am besten vor?
Bewährt hat sich ein Vorgehen in Wellen: erst Inventar und Abhängigkeiten, dann ein POC, danach Rollout. In der Praxis kombinieren Teams Optionen wie Export template (.pqt), Copy-and-paste von Queries und Save As. Wichtig ist, die Unterschiede zwischen Gen1 und Gen2 sauber zu testen und zu dokumentieren.
Welche Voraussetzungen brauche ich (Compute, Lizenzen, Berechtigungen)?
Für Gen2 brauchst du in der Praxis passende Fabric Ressourcen und saubere Berechtigungen in den Workspaces. Zusätzlich musst du Credentials, Gateway/Connect (On-premises data gateway oder Virtual network data gateway) und die Power BI licensing tiers (Pro, Premium, PPU) im Kontext deiner Nutzer und Workloads prüfen.
Wie helfen Copilot und Tests, damit die Umstellung messbar erfolgreich ist?
Über eine feste Test-/Validierungsphase: Datenabgleich (Tabellen, Counts, Summen), Refresh-Stabilität, Fehlermeldungen, Performance und Auswirkungen auf Datasets/Reports. Copilot (Copilot for Data Factory) kann dabei unterstützen, Checks und Dokumentation schneller vorzubereiten – die fachliche Abnahme bleibt aber bei deinem Team. Für den Betrieb helfen außerdem pipelines / pipeline orchestration, um Läufe nachvollziehbar zu steuern.